Association rule Association rule adalah salah satu teknik utama atau prosedur dalam Market Basket Analysis

untuk mencari hubungan antat item dalam suatu data set dan menampilkan dalam bentuk association rule (Budhi dkk,2007). Association rule (aturan asosiatif) akan menemukan pola tertentu yang mengasosiasikan data yang satu dengan data yang lain. Untuk mencari association rule dari suatu kumpulan data, tahap pertama yang harus dilakukan adalah mencari frequent itemset terlebih dahulu. Frequent itemset adalah sekumpulan item yang sering muncul secara bersamaan. Setelah semua pola frequent itemset ditemukan, barulah mencari aturan asosiatif atau aturan keterkaitan yang memenuhi syarat yang telah ditentukan. Jika diasumsikan bahwa barang yang dijual di swalayan adalah semesta, maka setiap barang akan memiliki bolean variabel yang akan menunjukkan keberadaannya atau tidak barang tersebut dalam satu transaksi atau satu keranjang belanja. Pola bolean yang didapat dugunakan untuk menganalisa barang yang sering dibeli secara bersamaan. Pola tersebut dapat dirumuskan dalam sebuah association rule. Sebagai contoh konsumen biasanya akan membeli kopi dan susu yang ditunjukkan sebagai berikut : Kopi susu [support =2%, confidence=60%] Association rule diperlukan suatu variable ukuran yang ditentukan sendiri oleh user untuk menentukan batasan sejauh mana atau sebanyak apa output yang diinginkan user. Support dan confidence adalah sebuah ukuran kepercayaan dan kegunaan suatu pola yang telah ditemukan. Nilai support 2% menunjukkan bahwa keseluruhan dari total transaksi konsumen membeli kopi dan susu secara bersamaan yaitu sebanyak 2%. Sedangkan confidence 60% yaitu menunjukkan bila konsumen membeli kopi dan pasti membeli susu sebesar 60%. Penelitian ini akan menganalisis frekuensi wisatawan yang datang ke setiap objek wisata di Propinsi Yogyakarta. Hasil asosiasi dari penelitian ini dapat digunakan oleh para pemilik tour and travel dalam membuat paket perjalanan wisata. Pengetahuan mengenai pola kebiasaan wisatawan dalam berwisata bila dimanfaatkan dengan baik akan dapat menaikkan laba bisnisnya dengan membuat paket dengan objek wisata yang sering dikunjungi wisatawan. Namun dapat juga dengan membuat paket wisata yang berisi kombinasi antara objek yang sering dikunjungi dan yang jarang dikunjungi. Jumlah support dan confidence didapatkan dari data perjalanan wisata yang telah dilakukan tour and travel dalam jangka waktu tertentu.

Algoritma Apriori Algoritma Apriori adalah salah satu algoritma yang melakukan pencarian frequent itemset dengan menggunakan teknik association rule (Erwin, 2009). Algoritma Apriori menggunakan pengetahuan frekuensi atribut yang telah diketahui sebelumnya untuk memproses informasi selanjutnya. Pada algoritma Apriori menentukan kandidat yang mungkin muncul dengan cara memperhatikan minimum support dan minimum confidence. Support adalah nilai pengunjung atau persentase kombinasi sebuah item dalam database. Rumus support adalah sebagai berikut : Support (A) = (jumlah transaksi mengandung A / Total transaksi) x 100% . (1)

Sedangkan confidence adalah nilai kepastian yaitu kuatnya hubungan antar item dalam sebuah Apriori. Confidence dapat dicari setelah pola frekuensi munculnya sebuah item ditemukan. Rumus untuk menghitung confidence adalah sebagai berikut : Contoh misalnya ditemukan aturan AB maka: Confidence P(B|A) =
.. (2)

Proses utama yang dilakukan dalam algoritma Apriori untuk mendapat frequent itemset yaitu (Erwin, 2009) : 1. Join (penggabungan) Proses ini dilakukan dengan cara pengkombinasian item dengan item yang lainnya hingga tidak dapat terbentuk kombinasi lagi. 2. Prune (pemangkasan) Proses pemangkasan yaitu hasil dari item yang telah dikombinasikan kemudian dipangkas dengan menggunakan minimum support yang telah ditentukan oleh user. Prinsip dari Algoritma Apriori antara lain : 1) Mengumpulkan item yang tunggal kemudian mencari item yang terbesar. 2) Dapatkan candidate pairs kemudian hitung large pairs dari masing-masing item.

3) Temukan candidate triplets dari setiap item dan seterusnya. 4) Setiap subset dari sebuah frequent itemset harus menjadi frequent.

Tahapan Perhitungan Algoritma Apriori 1. Tahapan pertama dalam perhitungan Algoritma Apriori untuk menemukan association rules yaitu menuliskan data transaksi yang terjadi dalam periode tertentu. Data transaksi yang dimisalkan yaitu seperti dalam tabel berikut :

Tabel 4.1 Daftar kunjungan wisata

Transaksi 0001 0002 0003 0004 0005 0006 0007

Objek yang dikunjungi Kraton Yogyakarta, Gembiraloka, Pantai Parangtritis, Goa Cermai Kraton Yogyakarta Kraton Yogyakarta, Gembiraloka, Goa Cermai Kraton Yogyakarta, Pantai Parangtritis, Museum Benteng Vredenburg Kraton Yogyakarta, Museum Benteng Vredenburg Kraton Yogyakarta, Pantai Parangtritis, Museum Benteng Vredenburg Kraton Yogyakarta, Gembiraloka, Pantai Parangtritis, Museum Benteng Vredenburg

0008 0009

Kraton Yogyakarta, Gembiraloka, Pantai Parangtritis, Goa Cermai Kraton Yogyakarta, Gembiraloka, Pantai Parangtritis, Museum Benteng Vredenburg

0010

Kraton Yogyakarta, Pantai Parangtritis, Museum Benteng Vredenburg

2. Tahapan berikutnya adalah membuat tabel tabular untuk melakukan perhitungan jumlah kunjungan di masing-masing objek wisata. Tabular ini dapat dilihat pada Tabel 2.1.
Tabel 2.1. Tabulasi Kunjungan Wisata

ID Transaksi 0001 0002 0003 0004 0005 0006 0007

Kraton Yogyakarta 1 1 1 1 1 1 1

Gembiraloka 1 0 1 0 0 0 1

Pantai Parangtritis 0 0 0 1 0 1 1

Museum Benteng Vredenburg 0 0 0 1 1 1 1

Goa Cermai 1 0 1 0 0 0 0

0008 0009 0010 Jumlah

1 1 1 10

1 1 0 5

1 1 1 6

0 1 1 6

1 0 0 3

3. Langkah berikutnya adalah membuat kombinasi 2 itemsets pada setiap objek wisata dan frekuensi masing-masing kombinasi dihitung sesuai dengan data tabular pada tabel. Pola kombinasi yang didapatkan dapat dilihat pada tabel 2.2 :
Tabel 2.2. Pola Kombinasi 2 Itemsets

Pola Kombinasi 2 Itemsets Kraton Yogya Gembiraloka Kraton Yogya Pantai Parangtritis Kraton yogya Museum Benteng Vredenburg Kraton Yogya Goa Cermai Gembiraloka Pantai Parangtritis Gembiraloka Museum Benteng Vredenburg Gembiraloka Goa Cermai Pantai Parangtritis Museum Benteng Vredenburg Pantai Parangtritis Goa Cermai Museum Benteng Vredenburg Goa Cermai

Qty 5 6 6 3 3 2 3 5 1 0

4. Setelah frekuensi masing-masing itemsets ditemukan, langkah selanjutnya menyeleksi frekuensi yang lebih besar atau sama dengan batas minimal yang telah ditentukan. Misalnya ditentukan batas minimal support 3.
Tabel 2.3. Seleksi Kombinasi Itemsets

Pola Kombinasi 2 Itemsets Kraton Yogya Gembiraloka Kraton Yogya Pantai Parangtritis Kraton yogya Museum Benteng Vredenburg Kraton Yogya Goa Cermai Gembiraloka Pantai Parangtritis Gembiraloka Museum Benteng Vredenburg Gembiraloka Goa Cermai Pantai Parangtritis Museum Benteng Vredenburg Pantai Parangtritis Goa Cermai Museum Benteng Vredenburg Goa Cermai

Qty 5 6 6 3 3 2 3 5 1 0

5. Tahapan selanjutnya adalah menganalisa tabel 2.3, terdapat beberapa baris yang diberi arsir, garis tersebut adalah itemsets yang tidak memenuhi batas minimum dari jumlah frekwensi

yang telah ditentukan. Langkah berikutnya adalah dengan membuat 3 itemset yang sesuai dengan susunan kombinasi yang baru atau dapat dilihat dalam tabel 2.4 :
Tabel 2.4. Calon 3 Itemsets

Pola Kombinasi 2 Itemsets Kraton Yogya Gembiraloka Kraton Yogya Pantai Parangtritis Kraton yogya Museum Benteng Vredenburg Kraton Yogya Goa Cermai Gembiraloka Pantai Parangtritis Gembiraloka Goa Cermai Pantai Parangtritis Museum Benteng Vredenburg

Qty 5 6 6 3 3 3 5

6. Tabel kombinasi 2 itemsets pada table 2.4 adalah kombinasi yang memenuhi batas minimal support. Berdasarkan tabel diatas maka tahap selanjutnya adalah membuat kombinasi 3 itemsets seperti terlihat pada tabel 2.5 berikut :
Tabel 2.5. Kombinasi 3 Itemsets

Pola Kombinasi 3 Itemsets Qty Jika ke Kraton Jogja dan ke Gembiraloka, maka ke Pantai 3 Parangtritis Jika ke Kraton Jogja dan ke Gembiraloka, maka ke Museum 2 Benteng Vredenburg Jika Ke Kraton Jogja dan ke Gembiraloka, maka ke Goa Cermai 3 Jika ke Gembiraloka dan ke Pantai Parangtritis maka ke Museum 2 Benteng Vredenburg Jika ke Gembiraloka dan ke Pantai Parangtritis, maka ke Goa 1 Cermai Jika ke Parangtritis dan ke Museum Benteng Vredenburg maka ke 0 Goa Cermai 7. Kombinasi 3 itemset yang memenuhi adalah kombinasi Kraton Jogja-Gembiraloka-Pantai Parangtritis dan kombinasi Kraton Jogja-Gembiraloka-Goa Vredenburg karena kombinasi tersebut memenuhi syarat support 3. Berdasarkan tabel 2.5 maka persentase confidence yang terbentuk adalah :
Tabel 2.6. Persentase Confidence 3 itemsets

No Aturan 1 Jika ke Kraton Jogja dan Gembiraloka, maka ke Pantai Parangtritis 2 Jika ke Kraton Jogja dan Pantai Parangtritis, maka ke Gembiraloka 3 Jika ke Pantai Parangtritis dan Gembiraloka, maka ke

Confidence 3/5 3/6 3/3 60% 50% 100%

4 5 6

Kraton Jogja Jika ke Kraton Jogja dan Gembiraloka, maka ke Goa Cermai Jika ke Kraton Jogja dan Goa Cermai, maka ke Gembiraloka Jika ke Goa Cermai dan Gembiraloka, maka ke Kraton Jogja

3/5 3/3 3/3

60% 100% 100%

Jumlah confidence dari pola kombinasi 2 itemsets yang memenuhi minimal support yaitu terlihat dari tabel 2.7 :
Tabel 2.7. Seleksi Minimum Confidence

No 1 2 3 4 5 6 7 8 9 10 11 12 13 14

Pola Kombinasi 2 Itemsets Jika ke Kraton Yogya maka Gembiraloka Jika ke Gembiraloka maka ke Kraton Yogya Jika ke Kraton Yogya maka ke Pantai Parangtritis Jika ke Pantai Parangtritis maka ke Kraton Yogya Jika ke Kraton Yogya maka ke Museum Benteng Vredenburg Jika ke Museum Benteng Vredenburg maka ke Kraton Yogya Jika ke Kraton Yogya maka ke Goa Cermai Jika ke Goa Cermai maka ke Kraton Yogya Jika ke Gembiraloka maka ke Pantai Parangtritis Jika ke Pantai Parangtritis maka ke Gembiraloka Jika ke Gembiraloka maka ke Goa Cermai Jika ke Goa Cermai maka keGembiraloka Jika ke Pantai Parangtritis maka ke Museum Benteng Vredenburg Jika ke Museum Benteng Vredenburg maka ke Pantai Parangtritis

Confidence 5/10 50% 5/5 100% 6/10 60% 6/6 100% 6/10 6/6 3/10 3/3 3/5 3/6 3/5 3/3 5/5 5/6 60% 100% 30% 100% 60% 50% 60% 100% 100% 83%

8. Misalkan ditetapkan nilai confidence

minimal adalah 60% maka terlebih dahulu kita

menyeleksi jumlah minimal confidence. Dari tabel diatas maka dapat dihitung aturan asosiasi finalnya, yaitu Support Confidence seperti pada tabel 2.8 :

Tabel 2.8. Final Association Rule

No

Aturan

Supp

Conf

Support Confidence

1 2 3 4 5 6 7 8 9 10 11 13 14

Jika ke Gembiraloka maka ke Kraton Yogya Jika ke Kraton Yogya maka ke Pantai Parangtritis Jika ke Pantai Parangtritis maka ke Kraton Yogya Jika ke Kraton Yogya maka ke Museum Benteng Vredenburg Jika ke Museum Benteng Vredenburg maka ke Kraton Yogya Jika ke Goa Cermai maka ke Kraton Yogya Jika ke Gembiraloka maka ke Pantai Parangtritis Jika ke Gembiraloka maka ke Goa Cermai Jika ke Goa Cermai maka keGembiraloka Jika ke Pantai Parangtritis maka ke Museum Benteng Vredenburg Jika ke Museum Benteng Vredenburg maka ke Pantai Parangtritis Jika ke Kraton Jogja dan Gembiraloka, maka ke Goa Cermai Jika ke Karton Jogja dan Gembiraloka maka ke Goa Cermai

50% 60% 60% 60% 60% 30% 30% 30% 30% 50% 50% 50% 30%

100% 60% 100% 60% 100% 100% 60% 60% 100% 100% 83% 60% 60%

50,0% 36,0% 60,0% 36,0% 60,0% 30,0% 18,0% 18,0% 30% 50,0% 41,5% 30,0% 18%

Tabel final association rule menjelaskan tentang support dan confidence dari masing-masing kombinasi 2 itemsets dan 3 itemsets. Hasil perhitungan support pada table final association rule didapatkan dari jumlah kunjungan dengan kombinasi objek A dan B dibagi dengan total kunjungan ke objek A. Sedangkan confidence didapatkan dari jumlah kunjungan kombinasi A dan B dibagi dengan total transaksi yang ada. Hasil perkalian support dan confidence itulah yang menjadi hasil akhir dari algoritma apriori.