IMPLEMENTASI SUPERVISED EMERGING PATTERNS PADA SEBUAH ATTRIBUT: (STUDI KASUS ANGGARAN PENDAPATAN BELANJA DAERAH (APBD) PERUBAHAN PADA PEMERINTAH DKI JAKARTA)

Suaidah Suaidah, Harco Leslie Hendric Spits Warnars, Damayanti Damayanti

Abstract


Instansi Pemerintah DKI Jakarta mempunyai data Anggaran Pendapatan Belanja Daerah (APBD) yang begitu besar yaitu 16.364 record, sehingga membutuhkan alokasi penyimpanan yang besar dan sulit mengolah data-data yang digunakan oleh manajemen Instansi Pemerintah DKI Jakarta dalam pengambilan keputusan. Data Anggaran Pendapatan Belanja Daerah (APBD) akan digunakan untuk pengolahan data mining yang bertujuan untuk membantu penentuan pola (patterns) dari attribute apa saja yang akan menjadi nilai tertinggi untuk menentukan perubahan Anggaran Pendapatan Belanja Daerah (APBD). Aplikasi Data Mining dengan metode Supervised Emerging Patterns akan digunakan sebagai solusi untuk mengelola data-data yang besar tersebut, sehingga memudahkan pembuatan laporan pola (patterns) dan menghasilkan informasi dan laporan pola (patterns) yang cepat. Metode pengembangan sistem menggunakan CRISP-DM. Perancangan aplikasi Data Mining Supervised Emerging Patterns menggunakan bahasa pemprograman Java, tools NetBeans dan database Mysql yang digunakan untuk membangun sebuah teknologi Supervised Emerging Patterns pada sebuah Attribut untuk pengambilan keputusan, mempermudah user untuk menentukan pola (patterns) dari attribute apa saja yang ada pada Anggaran Pendapatan Belanja Daerah (APBD) dan mempermudah pengolahan jumlah data yang besar, khususnya data Anggaran Pendapatan Belanja Daerah (APBD) Perubahan.

Full Text:

PDF

References


Daniel T. Larose. 2005, Discovering Knowledge In Data : An Introduction To Data Mining”.America.

Dong, G., & Li, J. (1999). Efficient mining of emerging patterns: discovering trends and differences. Proceedings of the Fifth ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 43–52). San Diego, CA: ACM Press.

Dong, G., Zhang, X., Wong, L., & Li, J. (1999). Classification by aggregating emerging patterns. Proceedings ofthe Second International Conference on Discovery Science (pp. 30–42). Tokyo, Japan: Springer-Verlag.

Dong, G., dan Jinyan Li. 1999, Mining border descriptions of emerging patterns from dataset pairs”. USA, Singapore. Knowledge and Information Systems (2005) 8: 178–202.

John Wiley dan Sons, Ltd. 2014, A Practical Guide to Data Mining for Business and Industry”. Germany. Li, J ., Dong, G., & R amamohanarao, K . (2001). Making Use of the Most Expressive Jumping Emerging Patterns for Classification.Knowledge and Information Systems, 3 (2), 131-145.

Spits, Warnars. 2014, Mining Frequent Pattern with Attribute Oriented Induction High Level Emerging Pattern (AOI-HEP). 20142nd International Conference on Information and Communication Technology (ICoICT). Jurnal Vol. 978-1- 4799-3580-2/14/$31.00 © 2014 IEEE.

Spits Warnars, (2014), “Mining Frequent and Similar Patterns with Attribute Oriented Induction High Level Emerging Pattern (AOI-HEP) Data Mining Technique”, International Journal of Emerging Technologies in Computational and Applied Sciences (IJETCAS), vol. 3, Issue 11, pp.266-276.

Tubagus M. Akhriza, Yinghua MA dan Jianhua LI. 2015, A Novel Fibonacci Windows Model for Finding Emerging Patterns over Online Data Stream. 2015 International Conference on Cyber Security of Smart cities, Industrial Control System and Communications (SSIC). Jurnal Vol. 978-1- 4673-7977-9/15/$31.00 © 2015 IEEE.


Refbacks

  • There are currently no refbacks.


==============================================================================================================

Prosiding SEMNASTEK Fakultas Teknik
Universitas Muhammadiyah Jakarta
Jl. Cempaka Putih Tengah 27
Jakarta Pusat 10510
T. 021.4256024, 4244016 / F. 021.4256023

ISSN : 2407 – 1846
e-ISSN : 2460 – 8416

==============================================================================================================

Powered by Puskom-UMJ