Anda di halaman 1dari 7

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) =



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.
.. (2)
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 Objek yang dikunjungi
0001 Kraton Yogyakarta, Gembiraloka, Pantai Parangtritis, Goa Cermai
0002 Kraton Yogyakarta
0003 Kraton Yogyakarta, Gembiraloka, Goa Cermai
0004 Kraton Yogyakarta, Pantai Parangtritis, Museum Benteng Vredenburg
0005 Kraton Yogyakarta, Museum Benteng Vredenburg
0006 Kraton Yogyakarta, Pantai Parangtritis, Museum Benteng Vredenburg
0007 Kraton Yogyakarta, Gembiraloka, Pantai Parangtritis, Museum
Benteng Vredenburg
0008 Kraton Yogyakarta, Gembiraloka, Pantai Parangtritis, Goa Cermai
0009 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
Kraton
Yogyakarta
Gembiraloka
Pantai
Parangtritis
Museum
Benteng
Vredenburg
Goa Cermai
0001 1 1 0 0 1
0002 1 0 0 0 0
0003 1 1 0 0 1
0004 1 0 1 1 0
0005 1 0 0 1 0
0006 1 0 1 1 0
0007 1 1 1 1 0
0008 1 1 1 0 1
0009 1 1 1 1 0
0010 1 0 1 1 0
Jumlah 10 5 6 6 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 Qty
Kraton Yogya Gembiraloka 5
Kraton Yogya Pantai Parangtritis 6
Kraton yogya Museum Benteng Vredenburg 6
Kraton Yogya Goa Cermai 3
Gembiraloka Pantai Parangtritis 3
Gembiraloka Museum Benteng Vredenburg 2
Gembiraloka Goa Cermai 3
Pantai Parangtritis Museum Benteng Vredenburg 5
Pantai Parangtritis Goa Cermai 1
Museum Benteng Vredenburg Goa Cermai 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 Qty
Kraton Yogya Gembiraloka 5
Kraton Yogya Pantai Parangtritis 6
Kraton yogya Museum Benteng Vredenburg 6
Kraton Yogya Goa Cermai 3
Gembiraloka Pantai Parangtritis 3
Gembiraloka Museum Benteng Vredenburg 2
Gembiraloka Goa Cermai 3
Pantai Parangtritis Museum Benteng Vredenburg 5
Pantai Parangtritis Goa Cermai 1
Museum Benteng Vredenburg Goa Cermai 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 Qty
Kraton Yogya Gembiraloka 5
Kraton Yogya Pantai Parangtritis 6
Kraton yogya Museum Benteng Vredenburg 6
Kraton Yogya Goa Cermai 3
Gembiraloka Pantai Parangtritis 3
Gembiraloka Goa Cermai 3
Pantai Parangtritis Museum Benteng Vredenburg 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
Parangtritis
3
Jika ke Kraton Jogja dan ke Gembiraloka, maka ke Museum
Benteng Vredenburg
2
Jika Ke Kraton Jogja dan ke Gembiraloka, maka ke Goa Cermai 3
Jika ke Gembiraloka dan ke Pantai Parangtritis maka ke Museum
Benteng Vredenburg
2
Jika ke Gembiraloka dan ke Pantai Parangtritis, maka ke Goa
Cermai
1
Jika ke Parangtritis dan ke Museum Benteng Vredenburg maka ke
Goa Cermai
0
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 Confidence
1 Jika ke Kraton Jogja dan Gembiraloka, maka ke Pantai
Parangtritis
3/5 60%
2 Jika ke Kraton Jogja dan Pantai Parangtritis, maka ke
Gembiraloka
3/6 50%
3 Jika ke Pantai Parangtritis dan Gembiraloka, maka ke 3/3 100%
Kraton Jogja
4 Jika ke Kraton Jogja dan Gembiraloka, maka ke Goa
Cermai
3/5 60%
5 Jika ke Kraton Jogja dan Goa Cermai, maka ke
Gembiraloka
3/3 100%
6 Jika ke Goa Cermai dan Gembiraloka, maka ke Kraton
Jogja
3/3 100%

Jumlah confidence dari pola kombinasi 2 itemsets yang memenuhi minimal support yaitu
terlihat dari tabel 2.7 :
Tabel 2.7. Seleksi Minimum Confidence
No Pola Kombinasi 2 Itemsets Confidence
1 Jika ke Kraton Yogya maka Gembiraloka
5/10 50%
2 Jika ke Gembiraloka maka ke Kraton Yogya
5/5 100%
3 Jika ke Kraton Yogya maka ke Pantai Parangtritis
6/10 60%
4 Jika ke Pantai Parangtritis maka ke Kraton Yogya
6/6 100%
5 Jika ke Kraton Yogya maka ke Museum Benteng
Vredenburg
6/10 60%
6 Jika ke Museum Benteng Vredenburg maka ke Kraton
Yogya
6/6 100%
7 Jika ke Kraton Yogya maka ke Goa Cermai
3/10 30%
8 Jika ke Goa Cermai maka ke Kraton Yogya
3/3 100%
9 Jika ke Gembiraloka maka ke Pantai Parangtritis
3/5 60%
10 Jika ke Pantai Parangtritis maka ke Gembiraloka
3/6 50%
11 Jika ke Gembiraloka maka ke Goa Cermai
3/5 60%
12 Jika ke Goa Cermai maka keGembiraloka
3/3 100%
13 Jika ke Pantai Parangtritis maka ke Museum Benteng
Vredenburg
5/5 100%
14 Jika ke Museum Benteng Vredenburg maka ke Pantai
Parangtritis
5/6 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
Jika ke Gembiraloka maka ke Kraton
Yogya
50% 100% 50,0%
2
Jika ke Kraton Yogya maka ke Pantai
Parangtritis
60% 60% 36,0%
3
Jika ke Pantai Parangtritis maka ke
Kraton Yogya
60% 100% 60,0%
4
Jika ke Kraton Yogya maka ke Museum
Benteng Vredenburg
60% 60% 36,0%
5
Jika ke Museum Benteng Vredenburg
maka ke Kraton Yogya
60% 100% 60,0%
6
Jika ke Goa Cermai maka ke Kraton
Yogya
30% 100% 30,0%
7
Jika ke Gembiraloka maka ke Pantai
Parangtritis
30% 60% 18,0%
8
Jika ke Gembiraloka maka ke Goa
Cermai
30% 60% 18,0%
9
Jika ke Goa Cermai maka
keGembiraloka
30% 100% 30%
10
Jika ke Pantai Parangtritis maka ke
Museum Benteng Vredenburg
50% 100% 50,0%
11
Jika ke Museum Benteng Vredenburg
maka ke Pantai Parangtritis
50% 83% 41,5%
13
Jika ke Kraton Jogja dan Gembiraloka,
maka ke Goa Cermai
50% 60% 30,0%
14
Jika ke Karton Jogja dan Gembiraloka
maka ke Goa Cermai
30% 60% 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.