4464 6539 1 PB
4464 6539 1 PB
Metodologi dasar algoritma a priori analisis asosiasi terbagi menjadi dua tahap :
1. Analisa pola frekuensi tinggi
Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support
dalam database. Nilai support sebuah item diperoleh dengan rumus berikut:
Support ( A) =
Support ( A, B ) = P ( A B )
Support ( A, B ) =
Transaksi
1
2
3
4
5
6
7
8
9
10
Transaksi
Tabel 1. Transaksi
Item yang dibeli
Susu, Teh, Gula
Teh, Gula, Roti
Teh, Gula
Susu, Roti
Susu, Gula, Roti
Teh, Gula
Gula, Kopi, Susu
Gula, Kopi, Susu
Susu, Roti, Kopi
Gula, Teh, Kopi
Sebagai contoh, ada database dari transaksi belanja pasar swalayan seperti ditunjukkan
dalam Tabel 1
Data pada Tabel 1 dalam database transaksional biasa direpresentasikan dalam bentuk
seperti tampak pada Tabel 2
Jika
A, maka B ( AB)
tidak berarti
Jika B maka A
Maka beans
Seorang analis mungkin hanya akan 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 {Teh, Gula) adalah sebuah 2-itemset dan {Teh,
Gula, Roti) merupakan 3-itemset.
Frequent Itemset menunjukkan itemset yang memiliki frekuensi kemunculan 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 Fk.
Tabel 4 berikut ini menujukkan calon 2-itemset dari data transaksi pada Tabel 1.
{ {Teh, Gula}, {Gula, Kopi}, {Gula, Susu}, {Gula, Roti}, {Kopi, Susu},
{Susu, Roti}}
Confidence = P( B | A) =
Transaksi mengandung A
Dari F3 yang telah ditemukan, dapat dilihat besarnya nilai support dan confidence dari
calon aturan asosiasi seperti tampak pada Tabel 6.
Tabel 6. Calon Aturan Asosiasi dari F3
Aturan
Confidence
Jika membeli Gula dan Susu 2/4
50%
Maka akan membeli Kopi
Jika membeli Gula dan Kopi 2/3
67%
Maka akan membeli Susu
Jika membeli Kopi dan Susu 2/3
67%
Maka akan membeli Gula
Misalkan ditetapkan nilai confidence minimal adalah 60% maka aturan yang bisa
terbentuk adalah aturan dengan 2 antecedent berikut:
Jika membeli Gula dan Kopi Maka akan membeli Susu
Jika membeli Kopi dan Susu Maka akan membeli Gula
Sementara itu calon aturan asosiasi dari F2 bisa dilihat pada Tabel 7
dan aturan asosiasi final terurut berdasarkan Support x Confidence terbesar dapat
dilihat pada Table 5.8.
Tabel 8. Aturan Asosiasi Final
ATURAN
SUPPORT
CONFIDENCE
50%
100%
50%
62.50%
SUPPORT x
CONFIDENCE
50.0%
31.3%
40%
67%
30%
75%
30%
75%
30%
75%
26.8%
22.5%
22.5%
22.5%
20%
67%
20%
67%
13.4%
13.4%
Contoh implementasi algoritma a priori dalam aplikasi dibahas secara detail dalam buku
Algoritma Data Mining
Daftar Pustaka
Kusrini dan Luthfi, E. T., 2009, Algoritma Data Mining, Andi Offset, Yogyakarta