Teknik data mining adalah suatu cara yang digunakan untuk menggali informasi lebih mendalam terhadap suatu data yang umumnya berjumlah besar. Salah satu metode dari beberapa teknik data mining yang dapat digunakan untuk mengolah data mahasiswa Teknik Informatika Universitas Trunojoyo Madura (TI-UTM) adalah Association Rule yang salah satu algoritmanya adalah Algoritma Apriori. Dengan metode dan algoritma ini dapat ditemukan hubungan kedekatan antar Mata Kuliah Prasyarat (MKP) dengan bidang minat yaitu dengan membangkitkan frequent itemset. Rule yang dibangun oleh antecedent dan consequent dari masing-masing k-itemset yang memenuhi minimum support maka akan dilanjutkan pada pembangkitan frequent itemset selanjutnya, hingga terakhir tidak ada lagi item yang memenuhi minimum support dan dapat dikombinasikan. Pada Penelitian ini digunakan skenario ujicoba 100 record data dan didapatkan support minimal sebesar 42%, support maksimal sebesar 62% dengan rule terbaik pada minsup 62% yaitu kombinasi Mata Kuliah Prasyarat (MKP) PTI dan bidang minat SISTER dengan confidence sebesar 87,37%. Support minimal dapat terbentuk apabila jumlah dari tiap-tiap item (atribut) lebih besar sama dengan minsup yang digunakan, support maksimal dapat terbentuk apabila dari minsup yang digunakan tidak lagi mengahasilkan output yaitu berupa rule. Sedangkan rule yang terbaik adalah rule yang mempunyai nilai support dan confidence yang paling tinggi dan rule tersebut mempunyai nilai kepercayaan yang dapat mewakili dari seluruh kombinasi item yang telah terbentuk. Semakin besar jumlah minsup dan mincof yang digunakan maka rule yang dihasilkan akan semakin sedikit, tetapi rule yang dihasilkan tersebut juga akan semakin kuat karena memiliki nilai kepercayaan yang tinggi.

Technique data mining is a way to dig deeper information commonly on a large amount of data. One method of several data mining techniques that can be used to process the student data Informatic Engineering Trunojoyo University (TI-UTM) is the Association Rule which one of algorithm is the Apriori algorithm. By using methods and algorithms could be found close relationship between Course Prerequisite (MKP) to the area of interest is to generate frequent itemset. Rule which was built by the antecedent and consequent of each k-itemset that satisfies the minimum support would be continued on the next generation of frequent itemset, to the last no longer an item that fulfill the minimum support and could be combined. This study used a scenario at trial 100 data records and obtained a minimum support of 42%, support a maximum of 62% with the best rule was a combination of 62% minsup Course Prerequisite (MKP) and areas of interest SISTER PTI with confidence of 87.37%. Minimal support could be formed if the number of individual items (attributes) greater equal to minsup is used, the maximum could be formed if support from minsup used no longer result of the output in the form of rule. Meanwhile, the best rule was the rule that had the support and confidence values were highest and the rule had a confidence value that could represent all combinations of items that have been formed. The greater the number of minsup and mincof used then the resulting rule would be less, but the resulting rule woudl also be more powerful because it had a high trust value.