Analisis Asosiasi

:: Algoritma Apriori

ANALISIS ASOSIASI

Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan assosiatif antara suatu kombinasi item sering disebut dengan market basket analysis Contoh dari aturan assosiatif adalah analisa pembelian di suatu pasar swalayan yaitu dapat diketahuinya berapa besar kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan pengetahuan tersebut pemilik pasar swalayan dapat mengatur penempatan barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon untuk kombinasi barang tertentu.

Evaluasi Aturan Asosiatif

Validitas suatu aturan assosiatif dapat diketahui dengan dua parameter: support (nilai penunjang) yaitu persentase kombinasi item tersebut dalam database confidence (nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan assosiatif

BENTUK ATURAN ASOSIASI

{roti, mentega} -> {susu} support = 40%, confidence = 50% Yang artinya :

"50% dari transaksi di database yang memuat item roti dan mentega juga memuat item susu. Sedangkan 40% dari seluruh transaksi yang ada di database memuat ketiga item itu. "Seorang konsumen yang membeli roti dan mentega punya kemungkinan 50% untuk juga membeli susu. Aturan ini cukup signifikan karena mewakili 40% dari catatan transaksi selama ini."

DEFINISI ANALISIS ASOSIASI

suatu proses untuk menemukan semua aturan assosiatif yang memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk confidence (minimum confidence).

METODOLOGI DASAR ANALISIS ASOSIASI

Analisa pola frekuensi tinggi Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database Pembentukan aturan assosiatif Pada tahap ini dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif A B

PENGHITUNGAN SUPPORT & CONFIDENCE

LANGKAH-LANGKAH ALGORITMA APRIORI

Tentukan thershold, yaitu jumlah minimal item atau itemset (sekumpulan item) muncul dalam semua transaksi Secara iteratif (berulang) tentukan: Semua itemset yang mungkin, yakni itemset yang memenuhi threshold, dimulai dari itemset yang berisi satu item dan seterusnya

Untuk setiap itemset hitung jumlah kemunculannya dalam seluruh transaksi lalu eliminasi itemset yang kemunculannya dibawah threshold

Lakukan langkah kedua (iterasi) sampai tidak satupun itemset yang memenuhi threshold

CONTOH TRANSAKSI

Langkah Pertama
Pisahkan semua item yang dibeli, kemudian hitung jumlah banyaknya pembelian tiap item

Langkah Kedua

Tentukan threshold, misal untuk transaksi diatas kita tentukan threshold > 3, kita akan mendapatkan frequent itemset pertama (untuk k=1 atau F1) adalah

Untuk k = 2 (F2), diperlukan tabel tiap-tiap pasang item, kombinasi yang mungkin adalah

Tabel yang diperoleh (1)

Tabel yang Diperoleh (2)

Tabel yang Diperoleh (3)

LANGKAH KETIGA

Dari tabel untuk k=2 (F3), didapatkan kombinasi transaksi yang memenuhi threshold > 3 yakni :

Untuk k = 3 (F3), diperlukan tabel tiap-tiap pasang item, kombinasi yang mungkin adalah :

Langkah Ketiga

Dari tabel-tabel di atas, didapat F3 = { }, karena tidak ada >= 3 sehingga F4, F5, F6 dan F7 juga merupakan himpunan kosong.

Aturan Asosiasi yang Didapat

LATIHAN

UNTUK K=1 (F1)

UNTUK K=2 (F2)

UNTUK K=3 (F3)

ATURAN ASOSIASI YANG DIHASILKAN

ATURAN ASOSIASI YANG DIHASILKAN (TAMBAHAN)