ANALISA SELERA MASYARAKAT KOTA SURAKARTA DALAM MEMILIH RUMAH MAKAN DENGAN MENGGUNAKAN ALGORITMA CT-PRO
Abstract
Usaha rumah makan di kota Surakarta hingga saat ini masih diyakini sebagai usaha yang memiliki prospek bagus. Hal ini dapat dilihat dari data Dinas Kebudayaan dan Pariwisata (Disbudpar) Kota Solo yang menjelaskan bahwa jumlah restoran dan rumah makan naik masing-masing 10,53% dan 2,92%. Selain memiliki prospek yang bagus, jumlah rumah makan yang semakin bertambah menyebabkan persaingan bisnis ini semakin ketat.
Penelitian ini akan memberikan informasi kepada para pengusaha rumah makan mengenai pola selera masyarakat Surakarta dalam memilih rumah makan dengan menggunakan algoritma CT-PRO agar para pengusaha rumah makan dapat bersaing sehingga pengusaha rumah makan tidak mengalami gulung tikar. CT-PRO merupakan algoritma yang dimodifikasi dari algoritma FP-Growth dimana modifikasi yang dilakukan adalah pada struktur data yang digunakan. Penelitian ini melakukan pengujian data survei 1000 orang dengan menentukan minimal support 5% dan minimal confidence 40%.
Hasil dari pengujian tersebut dapat diketahui pola masyarakat kota Surakarta dalam memilih rumah makan seperti masyarakat Surakarta yang memiliki pekerjaan mahasiswa yang berumur rata-rata 17-23 tahun menginginkan konsep rumah makan berupa gazebo dengan bentuk pelayanan seperti masakan padang atau mengambil makanan dan langsung bayar. Adapun jenis masakan yang diinginkan adalah masakan olahan umum (ayam, tempe penyet) atau berupa masakan internasional dengan rasa dominan pedas serta rumah makan dilengkapi dengan fasilitas wifi. Mahasiswa menginginkan harga untuk rumah makan skala kecil berkisar antara Rp 5000 – Rp 10000 atau Rp 16000 – Rp 20000 atau harga di rumah makan skala menengah berkisar antara Rp 20000-Rp 25000 atau Rp 26000 – Rp 30000. Sedangkan masyarakat Surakarta yang berumur 31-35 tahun memilih jenis masakan berupa masakan khas solo.
References
Witten, I. H and Frank, E. 2005. Data mining : Practical Machine Learning Tools and Techniques Second Edition. Morgan Kauffman : San Francisco.
Han, J and Kamber, M. 2006. Data Mining Concepts and Techniques Second Edition. San Francisco : Morgan Kauffman.
Pramudiono, I. 2003. Pengantar Data Mining: Menambang Permata Pengetahuan di Gunung Data. Kuliah Umum Ilmu Komputer.com, Ilmu Komputer.com.
Ruldeviyani, Y. dan Fahrian, M. 2008. Implementasi Algoritma-Algoritma Association Rules Sebagai Bagian Dari Pengembangan Data Mining Algorithms Collection. Konferensi Nasional Sistem dan Informatika.
Davies, P. B. 2004. Database Systems Third Edition. Palgrave Macmillan : New York.
Sucahyo, Y. G. and Gopalan, R.P. 2004. CT-PRO: A Bottom-Up Non Recursive Frequent Itemset Mining Algorithm Using Compressed FP-Tree Data Structure. Department of Computing, Curtin University of Technology.
Dhivya, A.B and Kalpana, B. 2010. A Study on the Performance of CT-APRIORI and CT-PRO Algorithms using Compressed Structures for Pattern Mining. Journal of Global Research in Computer Science. Volume 1, No. 2 .
Gupta, B. and Garg D., 2011. FP-Tree Based Algorithms Analysis: FP-Growth, COFI-Tree and CT-PRO. International Journal on Computer Science and Engineering (IJCSE). Volume 3.
Zaitun, Khotimah, B. K., dan Irhamni, F., 2013. Analisa Cross Market Basket dalam menentukan pola kedekatan konsumen dengan menggunakan algoritma CT-Pro. Tugas Akhir & Skripsi Program Studi Teknik Informatika, Universitas Trunojoyo.