The results of research on the value of exports in Indonesia can be concluded that the architectural model can make predictions with 100% accuracy with a short training time. In addition, by looking at the results of testing on architecture, it can be seen that both the speed and the prediction results, it can be concluded that the value of exports in Indonesia is increasingly declining. For future research, research should use a different algorithm or the Backpropagation algorithm can be optimized with other algorithms, such as conjugate gradient and so on, that is, the research was first carried out using the backpropagation algorithm, then after knowing the results, calculations were carried out with the algorithm. other. After that, a comparison is made between the results of backpropagation with the results of other algorithms. Images or graphs of each algorithm used, or a graphic image of the comparison of the previous data with the data that has been generated using the algorithm.

Elementary education serves as the foundational stage in efforts to improve the overall quality of education in Indonesia. Identifying regions with the lowest levels of elementary education is essential for effectively targeting initiatives to enhance education quality. The K-Means clustering algorithm is employed to group regions based on specific indicators, such as the number of students, dropout rates, classrooms, teaching staff, school principals, and others. The objective of this method is to identify regions with the lowest levels of elementary education by pinpointing clusters of areas that require the most support and development. K-Means clustering operates by dividing data into several clusters based on the similarity of feature patterns. This process facilitates the identification of regional groups with varying priorities for support and development. The clustering analysis results reveal that from 39 datasets related to elementary education across various regions in Indonesia, three clusters were formed. Cluster 0 consists of 34 data points, Cluster 1 contains only 1 data point, and Cluster 2 comprises 4 data points.

This research discusses the application of the K-Means Clustering algorithm to analyze the usage patterns of wartel services at the Salafiyah Syafi'iyah Sukorejo Islamic Boarding School. The purpose of this research is to group users into several clusters based on call duration, frequency of use, and total call cost. User data was analyzed using the stages in the SEMMA method (Sample, Explore, Modify, Model, Assess) to ensure systematic and structured data processing. The results showed that the K-Means algorithm was able to form three main clusters, namely users with low, medium, and high intensity. The majority of users belong to the low-intensity cluster with short average call duration and minimal expenditure, while the high-intensity cluster consists of users who make long calls with high costs. Further analysis shows that the highest usage time is at night (19.00-21.00). Based on these results, it is recommended that wartel managers optimize operating hours and provide promotional call packages according to the needs of each user cluster. In addition, diversification of services such as cheap internet access can also increase the attractiveness of wartel in the digital era. This research uses clustering methods to assist data-based strategic decision-making, as outlined by Han and supported by the application of SEMMA from SAS Institute (1998).

Penentuan tata letak barang yang optimal di sebuah toko memiliki peran penting dalam meningkatkan efisiensi operasional dan pengalaman pelanggan. Dalam penelitian ini, diusulkan penerapan algoritma FP-Growth untuk menganalisis pola asosiasi dari data transaksi penjualan guna mengoptimalkan tata letak barang. Algoritma FP-Growth dipilih karena kemampuannya dalam menemukan asosiasi frekuensi tinggi antar produk tanpa harus melalui tahap pencarian kandidat yang memerlukan waktu komputasi besar. Dengan menganalisis hubungan antar produk yang sering dibeli bersamaan, hasil penelitian ini memberikan rekomendasi penempatan produk yang strategis untuk memaksimalkan peluang pembelian dan meningkatkan kepuasan pelanggan. Studi kasus dilakukan pada data transaksi sebuah toko ritel yang diperoleh di situs penyedia dataset  Kaggle, dengan hasil menunjukkan peningkatan efisiensi dalam pengaturan tata letak barang serta potensi peningkatan penjualan. Implementasi FP-Growth terbukti efektif dalam mengurangi waktu analisis dan memberikan hasil yang akurat dalam menentukan hubungan antar produk. Penelitian ini diharapkan dapat menjadi acuan bagi pengelola toko ritel dalam mengoptimalkan tata letak barang secara lebih ilmiah dan data-driven.

Data mining membantu mengungkap informasi penting dari data besar untuk mendukung keputusan bisnis. Data mining dengan metode Apriori untuk memprediksi penjualan sembako memiliki tingkat akurasi  yang cukup dalam menyelesaikan masalah.. Metode Apriori digunakan untuk menemukan pola produk yang sering dibeli bersama dalam transaksi penjualan sembako di sebuah supermarket. Hasil analisis memberikan wawasan tentang kombinasi produk yang sering dibeli bersamaan, sehingga membantu perencanaan strategi penjualan yang lebih efektif. Apriori terbukti mampu mengidentifikasi aturan asosiasi yang signifikan dan berguna untuk memprediksi pola pembelian di masa depan dan meningkatkan penjualan.

Beberapa dekade terakhir, laptop menjadi kebutuhan dasar bagi masyarakat untuk berbagai aktivitas sehari-hari, mulai dari belajar, mengajar, bekerja, hingga berbelanja. Hal ini mendorong permintaan laptop meningkat. untuk menganalisis faktor-faktor yang memengaruhi harga laptop dengan menggunakan algoritma Decision Tree, memberikan informasi kepada calon pembeli dalam memilih laptop sesuai anggaran dan kriteria yang diinginkan, serta memberi wawasan kepada produsen terkait strategi penetapan harga. Metode yang digunakan adalah algoritma C4.5, salah satu metode Decision Tree yang memanfaatkan struktur pohon untuk klasifikasi, serta untuk data berukuran besar dengan banyak variabel, serta mampu menganalisis berbagai jenis data,. Hasil penelitian menunjukkan bahwa model pohon keputusan yang dihasilkan memiliki beberapa tingkat kedalaman, dengan variabel yang memengaruhi harga laptop seperti prosesor, tipe penyimpanan, dan RAM, di mana prosesor menjadi faktor yang paling berpengaruh Dengan gain sebesar 0,4983. Model ini mencapai akurasi sebesar 87.63%, Dengan mempertimbang segmen pasar, pengguna dan kualitas produk.
 

Data mining merupakan proses penting dalam mengungkap informasi tersembunyi dari data yang besar dan kompleks, khususnya dalam industri ritel untuk memahami perilaku konsumen. Penelitian bertujuan untuk mengidentifikasi pola pembelian sembako dan kebutuhan harian dengan menggunakan algoritma FP-Growth pada dataset sintetis. Algoritma FP-Growth dipilih karena kelebihannya dalam efisiensi dan kecepatan, terutama dalam menemukan frequent itemsets tanpa perlu melakukan pengulangan pada dataset. Hal ini membuat algoritma FP-Growth lebih unggul dibandingkan dengan algoritma lainnya, seperti Apriori, yang memerlukan banyak iterasi. Dataset sintetis yang digunakan mencerminkan transaksi pembelian di toko ritel untuk menguji kemampuan algoritma dalam menemukan pola pembelian yang relevan. Hasil menunjukkan bahwa algoritma FP-Growth dapat secara efektif mengidentifikasi kombinasi barang yang sering dibeli bersama, yang dapat dimanfaatkan oleh pelaku bisnis untuk menyusun strategi penjualan, seperti penawaran paket hemat. Implementasi algoritma ini diharapkan dapat membantu toko ritel dalam memahami kebutuhan konsumen dan meningkatkan strategi pemasaran

kanker merupakan salah satu faktor utama penyebab kematian. Kanker juga memiliki posisi kedua dengan angka kematian yang sangat tinggi. Dalam penelitian ini memprediksi kanker paru-paru dengan menggunakan data mining dengan metode decision tree. Metode decision tree memprediksi akurasi dengan tingkat akurasi 94.66% dari data yang ada menjadi potensi besar dalam prediksi penyakit kanker paru-paru.Oleh karena itu, data mining dengan metode decision tree sebagai solusi ke efektifan dalam memprediksi terkenanya kanker paru paru dan pecegahannya. Meode ini juga menjadi  upaya dalam penyelamatan nyawa dan perbaikan kualitas hidup bagi individu yang berisiko terkena penyakit kanker paru-paru