Month: June 2018

Metode Association Rule, Rumus dan Penjelasannya

Metode Association Rule merupakan metode yang sering di pakai untuk menyelesaikan permasalahan dalam kasus pendukung keputusan atau SPK. Cara kerja metode ini secara umum seperti konsep SPK lainya, yaitu menggunakan kriteria sebagai dasar untuk melakukan penilaian terhadap kasus yang akan di selesaikan.

Contoh kasus yang bisa kita jelaskan tentang implementasi metode ini misalnya kasus pemelihan dosen pembimbing, pemilihan asesor penelitian, penentuan pemberian bantuan dan masih banyak lagi. Untuk masing-masing kasus yang kita contohkan tadi, masing-masing mempunyai kriteria atau variabel sebagai dasar untuk menentukan penilaiannya. Nah berikut akan kita ulas mengenai metode Association Rule ini.

Mungkin sebagian kita masih bingung, metode association rule pun belum banyak yang tau. Metode ini sering kita kenal juga dengan algoritma apriori.

Analisi asosiasi atau association rule merupakan penerapan data mining yang  implementasinya untuk menemukan aturan asosiasi antara kombinasi item yang ada. Association rule adalah salah satu teknik utama atau prosedur dalam Market Basket Analysis untuk mencari hubungan antat item dalam suatu data set dan menampilkan dalam bentuk association rule seperti yang di jelaskan pada (Budhi dkk,2007). Association rule(aturan asosiatif) akan menemukan pola tertentu yang mengasosiasikan data yang satu dengan data yang lain. Untuk mencari association rule dari suatu kumpulan data, tahap pertama yang harus dilakukan adalah mencari frequent itemset terlebih dahulu.Frequent itemset adalah sekumpulan item yang sering muncul secara bersamaan. Setelah semua pola frequent itemset ditemukan, barulah mencari aturan asosiatif atau aturan keterkaitan yang memenuhi syarat yang telah ditentukan.

 

Penyelesaian Association rule

Metode association menentukan dua output yaitu support dan confidence. Penting tidaknya suatu asosiasi dapat diketahui dari dua hal yang menjadi tolak ukur dari kedua tersebuta antara support dan confidence. Support ( nilai penunjang) adalah presentase kombinasi item tersebut dalam database, sedangkan confidence ( nilai kepastian ) adalah kuatnya hubungan antar-item dalam aturan asosiasi (Pane, Dewi kartika. 2013)

Rumus Mencari Support

Rumus support metode association rule

Rumus support metode association rule

Rumus Mencari Confidence

Rumus mencari confidence metode association rule

Rumus mencari confidence metode association rule

Contoh dalam kasus penjualan di minimarket dengan di jelaskan pada tabel transaksi:

Tabel data minim penjualan produk minimarket

Tabel data minim penjualan produk minimarket

Selanjutnya menentukan nilai support dengan menghitung jumlah transaksi yang mengandung
item A dibagi dengan jumlah transaksi yang ada, maka didapat :

Hasil perhitungan support associationr rule

Hasil perhitungan support associationr rule

Setelah mendapat nilai support maka langkah selanjutnya adalah mencari nilai confidence
dengan mencari banyaknya kemunculan item A dan B pada satu nota, maka didapat :

Tabel perhitungan confidence association rule

Tabel perhitungan confidence association rule

Setelah mendapat nilai support dan confidence maka langkah terakhir adalah menentukan nilai
final role atau strong rule association dengan cara mengkalikan nilai support dan confidence yang didapat dari proses sebelumnya.

Hasil akhir atau output association rule

Hasil akhir atau output association rule

Jadi kesimpulannya,,,,

Jika user memasukkan nilai minimal adalah 10% maka kombinasi yang memenuhi adalah
kombinasi gula, kopi, dan gula susu. Atau hasil perhitungan diatas dapat diartikan 15% orang
yang membeli gula juga akan membeli kopi, 10% orang membeli gula juga akan membeli susu.

Contoh diatas di kutip dari sebuah penelitian tentang association rule yang di teliti oleh Muhammat Maarifatul Huda dan Wijisetyaningsih dengan Judul sistem pendukung keputusan dalam penentuan bundling penjualan barang dengan metode apriori atau association rule. Pada Universitas Kanjuruhan.

Terimakasih semoga bermanfaat.

 

Postingan berikutnya

  1. rumus support confindence pada php

Flowchart Metode K-Means

Flowchart Metode K-Means

Flowchart Metode K-Means

Metode K-means tergolong salah satu metode yang sedikit kompleks dan rumit untuk di teliti. Dalam konsepnya metode ini adalah metode yang digunakan untuk mengelompokkan atau culstering suatu keputusan dari data yang telah disediakan.

Bagi teman-teman yang masih bingung bagaimana proses ataupun langkah metode flowchart dapat digunakan untuk menyelesaikan suatu kasus, sistemphp kali ini akan mengulas mengenai flowchart yang digunakan pada pemrosesan metode k-means tersebut.

Penjelasan flowchart ini juga terkait degan penjelasan yang sudah saya bahas sebelumnya yang saya kumpulkan pada tag pembahasan metode k-means. Pada tag tersebut saya bahas mengenai kasus-kasus apa saja yang bisa  diterapkan dan bagaimana contoh implementasinya. Dan untuk perhitungan manual serta bagaimana cara menyelesaikan kasus dalam metode k-means akan kita posting di postingan selanjutnya.

Flowchart K-means

Seperti yang kita lihat pada gambar diatas, terdapat beberapa langkah proses pada metode k-means dalam menyelesaikan suatu kasus.

Pada gambar diatas merupakan flowchart metode bukan flowchart aplikasi, untuk flowchart aplikasi terdapat user interface yang berperan pada alur datanya. Dan ini berbeda-beda flowchartnya tergantung pada aplikasi yan di bangun, namun untuk secara umum, flowchart untuk metode ini di jelaskan sebagai berikut:

#Input

Merupakan inputan yang berperan dalam perhitungan metode K-means, Input ini adalah data mining yang tersimpan terlebih dahulu pada sistem atau aplikasi. Jika melihat pada contoh kasus, data input ini misalnya pada contoh clustering penjualan produk, maka data input berupa data penjualan produk. Pada kasus daerah rawan kriminial, maka data input sebagai data mining adalah data kriminal dan seterusnya.

Input ini dalam kaitannya dengan perhitungan metode, membutuhkan sebuah kategori data yang nantinya akan berujung pada cluster yang di hasilkan. Kategori data berperan sebagai penentuan titik pusat cluster terhadap data mining yang ada. Jika kategori tidak ada maka data di anggap sebagai cluster sama atau bahkan tidak bisa kita ketahui titik pusat datanya.

#Proses

Proses k-means merupakan tahapan bagaimana cluster keputusan dihasilkan. Setelah kita mengetahui komponen data input yang diperlukan Proses k-means dilakukan dengan menghitung titik pusat data pada setiap kategori, seperti yang sudah di singgung diatas. Dari titik pusat cluster selanjutnya akan di hitung proses lanjutannya yaitu mecari jarak antara setiap data pada kategori dengan titik pusatnya. Dari jarak tersebu maka proses akan menghasilkan sebuah nilai dari setiap cluster yang telah di tentukan sendiri oleh user sebelumnya.

Cara menentukan clustering untuk metode k-means dapat dilakukan dengan melihat penelitian sebelumya yang sejalan dengan penelitian yang dilakukan ataupun juga dapat mewawancarai langsung kepada dimana kita mengambil kasus penelitian yang dilakukan.

#Output

Dari hasil perhitungan K-means maka kita akan mengetahui sebuah nilai- cluster setiap data yang dihasilkan. Dari Cluster ini user dapat menyimpulkan data yang ada dan menganalisanya sebagai ouput atau keputusan akhir dari penyelesaian kasus menggunakan metode k-means.

 

Secara umum gambaran penyelesaian metode k-means dengan melihat pada flowchart seperti penjelasan diatas. Kada sebagian teman-teman kita masih bingung mencari data untuk suatu penelitian. Perlu diketahui data ini didapat dimana kita melakukan penelitian, misalkan pada kasus clustering penjualan produk diatas, kita dapat mewawancarai toko atau supermarket dimana kita meneliti sekaligus clustering yang akan di hasilkan dari output akhir metode ini. Untuk Analisis lainya seperti konteks diagram, dfd, erd dan aplikasinya dapat juga menggunakan jasa kami. GARANSI REVISI

Contoh Kasus Metode K-Means Terbaru

Contoh Kasus Metode K-Means Terbaru

Contoh Kasus Metode K-Means Terbaru

K-means adalah sebuah metode yang digunakan untuk mengelompokkan atau mengklaster berdasarkan kelas yang telah kita tentukan. Pengelompokkan yang dilakukan biasanya berdasarkan kategori yang ada, dari kategori ini kita akan mengetahui data yang terususun dengan konsep seperti halnya data mining.

Data mining digunakan sebagai datawarehouse kecil yang berfungsi sebagai gudang data yang selanjutnya digunakan untuk mengolah keputusan sehingga menghasilkan sebuah cluster. Nah dalam kehidupan kita sehari-hari banyak sekali kasus-kasus atau permasalahan yang dapat di selesaikan dengan metode K-means ini.

Kenapa metode ini sangat mudah untuk di implementasikan pada kasus-dalam kehidupan sehari-hari?, karena memang metode ini adalah metode dengan konsep seperti metode pengambilan keputusan, letak bedanya adalah pada perhitungan metode K-means membutuhkan data mining sebagai data olahannya.

Contoh kasus penerapan metode k-means

1.Kasus penjualan produk

Pada kasus ini misalkan kita akan mengetahui sebuah produk yang ada pada sebuah toko dari tingkat penjualan. Pada contoh ini data yang akan diolah yaitu data produk beserta data penjualannya. Selanjutnya kategori yang digunakan yaitu makanan, minuman, kebutuhan harian. Dari kategori yang diketahui akan mengetahui cluster yang telah kita tentukan dari tingkat penjualannya misalnya cluster yang kita tentukan yaitu sedikit, sedang dan banyak. Nah untuk ouput akhirnya makan akan diketahui produk mana dengan cluster penjualan tertinggi, sedang dan terendah.

2. Kasus penjurusan SMA

Pada kasus penjurusan SMA data yang kita gunakan yaitu data siswa, data nilai setiap mata peajaran serta data jurusan yang ada, misalkan saja jurusan yang ada yaitu IPA dan IPS maka kedua jurusan inilah yang nantinya akan menjadi cluster dalam keputusan penentuan jurusan SMA tersebut. Untuk data nilai yang di olah misalkan data nilai setiap pelajaran. Hampir sama dengan konsep seperti kasus no 1 kita memerlukan kategori sebagai penentuan titik pusat cluster nantinya, jika melihat pada kasus ini kategori yang digunakan yaitu mata pelajaran yang ada misalkan mtk, bahasa indonesia dan sebagainya.

3.Penentuan penerima beasiswa

Pada kasus penerima beasiswa data mining yang diolah tidak begitu baganyak pada setiap alternatifnya. Misalkan untuk memberikan beasiswa kategori yang digunakan yaitu penghasilan orang tua, jumlah tanggungan, pengeluaran perbulan. Dari contoh kategori ini, kita bisa asumsikan cluster yang akan  digunakan yaitu layak atau tidak layak. Layak atau tidak layak adalah sebuah ouput dari data yang diolah dengan metode K-means.

4.Penentuan tingkat kejahatan

Pada kasus untuk mengetahui tingkat kejahatan, variabel atau kriteria yang digunakan misalkan pembnh*n, curanmor, dan nark*ba dan sebagainya. Data kategori kita gunakan untuk menghitung titik pusat cluster. Dengan cluster yang akan kita tentukan yaitu tinggi dan rendah.

5.Penentuan tingkat penggunaan obat pada rumah sakit

Pada kasus ini data yang diolah yaitu data pemberian obat yang diberikan pada pasien, dari data tersebut dapat kita kategori dalam beberapa kategori yaitu misalnya cair, kaplet, tablet dan juga kapsul Nah untuk cluster yang dapat kita gunakan misalnya tinggi, sedang dan rendah.

 

Secara konsep penggunaan dan implementasi metode ini dapat kita lihat seperti beberapa contoh diatas adalah sama. Yang perlu diketahui adalah data mining yang akan diolah, penentuan kategori dari data yang diolah sebagai penentuan pusat cluster nantinya dan juga cluster yang akan di gunakan sebagai ouput akhir dari perhitungan k-means.

Bagi teman-teman yang mengalami kesulita dalam mencari kasus dalam implementasi metode k-means ini dapat berkonsultasi dengan saya melalu wa atau bbm, silahkan kontak lebih lanjut. Kami juga membuka jasa pembuatan aplikasinya.

 

 

 

61+ Judul Skripsi dan Tesis Metode Kmeans

61+ Judul Skripsi dan Tesis Metode Kmeans

61+ Judul Skripsi dan Tesis Metode Kmeans / gambar: clustercollaboration

Kmeans adalah suatu metode yang digunakan untuk menyelesaikan suatu kasus atau masalah penelitian yang hasil akhir atau outputnya adalah sebuah kelas. Pada umumnya kelas ini dijadikan sebuah simpulan dari sebuah hasil sistem pendukung keputusan.

Untuk penelitian skripsi metode kmeans dapat di implementasi dengan hanya menggunakan satu metode ini saja, namun banyak peneliti juga ingin membandingkan dengan metode clustering lainya hingga menemukan output yang dapat di simpulkan dari beberapa metode. Selain dapat digunakan untuk penelitian skripsi, metode ini juga dapat di implementasi pada penelitian tesis, namun letak perbedaannya adalah kasus dari penelitian yang dilakukan, misalnya dari segi ke kompleksitasnya.

Nah baiklah untuk kali ini kita akan ulas beberapa judul yang bisa menjadi gambaran kamu untuk mengajukan judul penelitian yang sedang akan kamu kerjakan. Untuk kasusnya tinggal kamu sesuaikan saja dengan di mana kamu akan mengambil atau mendapatkan data untuk penelitian kamu nantinya.

Oia, bagi teman-teman yang kesulitan dapat juga berkonsultasi dengan Saya langsung melalui Wa atau BBM. Oke kembali lagi, inilah judul-judulnya:

Judul metode Kmeans

  1. PENGELOMPOKAN KUALITAS KERJA PEGAWAI MENGGUNAKAN ALGORITMA K-MEANS
  2. PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN CALON PEMBELI KREDIT SEPEDA MOTOR MENGGUNAKAN K-MEANS CLUSTERING
  3. IMPLEMENTASI ALGORITMA K-MEANS UNTUK PENGELOMPOKKAN PENYAKIT PASIEN PADA PUSKESMAS
  4. PENERAPAN METODE K-MEANS UNTUK CLUSTERING MAHASISWA BERDASARKAN NILAI AKADEMIK
  5. ANALISA PENENTUAN JUMLAH CLUSTER TERBAIK PADA METODE K-MEANS CLUSTERING
  6. CLUSTERING KUALITAS BERAS BERDASARKAN CIRI FISIK MENGGUNAKAN METODE K-MEANS
  7. SEGMENTASI SUPPLIER MENGGUNAKAN METODE KMEANS CLUSTERING
  8. PENGKLASIFIKASIAN KARAKTERISTIK DENGAN METODE K-MEANS CLUSTER ANALYSIS
  9. PENERAPAN METODE K-MEANS CLUSTER ANALYSIS PADA SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN KONSENTRASI UNTUK
  10. MAHASISWA INTERNATIONAL CLASS
  11. PERBANDINGAN METODE K-MEANS DAN METODE DBSCAN PADA PENGELOMPOKAN RUMAH KOST MAHASISWA
  12. PEMANFAATAN METODE K-MEANS CLUSTERING DALAM PENENTUAN PENJURUSAN SISWA SMA
  13. PERANCANGAN METODE K-MEANS CLUSTERING DALAM PEMBERIAN DISPENSASI PEMBAYARAN KULIAH
  14. ANALISA CLUSTERING MENGGUNAKAN METODE K-MEANS DAN HIERARCHICAL CLUSTERING
  15. PERBANDINGAN K-MEANS DAN FUZZY C-MEANS UNTUK PENGELOMPOKAN DATA USER KNOWLEDGE MODELING
  16. PENERAPAN ALGORITMA K-MEANS UNTUK CLUSTERING PENENTUAN JURUSAN BAHASA MANDARIN GERMAN DAN PRANCIS
  17. SISTEM PEMBAGIAN KELAS KULIAH MAHASISWA DENGAN METODE K-MEANS DAN K-NEAREST NEIGHBORS UNTUK MENINGKATKAN KUALITAS PEMBELAJARAN
  18. PENGELOMPOKAN KABUPATEN/KOTA MENGGUNAKAN METODE K-MEANS DAN FUZZY C-MEANS
  19. SISTEM PEMBAGIAN KELAS KULIAH MAHASISWA DENGAN METODE K-MEANS DAN K-NEAREST NEIGHBORS UNTUK MENINGKATKAN KUALITAS PEMBELAJARAN
  20. APLIKASI TEXT MINING UNTUK AUTOMASI PENENTUAN TREN TOPIK SKRIPSI DENGAN METODE K-MEANS CLUSTERING
  21. ANALISIS PERBANDINGAN METODE K-MEANS DENGAN IMPROVED SEMISUPERVISED K-MEANS PADA DATA INDEKS PEMBANGUNAN MANUSIA (IPM)
  22. PENERAPAN ALGORITMA K-MEANS UNTUK CLUSTERING PENILAIAN DOSEN BERDASARKAN INDEKS KEPUASAN MAHASISWA
  23. PENERAPAN K-MEANS CLUSTERING PADA DATA PENERIMAAN MAHASISWA BARU
  24. IMPLEMENTASI ALGORITMA K-MEANS UNTUK CLUSTERING PENYAKIT BERBAHAYA
  25. PENERAPAN ALGORITMA K-MEANS UNTUK MENETAPKAN KELOMPOK MUTU KARET
  26. DATA MINING MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING UNTUK MENENTUKAN STRATEGI PROMOSI
  27. PENGELOMPOKAN MAHASISWA BERDASARKAN NILAI UJIAN NASIONAL DAN IPK MENGGUNAKAN METODE K-MEANS
  28. IMPLEMENTASI METODE K-MEANS CLUSTERING UNTUK PENGELOMPOKAN LULUSAN
  29. SEGMENTASI PELANGGAN MENGGUNAKAN METODE K-MEANS CLUSTERING BERDASARKAN MODEL RFM PADA KLINIK KECANTIKAN
  30. PERBANDINGAN METODE CLUSTERING MENGGUNAKAN METODE SINGLE LINKAGE DAN K – MEANS PADA PENGELOMPOKAN DOKUMEN
  31. PENERAPAN ALGORITMA K-MEANS PADA KOMPRESI ADAPTIF CITRA MEDIS MRI
  32. KELOMPOK PENYAKIT TANAMAN APEL MENGGUNAKAN METODE K-MEANS BERBASIS WEB
  33. KLASIFIKASI PENYAKIT GINJAL DENGAN METODE K-MEANS
  34. PENGELOMPOKAN PROVINSI DI INDONESIA BERDASARKAN KARAKTERISTIK KESEJAHTERAAN RAKYAT MENGGUNAKAN METODE K-MEANS CLUSTER
  35. ANALISIS CLUSTER DENGAN ALGORITMA K-MEANS DAN FUZZY C-MEANS CLUSTERING UNTUK PENGELOMPOKAN DATA OBLIGASI KORPORASI
  36. CLUSTERING DATA UJIAN TENGAH SEMESTER (UTS) DATA MINING MENGGUNAKAN ALGORITMA K-MEANS
  37. METODE K-MEANS UNTUK OPTIMASI KLASIFIKASI TEMA TUGAS AKHIR MAHASISWA MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM)
  38. KLASIFIKASI KEMATANGAN BUAH STRAWBERRY MENGGUNAKAN ALGORITMA K-MEANS
  39. PENERAPAN ALGORITMA K-MEANS UNTUK MENENTUKAN TINGKAT KESEHATAN BAYI DAN BALITA PADA KABUPATEN
  40. PERANCANGAN APLIKASI K-MEANS SEBAGAI PENENTU KONSENTRASI BAGI MAHASISWA INFORMATIKA
  41. PERANCANGAN SISTEM CLUSTERING SUSU SAPI DENGAN MENGGUNAKAN METODEK-MEANS
  42. IMPLEMENTASI ALGORITMA K-MEANS UNTUK KLASTERISASI KINERJA AKADEMIK MAHASISWA
  43. IMPLEMENTASI ALGORITMA K-MEANS DALAM PENGKLASTERAN MAHASISWA PELAMAR BEASISWA
  44. KLASIFIKASI CALON PEGAWAI DENGAN MENGGUNAKAN METODE K-MEANS
  45. ANALISIS PERBANDINGAN K-MEANS DAN FUZZY C-MEANS UNTUK PEMETAAN MOTIVASI BALAJAR MAHASISWA
  46. ANALISA POLA PEMILIHAN PROVIDER TELEKOMUNIKASI BERDASARKAN PEKERJAAN DENGAN ALGORITMA KLUSTERING K -MEANS
  47. CLUSTERING MOBILITAS MASYARAKAT BERDASARKAN MODA TRANSPORTASI MENGGUNAKAN METODE K-MEANS
  48. PENGELOMPOKAN PEMINJAM BUKU DENGAN METODE K-MEANS DI PERPUSTAKAAN
  49. PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN CALON PEMBELI KREDIT SEPEDA MOTOR MENGGUNAKAN K-MEANS CLUSTERING
  50. PENENTUAN STRATEGI PENJUALAN ALAT-ALAT TATTOO MENGGUNAKAN METODEK-MEANSCLUSTERING
  51. PENERAPAN CLUSTERING BOOTSTRAP DENGAN METODE K-MEANS
  52. PEMETAAN TINDAK KEJAHATAN JALANAN DI KOTA SEMARANG MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING
  53. KLASTERING SUARA LAKI-LAKI DAN PEREMPUAN MENGGUNAKAN ALGORITMA K-MEANS BERDASARKAN HASIL EKSTRAKSI FFT (FAST FOURIER TRANSFORM)
  54. PENERAPAN ALGORITMA INVASIVE WEED OPTIMNIZATION UNTUK PENENTUAN TITIK PUSAT KLASTER PADA K-MEANS
  55. APLIKASI PENGELOMPOKAN PELANGGAN PADA UMS STORE MENGGUNAKAN ALGORITMA K-MEANS
  56. PERBANDINGAN PENGKLUSTERAN DATA IRIS MENGGUNAKAN METODE K-MEANS DAN FUZZY CMEANS
  57. PENENTUAN PENERIMA BANTUAN TERNAK MENGGUNAKAN ALGORITMA K-MEANS & NAÏVE BAYES
  58. IMPLEMENTASI ALGORITMA ASSOCIATION RULE DAN K-MEANS SEBAGAI SISTEM REKOMENDASI PRODUK PADA WEBSITE PENJUALAN ONLINE
  59. SISTEM KLASTERISASI MENGGUNAKAN METODE K-MEANS DALAM MENENTUKAN POSISI ACCESS POINT BERDASARKAN POSISI PENGGUNA HOTSPOT
  60. CLUSTERING DATA POLUTAN UDARA KOTA PEKANBARU DENGAN MENGGUNAKAN METODE K-MEANS CLUSTERING
  61. PENGKLASTERAN BANK SAMPAH MENGGUNAKAN METODE K-MEANS PADA DINAS LINGKUNGAN HIDUP
  62. SISTEM PAKAR DIAGNOSIS JENIS JERAWAT PADA WAJAH MENGGUNAKAN METODE K-MEANS CLUSTERING

Diatas adalah judul-judul terbaru dan menarik untuk di teliti lebih lanjut. Untuk trik dan strateginya agar judul dengan menggunakan metode ini di terima, kamu dapat mengganti kasus dengan yang ada di sekitarmu.

Untuk jasa pembuatan aplikasinya, kami membuka jasa pembuatan aplikasi dengan menggunakan metode Kmeans. Untuk info lebih lanjut dapat menghubungi kami, via whatsapp atau bbm atau sms dan juga telpon.

Postingan berikutnya

  1. contoh judul k means clustering
  2. judul skripsi k-means
  3. judul skripsi tentang data mining kmeans
  4. judul tesis tentang skincare metode k-means
  5. skripsi dengan metode kmeans
  6. skripsi menggunakan metode k-means

SPK Pemberian Bantuan Biaya Pendidikan dengan Metode Fuzzy Association Rule

Pemberian bantuan pendidikan adalah suatu program yang dilakukan oleh pemerintah. Hal ini juga sejalan seperti misalnya pemberian bantuan biaya kesehatan. Pada suatu kasus, sulitnya menentukan penerima bantuan yang dapat di berikan bantuan secara objektif membuat seorang pengambil keputusan harus membangun sebuah aplikasi yang dapat menjadi penunjang keputusan yang dapat di pertanggungjawabkan.

Contoh pemberian bantuan misalnya kartu indonesia pintar. Untuk penerima bantuan setidaknya harus memenuhi kriteria-kriteri yang memenuhi persyaratan yang dibutuhkan. Untuk pembahasan mengenai metode association rule sudah dibahas pada postingan sebelumnya:

  1. SPK Seleksi Judul Skripsi dengan Metode Association Rule
  2. 31+ Judul Skripsi dan Tesis dengan Metode Association Rule
  3. SPK dengan Metode International Association Rule

Dan untuk pengembangan kali ini adalah penggabungan dua metode yaitu metode fuzzy dan metode association rule.

Fuzzy Association Rule

Menu user

Menu user Fuzzy Association Rule

Menu user Fuzzy Association Rule

Menu ini digunakan untuk mengelola data user yang dapat menggunakan aplikasi. Untuk cakupan proses yang ada yaitu menambah, mengedit dan menghapus data user.

Menu kriteria

Menu kriteria  Fuzzy Association Rule

Menu kriteria Fuzzy Association Rule

Menu ini digunakan untuk mengatur kriteria yang berfungsi sebagai variabel untuk perhitungan metode fuzzy association rule. Untuk masing-masing kriteria terdapat subkriteria yang dapat digunakan untuk menilai. Subkriteria merupakan nilai intensitas untuk fuzzy atau variabel yang bersifat linguistik.

Menu alternatif

menu alternatif  Fuzzy Association Rule

menu alternatif Fuzzy Association Rule

Menu ini adalah menu yang digunakan untuk mengatur atau mengelola data alternatif. Alternatif adalah seseorang yang akan menjadi objek penilaian. Dalam kasus ini adalah seseorang yang akan diberikan bantuan.

Menu penilaian

Menu penilaian Fuzzy Association Rule

Menu penilaian Fuzzy Association Rule

Menu ini digunakan untuk mengelola data penilaian terhadap objek atau alternatif. Penilaian yang dilakukan mengacu pada kriteria atau pada variabel yang digunakan.

Menu hasil

Menu hasil Fuzzy Association Rule

Menu hasil Fuzzy Association Rule

Menu ini digunakan untuk melihat dari hasil seleksi pemberian bantuan. Pada menu ini user akan mengetahui siapa saja alternatif atau seseorang yang dapat diberikan atau tidak diberikan bantuan biaya pendidikan. Selain itu user juga dapat melihat detail dari perhitungannya.

Detail perhitungan

Menu perhitungan Fuzzy Association Rule

Menu perhitungan Fuzzy Association Rule

Pada menu ini user dapat melihat perhitungan. Perhitungan yang dilakukan yaitu perhitungan fuzzy kemudia perhitungan metode association rule. Dari kombinasi kedua metode tersebut user dapat melihat hasil dari keputusan untuk alternatif yang dilihat detail perhitungannya.

 

Demikian aplikasi fuzzy association rule yang dikembangkan menggunakan php mysql Untuk aplikasi lain Anda dapat menggunakan jasa sistemphp.com. Silahkan kontak kami untuk info lebih lanjut.

Cara Simpel Backup Database MYSQL dengan PHP

Cara Simpel Backup Database MYSQL dengan PHP

Cara Simpel Backup Database MYSQL dengan PHP

Untuk menjaga aplikasi yang sedang online di sebuah server penting sekali melakukan manajemen terhadap data yang tersimpan pada server tersebut. Jika cara manual biasanya kita melakukannya dengan masuk kedalam database server yang ada, atau melalui aplikasi database phpmyadmin.

Nah untuk kali ini kita akan membuat cara membackup database berserta tabel dan field-fieldnya dan juga termasuk data yang ada didalam databasenya. Caranya cukup mudah dan simpel. Yang terpenting adalah kamu harus tahu nama datatabase yang digunakan, username database dan passwordnya.

Cara Simpel Backup Database MYSQL dengan PHP

function backup_database($tables = ‘*’){

$server   = “localhost”; $username = “root” ; $password = “” ; $database = “spp“;
//koneksi database

$con = new mysqli($server,$username,$password,$database); if($con->connect_error){ die(“Koneksi gagal: “.$con->connect_error); }
$db = $con;
//mengambil semua tabel pada database

if($tables == ‘*’){        $tables = array();        $result = $db->query(“SHOW TABLES”);        while($row = $result->fetch_row()){            $tables[] = $row[0];        }    }else{        $tables = is_array($tables)?$tables:explode(‘,’,$tables);    }

//memecah semua tabel

foreach($tables as $table){        $result = $db->query(“SELECT * FROM $table”);        $numColumns = $result->field_count;
$return .= “DROP TABLE $table;”;
$result2 = $db->query(“SHOW CREATE TABLE $table”);        $row2 = $result2->fetch_row();
$return .= “\n\n”.$row2[1].”;\n\n”;
for($i = 0; $i < $numColumns; $i++){            while($row = $result->fetch_row()){                $return .= “INSERT INTO $table VALUES(“;                for($j=0; $j < $numColumns; $j++){                    $row[$j] = addslashes($row[$j]);                    $row[$j] = str_replace(“\n”,”\\n”,$row[$j]);                    if (isset($row[$j])) { $return .= ‘”‘.$row[$j].'”‘ ; } else { $return .= ‘””‘; }                    if ($j < ($numColumns-1)) { $return.= ‘,’; }                }                $return .= “);\n”;            }        }
$return .= “\n\n\n”;    }

//menyimpan file kedalam root aplikasi

$handle = fopen(‘db-backup-‘.time().’.sql’,’w+’);    fwrite($handle,$return);    fclose($handle);}

Script php diatas adalah berupa fungsi dengan nama backup_database. Untuk memanggilnya kamu tinggal panggil saja dimana script ini adakan kamu letakkan dengan cara menggunakan fungsi tersebut yaitu backup_database();

Yang perlu kamu atur yaitu script berwarna merah dan biru. Untuk yang berwarna biru merupakan database yang akan di backup. Pada kasus ini database yang akan saya backup yaitu database spp.

Nantinya database yang tersimpan akan secara otomatis terdownload didalam root aplikasi apda server yang kamu gunakan. Jadi untuk mengambilnya kamu hanya perlu masuk ke root aplikasi web yang ada.

DOWNLOAD