Implementasi FP-Growth Untuk Analisis Wilayah Strategis Madrasah Aliyah Miftahul Ulum Bengkak
DOI:
https://doi.org/10.35473/jamastika.v5i1.4629Abstract
Pemanfaatan data mining semakin penting bagi lembaga pendidikan dalam mendukung pengambilan keputusan berbasis data dengan mengidentifikasi pola hubungan antar data adalah algoritma FP-Growth. Studi ini bertujuan untuk menganalisis pola wilayah asal calon siswa Madrasah Aliyah Miftahul Ulum Bengkak untuk menentukan daerah strategis sebagai sasaran promosi. Penelitian menggunakan data pendaftaran beberapa tahun terakhir dengan tahapan pengumpulan data, pra-pemrosesan, dan penerapan algoritma FP-Growth melalui RapidMiner Studio. Hasil penelitian menunjukkan adanya aturan asosiasi dengan nilai support dan confidence tinggi pada wilayah Bengkak, Wongsorejo, Alasbuluh, Ketapang, dan Banyuwangi. Temuan tersebut menunjukkan bahwa wilayah tersebut memiliki keterkaitan kuat dalam pola pendaftaran siswa baru. Algoritma FP-Growth terbukti efektif untuk mengungkap pola tersembunyi pada data wilayah calon siswa dan dapat digunakan sebagai dasar penyusunan strategi promosi madrasah yang lebih tepat sasaran.
Kata kunci: FP-Growth, data mining, wilayah strategis, Association rules, RapidMiner.
The use of data mining has become a strategic need for educational institutions in supporting data-driven planning. Madrasah Aliyah Miftahul Ulum Bengkak requires an analysis of students’ origin areas to determine potential regions for promotional activities. This study aims to identify regional pattern associations using the FP-Growth algorithm, enabling the institution to recognize strategic areas that significantly contribute to new student enrollment. This research employs a descriptive quantitative approach using registration data from several academic years. Data gathering, data preprocessing, and applying the FP-Growth algorithm in RapidMiner Studio are all steps. The findings reveal association rules with high support and confidence values, particularly in Bengkak, Wongsorejo, Alasbuluh, Ketapang, and Banyuwangi. These regions demonstrate strong relationships in enrollment patterns and are therefore suitable as priority targets for promotion. This study concludes that the FP-Growth algorithm is effective in uncovering hidden patterns within students’ regional-origin data and provides a reliable foundation for formulating more targeted, efficient, and data-driven promotional strategies.
Keywords: FP-Growth, Data mining, Astrategic areas, Aassociation rules, RapidMiner.
References
Eka, M., Hayuni, S., Hasugian, B. S., Studi, P., Perangkat, R., Teknik, F., & Komputer, I. (2025). Implementasi Algoritma Fp-Growth pada Sistem Persediaan Obat-Obatan. 6(1), 204–220.
Firgiawan, W., & Nur, N. (n.d.). Perbandingan Kinerja Algoritma Apriori dan Frequent Pattern Growth dalam Menemukan Pola Asosiasi. 19(2).
Ghassani, F. Z., Jamaludin, A., Susilo, A., Irawan, Y., Informatika, T., Komputer, F. I., Karawang, U. S., & Mining, D. (2019). Market basket analysis menggunakan algoritma FP-Growth dalam menentukan cross-selling. 12, 49–54.
Hardiyanti, R., & Ernawati, T. (2023). Penerapan algoritma Frequent Pattern Growth pada pola pembelian konsumen (Studi kasus GIB Store Kota Cimahi). V(3), 9–15.
Kampus, P., Kasus, S., Stkip, D. I., & Padang, A. (2017). Analisa dan perbandingan metode algoritma Apriori dan FP-Growth untuk mencari pola daerah strategis. 1(1).
Mice, D., Studi, P., Informatika, T., Islam, U., Singingi, K., Kuantan, T., Jake, D., & Mice, D. (2022). Implementasi data mining dengan algoritma FP-Growth untuk mendukung strategi promosi pendidikan (Studi kasus Universitas Islam Kuantan Singingi). 5(2), 251–258.
Ngurah, I. G., Picessa, B., Mandala, K., Purnawan, I. K. A., Agus, I. M., & Suarjaya, D. (2025). Implementation of FP-Growth algorithms for promo package determination in a scooter motorcycle workshop business. 9(3), 756–764.
Ningrum, R., Aulia, N., Prabukusumo, M. A., & Hidayati, A. (2025). Implementation of association method using FP-Growth algorithm on sales transaction data at Koperasi Primer Pullahta Hankam Pusdatin Kemhan RI. 14(1), 231–244.
Pola, M., & Buku, P. (2025). Perpustakaan daerah TTU. 7(2), 408–421.
Pratama, A. N., Gunawan, C. E., & Muarie, M. S. (2025). Food and beverage menu package recommendation system using FP-Growth algorithm. 11(2), 570–583.
Qamal, M., Unimal, K., Indah, B., Pulo, B., Satu, M., Lhokseumawe, K., Studi, P., Informatika, T., Teknik, F., & Malikussaleh, U. (2025). Analisis perbandingan algoritma FP-Growth dan Apriori untuk menentukan pola kecelakaan lalu lintas. 4.
Pola, M., & Buku, P. (2025). PERPUSTAKAAN DAERAH TTU. 7(2), 408–421.
Pratama, A. N., Gunawan, C. E., & Muarie, M. S. (2025). Food and Beverage Menu Package Recommendation System Using Fp-Growth Algorithm 11(2), 570–583.
Qamal, M., Unimal, K., Indah, B., Pulo, B., Satu, M., Lhokseumawe, K., Studi, P., Informatika, T., Teknik, F., & Malikussaleh, U. (2025). ANALISIS PERBANDINGAN ALGORITMA FP – GROWTH DAN APRIORI UNTUK MENENTUKAN POLA KECELAKAAN LALU LINTAS DI. 4(1).
Septianto, Y., & Musodo, K. A. (2024). Data TRACER STUDY ANALYSIS IN HIGHER EDUCATION USING THE FP-GROWTH ALGORITHM. 4(12), 11966–11979.
Wijaya, G., Fitriyah, N. Q., & Arlisa, I. (2025). Optimasi Strategi Promosi Pendidikan Menggunakan Algoritma FP-Growth untuk Identifikasi Wilayah Strategis. 06(01), 12–17.
Wilda, R., Saripurna, D., & Sulaiman, O. K. (2025). Implementasi Algoritma Frequent Pattern Growth ( FP - Growth ) untuk Pola Penjualalan Tiket Travel pada PT Taxi Kita Bersama.
Yogasuwara, R., & Atika, L. (2022). Implementasi Algoritma Frequent Growth ( FP-Growth ) Menentukan Asosiasi Implementasi Algoritma Frequent Growth ( FP-Growth ) Menentukan Asosiasi Antar Produk. September. https://doi.org/10.30865/json.v4i1.4894
