MAKALAH DATA MINING

APLIKASI UNTUK MENELITI ASOSIASI PEMBELIAN ITEM BARANG DI

SUPERMARKET DENGAN METODE APRIORI

KELAS F
Ian Maulana Zaky

115060800111037

Arta Dian Wicaksana

115060807111059

Wiely Yazid Pradana

115060807111149

PROGRAM STUDI INFORMATIKA/ILMU KOMPUTER

PROGRAM TEKNOLOGI INFORMASI DAN ILMU KOMPUTER
UNIVERSITAS BRAWIJAYA
GANJIL 2014

DAFTAR ISI

DAFTAR ISI ....................................................................................................................................... i

1

BAB I ......................................................................................................................................... 1

PENDAHULUAN ..................................................................................................................... 1
1.1

Latar Belakang Masalah..................................................................................................... 1

1.2

Maksud dan Tujuan ............................................................................................................ 1

1.3

Batasan Masalah ................................................................................................................ 1

1.4

Rumusan Masalah .............................................................................................................. 1

BAB II ................................................................................................................................................ 2
TINJAUAN PUSTAKA ................................................................... Error! Bookmark not defined.
2.1

Data Mining ....................................................................................................................... 2

2.2

Assocoation Rule dan Algoritma Apriori .......................................................................... 2

BAB III .............................................................................................................................................. 4

PEMBAHASAN ................................................................................................................................ 4
DAFTAR PUSTAKA ........................................................................................................................ 8

1 BAB I
PENDAHULUAN

1.1 Latar Belakang Masalah

Pada umumnya perusahaan mengumpulkan informasi melalui sistem database
yang berguna untuk menampung data transaksi, kemudian nantinya data tersebut
diolah sehingga dapat diketahui tingkat dan volume suatu penjualan, pembelian pada
suatu waktu tertentu dan sebagainya, sehingga seorang manajer perusahaan dapat
mengatur strategi pemasaran bagi perusahaannya.
Terkadang hasil dari pengolahan data dengan cara sederhana (query) tidak
mendapatkan hasil yang efektif karena demikian besarnya volume data yang diolah
dan kesulitan untuk melihat asosiasi antara penjualan barang yang satu dengan yang
lain. Dengan demikian perlu adanya suatu sistem yang dapat mendukung manajer
dalam mengambil keputusan, secara cepat dan juga tepat, oleh karena itu diperlukan
suatu sistem pengolahan database dengan aplikasi data mining dengan metode market
basket analysis.
1.2 Maksud dan Tujuan
Maksud dan tujuan dari aplikasi ini adalah untuk menghasilkan sebuah
aplikasi yang bisa meneliti asosiasi pembelian item barang disupermarket.
1.3 Batasan Masalah
Batasan masalah yang digunakan untuk membuat aplikasi ini adalah sebagai
berikut :
1.3.1. Membatasi pembuatan aplikasi hanya menggunakan metode apriori.
1.3.2. Penelitian asosiasi hanya untuk pembelian item barang disupermarket.
1.4 Rumusan Masalah
Bagaimana merancang aplikasi program penelitian asosiasi pembelian item
barang disupermarket dengan menggunakan metode apriori.
1

BAB II
DASAR TEORI

2.1 Data Mining

Istilah data mining sudah berkembang jauh dalam mengadaptasi setiap bentuk
analisa data. Pada dasarnya data mining berhubungan dengan analisa data dan
penggunaan teknik-teknik perangkat lunak untuk mencari pola dan keteraturan dalam
himpunan data yang sifatnya tersembunyi.
Data mining diartikan sebagai suatu proses ekstraksi informasi berguna dan
potensial dari sekumpulan data yang terdapat secara implisit dalamsuatu basis data.
Peran data mining ada dua yaitu prediction methods dan description methods.
Prediction methods menggunakan beberapa variabel untuk memprediksi nilai yang
tidak diketahui atau nilai di masa mendatang dari variabel lain, sedangkan description
methods menemukan bentuk yang mampu diartikan manusia (human-interpretable
patterns) yang dapat menjelaskan data tertentu.
2.2 Assocoation Rule dan Algoritma Apriori
Seperti yang telah disebutkan sebelunya, association rule mining mencari dan
menemukan hubungan antar item yang ada pada suatu dataset. Program data mining
dengan association rule bertujuan menemukan informasi item-item yang saling
berhubungan dalam bentuk rule paling tepat diterapkan pada market basket analysis.
Berikut adalah penjelasan lebih mendalam mengenai assocoation rule.
Jika diasumsikan bahwa semesta sebagai suatu kumpulan item yang tersedia
di toko, maka setiap item memiliki booleanvariable yang merepresentasikan
keberadaan atau ketidakberadaan dari item tersebut. Setiap transaksi kemudian dapat
direpresentasikan oleh suatu nilai boolean yang diberikan pada setiap vaariabel. Nilai
boolean tersebut bisa dianalisa untuk pola belanja yang menunjukan item yang sering
dibeli bersamaan. Pola tersebut dapat direpresentasikan dengan bentuk association
rule. Sebagai contoh, konsumen yang biasanya membeli roti tawar juga membeli keju
ditunjukan sebagai berikut:
2

Dalam pencarian association rule, diperlukan suatu variabel ukuran yang

dapat ditentukan oleh user, untuk mengatur batasan sejauh mana dan sebanyak apa
hasil output yang diinginkan oleh user.Support dan confidence adalah dua ukuran
kepercayaan yang menunjukan kepastian dan tingkat kegunaan suatu rule yang
ditemukan. Support 2% diatas menunjukan bahwa hasil analisa dari semua transaksi
yang ada, menunjukan bahwa roti tawar dan keju dibeli secara bersamaan.
Confidence 60% menunjukkan bahwa 60% dari pembeli yang membeli roti tawar
juga pasti membeli keju tersebut. Pada umumnya association rule yang ditemukan
dikatakan menarik apabila rule tersebut memenuhi baik minimum support maupun
minimum confidence yang telah ditentukan oleh user. Secara sederhana perhitungan
untuk mendapatkan support dan confidence dapat dijelaskan sebagai berikut :
(

)
(

Keterangan : A dan B adalah nama item.

Rule yang memenuhi baik minimum support maupun minimum confidence
disebut juga strong rule. Seperti yang umum dituliskan pada literatur-literatur
mengenai data mining, support dan confidence dituliskan dengan nilai antara 0%
sampai 100%, demikian pula pada tulisan ini. Sebuah set dari item disebut juga
Itemset. Sebuah Itemset yang mengandung k item adalah k-itemset. Set
{roti_tawar;keju} adalah 2-Itemset. Jumlah kejadian munculnya Itemset adalah
jumlah transaksi yang mengandung Itemset tersebut, atau disebut juga frequency,
support count, atau count dari Itemset. Sebuah Itemset akan memenuhi minimum
support (min_sup), jika jumlah kejadian munculnya Itemset tersebut lebih besar atau
sama dengan min_sup yang telah ditentukan. Jika suatu Itemset memenuhi minimum
support, maka Itemset tersebut disebut juga frequent Itemset. Suatu set dari frequent
k-Itemset pada umumnya di notasikan dengan Lk.
Langkah-langkah

untuk

melakukan

penghitungan

untuk

menemukan

association rule terdiri dari 2 langkah utama, yaitu :

Langkah 1: Temukan frequent itemset, yaitu: suatu set item yang memenuhi
minimum support dan confidence yang telah ditentukan.
Langkah 2 : Gunakan frequent Itemsets tersebut untuk menghasilkan association
rules.
3

BAB III
PEMBAHASAN

Dalam pembahasaan kali ini maka akan dicoba dengan pemecahan beberapa contoh
kasus. Contoh kasus yang dibahas yaitu :
Proses mining untuk mengetahui asosiasi kemungkinan item barang yang sering
dibeli oleh pembeli.
Langkah 1 : Analisa pola frekuensi tinggi
Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari ilai
support dalam database. Nilai support dari 2 item diperoleh dari rumus berikut :
(

Tabel 3.1 Transaksi

Transaksi

Item yang dibeli

Diaper, baby powder

Diaper, beer

Baby powder

Beer

Beer, diaper

Sebagai contoh, ada database dari transaksi belanja pasar swalayan seperti
ditunjukkan dalam Tabel 3.1. Data pada Tabel 3.1 dalam database transaksional bisa
direpresentasikan dalam bentuk seperti tampak pada Tabel 3.2.
Tabel 3.2 Representasi Data Transaksi dalam Database Transaksional
Transaksi

Item yang dibeli

Diaper

Baby powder

Diaper

Beer

Baby powder

Beer

Beer

Diaper

Dan bila kita bentuk dalam bentuk tabular, data transaksi akan tampak seperti
Tabel 3.3.
Tabel 3.3 Format Tabular Data Transaksi
Transaksi

Diaper

Baby powder

Beer

Misalkan D adalahhimpunan transaksi yang direpresentasikan dalam Tabel 3.1,

dimana masing-masing transaksi T dalam D merepresentasikan himpunan item yang
berada dalam I. I adalah himpunan item yang dijual {Diaper, Baby powder, Beer}.
Misalkan kita memiliki himpunan item A (misal Diaper, Baby powder) dan himpunan item
lain B (misal Beer). Kemudian aturan asosiasi akan terbentuk
Jika A, maka B (AB)
Dimana antecedent A dan consequent B merupakan subset dari I, dan A dan B
merupakan mutually exclusive dimana aturan
Jika A maka B
Tidak berarti
Jika B maka A
Seoranganalismungkinhanyaakan mengambil aturan yang memiliki support
dan/atau confidence yang tinggi. Aturan yang kuat adalah aturan-aturan yang melebihi
kriteria support dan/atau confidence minimum. Misalnya seorang analist menginginkan
aturan yang memiliki support lebih dari 20% dan confidence lebih dari 35%.

Sebuah itemset adalah himpunan item-item yang ada dalam I, dan k-itemset adalah
itemset yang berisi k item. Misalnya {Diaper, Baby powder} adalah sebuah 2-itemset dan
{Diaper, Baby powder, Beer} merupakan 3-itemset.
Frequent itemset menunjukkan itemset yang memiliki frekuensi keunculan lebih
dari nilai minimum yang telah ditentukan ( ). Misalkan =2, maka semua itemset yang
frekuensi kemunculannya lebih dari atau sama dengan 2 kali disebut frequent. Himpunan
dari frequent k-itemset dilambangkan dengan

Tabel 3.4 berikut ini menunjukkan calon 2-itemset dari data transaksi pada Tabel
3.1.
Tabel 3.4 Calon 2-itemset
Kombinasi

Jumlah

Diaper, Baby powder

Diaper, Beer

Dari data tersebut diatas, jika ditetapkan nilai =2 maka

= {{Diaper, Beer}}
Langkah 2 : Pembentukan aturan asosiasi
Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yang
memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan
asosiatif

Nilai confidence dari aturan

(

Dari

diperoleh dari rumus berikut :

)

yang telah ditemukan, dapat dilihat besarnya nilai support dan confidence

dari calon aturan asosiasi seperti tampak pada Tabel 3.5.

Tabel 3.5 Calon Aturan Asosiasi dari
Aturan
Jika membeli Diaper maka akan membeli Beer

Confidence
2/3

67%
6

Misalkan ditetapkan nilai confidence minimal adalah 60% maka aturan yang bisa
terbentuk adalah aturan dengan atendence berikut :
Jika membeli Diaper Maka akan membeli Beer
Dan aturan asosiasi final terurut berdasarkan

terbesar

dapat dilihat pada Tabel 3.6.

Tabel 3.6 Aturan Asosiasi Final
Aturan

Support

Confidence

Support X
Confidence

Jika membeli Diaper Maka akan

membeli Beer

40%

67%

27%

DAFTAR PUSTAKA

[1]

Andreas H, Gregorius S B, dan Hendra R, 2004, APLIKASI DATA MINING

UNTUK

MENELITI

ASOSIASI

PEMBELIAN

ITEM

BARANG

DI

SUPERMARKET DENGAN METODE MARKET BASKET ANALYSIS, Jurnal,

Universitas Kristen Petra, Surabaya
[2]

. Diakses pada Kamis, 01

Januari 2014
[3]

elearning.amikom.ac.id/.../20121107_Apriori.pdf.Diakses pada Kamis, 01 Januari

2014