Abstract
Alat bantu penambangan aturan asosiasi langka sangat jarang
ditemukan, atau dapat dikatakan belum ada sama sekali [b].
Muncul beberapa gagasan untuk mulai menambang aturan
asosiasi langka dengan beberapa algoritma salah satunya adalah
APIC (Apriori Inverse With Clustering), mengingat pentingnya
aturan yang dihasilkan dalam proses penambangan data ini [2].
Alat bantu yang belum tersedia dan adanya gagasan dan algoritma
penambangan aturan asosiasi langka, maka dalam jurnal ini akan
dijelaskan bagaimana garis besar dari proses penambangan data
menggunakan algoritma APIC. Algoritma APIC dipilih karena
ketelitiannya dalam menambang aturan asosiasi langka [2], selain
itu APIC juga merupakan gabungan dari dua algoritma berbeda
yaitu Transaction Clustering dan Apriori Inverse. Dalam jurnal ini
akan dibahas mengenai alat bantu yang digunakan sebagai alat
untuk menambang aturan asosiasi langka yang bernama SIstem
Deteksi Aturan Asosiasi Langka (SDAAL). Jurnal ini dibagi
menjadi beberapa bagian, bagian pertama pada jurnal ini akan
mengenalkan tentang item langka dan algoritma apic, bagian
kedua akan menjelaskan bagaimana APIC bekerja menghasilkan
aturan asosiasi langka, bagian ketiga akan menjelaskan pengujian
keakuratan algoritma APIC untuk menambang aturan asosiasi
langka, dan yang keempat memaparkan tentang kesimpulan
pengujian.
KeywordsItem langka; APIC; SDAAL;
Clustering; Apriori Inverse; Asosiasi Langka;
I.
Transaction
PENDAHULUAN
A. Transaction Clustering
First, confirm that you have the correct template for
your paper size. This template has been tailored for output on
the A4 paper size. If you are using US letter-sized paper,
please close this file and download the file
MSW_USltr_format. Proses transaction clustering Terdiri
dari dua tahap yaitu seed generation phase dan allocation
phase, dimana setiap tahap memiliki langkah kerja yang
berbeda. Berikut adalah langkah kerja detil dari setiap tahap
dalam proses transaction clustering:
1.
2. Allocation Phase
Tahap allocation phase terdiri dari beberapa langkah detil
yang bertujuan untuk menempatkan transaksi dalam
dataset kedalam klaster sehingga menghasilkan klaster
secara optimum dengan anggota kelompok yang tepat dan
sesuai dengan titik pusat dari setiap klaster yang tersedia.
Berikut adalah langkah langkah dari tahap allocation
phase:
Data.xls
Data basis data
k++
Iya
Cek support
kandidat>=minsup
threshold system
tidak
Tidak
Iterasi i++
Iya
tidak
end
Simpan setiap
klaster dan
anggotanya dari
iterasi yang
terakhir
Apriori Inverse
Start
Cluster .xls
k=1, maximum
support
iya
k++
tidak
end
Aturan asosiasi
langka
III.
UJI COBA
D. Maximum Confidence
Maximum confidence digunakan untuk membatasi jumlah
aturan yang muncul dalam klaster. Hanya aturan yang memiliki
nilai confidence >= maxconf yang ditentukan sebagai aturan
langka.
IV.
Hasil dari uji coba ini adalah bahwa program SDAAL secara
valid dapat menemukan aturan asosiasi langka dalam
kumpulan data. untuk kesimpulan secara keseluruhan adalah
sebagai berikut:
1.
b.
Kelebihan SDAAL
1. Sistem terhubung dengan basis data MySQL.
2.
3.
Kelemahan SDAAL
1. Sistem tidak bisa melakukan preproses data, sehingga
data yang akan ditambang dalam sistem harus
mengalami preproses diluar sistem.
2.
3.
asosiasi
langka
4.
[3]
[4]
[5]
[6]
REFERENCES
[1]
[2]
Han, Jiawei., Micheline Kamber., dan Jian Pei. 2006. Data Mining:
Concepts and Techniques 2nd Edition. Amsterdam: Morgan Kaufmann
Publishers.
Koh, Yun Sing., dan Russel Pears. 2010. A Multi Methodological
Approach to Rare Association Rule Mining. New York: IGI Global.
Han, Jiawei., Micheline Kamber., dan Jian Pei. Data Mining: Concepts
and Techniques 3rd Edition. Amsterdam: Morgan Kaufmann Publishers.
Koh, Yun Sing., dan Nathan Rountree. 2010. Image Rare Association
Rule Mining and Knowledge Discovery: Technologies for Infrequent
and Critical Event Detection. New York: IGI Global.
Pressman, Roger S. 2002. Rekayasa Perangkat Lunak Pendekatan
Praktisi. Yogyakarta: Penerbit Andi.
Washio, Takashi., Suzuki, Einoshin., Kai ming, Ting., dan Inokuchi,
akihiro. 2008. Advance in Knowledge Discovery and Data Mining.
Osaka: Springer-Verlag Berlin Heidelberg.
Websites:
[a] Donald Bren School of Information and Computer Sciences. California.
Dipungut
20
Oktober,
2012,
dari
http://www.archive.ics.uci.edu/ml/machine-learning-databases.
[b] Software Suites for Data Mining, Analytics, and Knowledge Discovery.
Dipungut
15
Agustus,
2012,
dari
http://www.kdnuggets.com/software/suites.html.