2. Rumusan Masalah 3. Tujuan Penelitian 4. Batasan Masalah

algoritma APIC. Algoritma APIC mengatasi ledakan kombinatorial aturan yang dihasilkan dalam proses apriori inverse dengan cara mengkombinasikan algoritma apriori inverse dengan algoritma transaction clustering. Selain alasan tersebut, alasan utama memilih pendekatan APIC Apriori Inverse with Clustering adalah berdasarkan riset dan data set nyata yang dilakukan terbukti bahwa APIC Apriori Inverse with Clustering mempunyai kemampuan untuk menghasilkan aturan dengan tingkat keakuratan yang teliti dan tepat Koh Pears, 2010.

I. 2. Rumusan Masalah

Rumusan masalah mendasar yang akan diselesaikan pada penelitian ini adalah : 1. Bagaimana membangun alat bantu penambangan data untuk menemukan atau mendeteksi aturan asosiasi langka dengan menggunakan algoritma APIC Apriori Inverse with Clustering? 2. Sejauh mana algoritma APIC Apriori Inverse with Clustering mampu menemukan aturan langka dalam kumpulan data yang tersimpan dalam media penyimpanan basis data?

I. 3. Tujuan Penelitian

Penelitian ini dilakukan dengan tujuan untuk: 1. Membangun alat bantu yang dapat digunakan untuk menemukan aturan langka rare rules dari kumpulan data yang dimasukkan kedalam sistem. 2. Mengetahui akurasi algoritma APIC Apriori Inverse with Clustering dalam mendeteksi aturan asosiasi langka.

I. 4. Batasan Masalah

Batasan masalah dipakai sebagai pembatas terhadap ruang lingkup scope dari penelitian ini, apa yang dikerjakan dan apa yang tidak bisa dikerjakan dalam melakukan penelitian ini. Batasan masalah dari penelitian ini adalah sebagai berikut : 1. Data yang digunakan didapat dari sumber http:www.archive.ics.uci.edumlmachine-learning-databases bukan berdasar data dari studi kasus tertentu. 2. Tidak sembarang format data dapat digunakan dalam penelitian ini, format data yang bisa diproses hanya data yang berformat excel file excel 97-2003 workbook dan data yang tersimpan dalam basis data. 3. Koneksi basis data yang digunakan dikhususkan untuk basis data MySql. 4. Sistem tidak menangani preproses data, data yang dimasukan dalam sistem merupakan data yang sudah mengalami preproses sebelumnya seperti pembersihan data data cleaning, konversi, dan lain-lain. 5. Penelitian dipusatkan untuk menghasilkan aturan asosiasi langka yang digunakan untuk mengetahui kejadian langka yang terjadi dalam kumpulan data, bukan sebuah prediksi atau sejenisnya. 6. Hasil akhir penelitian difokuskan pada aspek penambangan aturan asosiasi langka bukan aspek efektivitas dan kemudahan pengguna dalam menggunakan sistem.

I. 5. Luaran Penelitian