Metodologi Algoritma A Priori

Kusrini, 2Emha Taufiq Luthfi

Jurusan Sistem Informasi, 2Jurusan Teknik Informatika
1, 2
STMIK AMIKOM Yogykakarta
1,2
Jl. Ringroad Utara Condong Catur Sleman Yogyakarta
1

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) =

Jumlah transaksi mengandung A

Total Transaksi

sedangkan nilai support dari 2 item diperoleh dari rumus 2 berikut :

Support ( A, B ) = P ( A B )

Support ( A, B ) =

Transaksi mengandung A dan 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

Tabel 2. Representasi Data Transaksi dalam Database Transaksional

Transaksi
Item yang dibeli
1
Susu
1
Teh
1
Gula
2
Teh
2
Gula
2
Roti
3
Teh
3
Gula
4
Susu
4
Roti
5
Susu
5
Gula
5
Roti
6
Teh
6
Gula
7
Gula
7
Kopi
7
Susu
8
Gula
8
Kopi
8
Susu
9
Susu
9
Roti
9
Kopi
10
Gula
10
Teh
10
Kopi
Dan bila kita bentuk dalam bentuk tabular, data transaksi akan tampak seperti pada
Tabel 3.
Tabel 3. Format Tabular Data Transaksi
Transaksi Teh
Gula Kopi Susu Roti
1
1
1
0
1
0
2
1
1
0
0
1
3
1
1
0
0
0
4
0
0
0
1
1
5
0
1
0
1
1
6
1
1
0
0
0
7
0
1
1
1
0
8
0
1
1
1
0
9
0
0
1
1
1
10
1
1
1
0
0
Misalkan D adalah himpunan transaksi yang direperesentasikan dalam Tabel 1, dimana
masing-masing transaksi T dalam D merepresentasikan himpunan item yang berada
dalam I. I adalah himpunan iterm yang dijual {Teh, Gula, Kopi, Susu, Roti}. Misalkan kita
memiliki himpunan items A (misal Susu dan Gula) dan himpunan item lain B (misal
Kopi). Kemudian aturan asosiasi akan berbentuk

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

Definisi ini tidak berlaku untuk aturan trivial seperti :

Jika beans dan Squash

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.

Table 5.4. Calon 2-itemset

Kombinasi
Jumlah
Teh, Gula
5
Teh, Kopi
1
Teh, Susu
1
Teh, Roti
1
Gula, Kopi
3
Gula, Susu
4
Gula, Roti
2
Kopi, Susu
3
Kopi, Roti
1
Susu, Roti
3
Dari data tersebut diatas, jika ditetapkan nilai = 3 maka
F2 =

{ {Teh, Gula}, {Gula, Kopi}, {Gula, Susu}, {Gula, Roti}, {Kopi, Susu},
{Susu, Roti}}

Table 5.5. Calon 3-itemset

Kombinasi
Jumlah
Teh, Gula, Kopi
1
Teh, Gula, Susu
1
Gula, Susu, Kopi
2
Gula, Susu, Roti
0
Gula, Kopi, Roti
0
Kopi, Susu, Roti
1
Kombinasi dari itemset dalam F2 dapat kita gabungkan menjadi calon 3-itemset. Itemsetitemset dari F2 yang dapat digabungkan adalah itemset-itemset yang memiliki kesamaan
dalam k-1 item pertama. Calon 3-itemset yang dapat dibentuk dari F2 seperti tampak
pada Tabel 5.
Dengan demikian F3 = {{Gula, Susu, Kopi}}, karena hanya kombinasi inilah yang
memiliki frekeunsi kemunculan >= .
2. Pembentukan aturan Asosiasi
Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yang
memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan
assosiatif A B
Nilai confidence dari aturan A B diperoleh dari rumus berikut:

Confidence = P( B | A) =

Transaksi mengandung A dan B

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

Table 5.7. Aturan Asosiasi

Aturan
Confidence
Jika membeli Teh
5/5
100%
Maka akan membeli Gula
Jila membeli Gula
5/8
62.5%
Maka akan membeli Teh
Jika membeli Gula
3/8
37.5%
Maka akan membeli Kopi
Jika membeli Kopi
3/4
75%
Maka akan membeli Gula
Jika membeli Gula
4/8
50%
Maka akan membeli Susu
Jika membeli Susu
4/6
67%
Maka akan membeli Gula
Jika membeli Gula
2/8
25%
Maka akan membeli Roti
Jika membeli Roti
2/4
50%
Maka akan membeli Gula
Jika membeli Kopi
3/4
75%
Maka akan membeli Susu
Jika membeli Susu
3/6
50%
Maka akan membeli Kopi
Jika membeli Susu
3/6
50%
Maka akan membeli Roti
Jika membeli Roti
3/4
75%
Maka akan membeli Susu

dan aturan asosiasi final terurut berdasarkan Support x Confidence terbesar dapat
dilihat pada Table 5.8.
Tabel 8. Aturan Asosiasi Final
ATURAN

SUPPORT

CONFIDENCE

Jika membeli Teh Maka

akan membeli Gula

50%

100%

Jila membeli Gula Maka

akan membeli Teh
Jika membeli Susu Maka
akan membeli Gula
Jika membeli Kopi Maka
akan membeli Gula
Jika membeli Kopi Maka
akan membeli Susu
Jika membeli Roti Maka
akan membeli Susu
Jika membeli Gula dan Kopi
Maka akan membeli Susu
Jika membeli Kopi dan
Susu Maka akan membeli
Gula

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