Modul Praktikum AR-MBA

UNIVERSITAS ISLAM INDONESIA
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Fakultas : Teknologi Industri
Jurusan/Program Studi : Teknik Industri
Kode Mata Kuliah : 52224603
Nama Mata Kuliah : Analisis Keputusan dan Data Mining
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
PERTEMUAN KE-11
AR-MBA
(ASSOCIATION RULE - MARKET BASKET ANALYSIS)
Tujuan Praktikum
1) Mahasiswa dapat mengetahui salah satu metode asosiasi dalam data mining.
2) Memberikan pemahaman mengenai prosedurMarket Basket Analysis.
3) Mahasiswa dapat mengolah suatu data yang cukup besar sehingga data tersebut dapat
digunakan dengan menggunakan Association Rule.
Latar Belakang AR-MBA
Dewasa ini, penggunaan mesin pencatat dan pemroses transaksi berteknologi barcode telah
umum digunakan pada penjual eceran maupun kecil (toko atau swalayan). Dengan mesin ini,
penjual eceran dapat menyimpan data transaksinya dalam suatu basisdata transaksi. Tiap
informasi pada transaksi memuat tanggal dan item apa saja yang dibeli. Data ini disebut
sebagai basket data. Market Basket Analysis (MBA) merupakan studi mengenai analisis
basket data.
Salah satu metode yang banyak digunakan dalam MBA adalah association rule
mining yang bertujuan menemukan aturan-aturan asosiasi di antara himpunan besar data item
dalam basisdata transaksi. Apabila diimplementasikan dalam basis data transaksi, aturanaturan asosiasi ini akan sangat berguna dalam menentukan strategi bisnis seperti mendesain
katalog, menata layout, serta merancang kampanye pemasaran dan promosi.
Salah satu kemungkinan contoh dari asosiasi misalnya adalah bahwa 80% pelanggan
yang membeli produk A juga membeli produk B. Dalam hal ini produk A dan B disebut
dengan istilah frequent itemset. Dari frequent itemset tersebut kita dapat menentukan aturan
asosiasi antar item dalam frequent itemset .
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
Menggali aturan asosiasi dari basis data transaksi bukan merupakan masalah trivial.
Pertama, jumlah transaksi yang terdapat dalam basis data umumnya sangat banyak. Kedua,
jumlah kemungkinan frequent itemset meningkat secara eksponensial terhadap jumlah jenis
item. Terdapat berbagai algoritma yang dapat digunakan untuk aplikasi AR-MBA, antara lain
yaitu algoritma apriori dan algoritma FP-growth. Berikut penjelasan dari kedua algoritma
tersebut:
Algoritma Apriori
Algoritma apriori merupakan suatu algoritma untuk mengurangi ruang pencarian kombinasi
item, sehingga analisis dapat dilakukan dengan lebih cepat. Lebih lanjut lagi, aturan-aturan
yang dihasilkan dari algoritma apriori dapat diidentifikasi lagi untuk menentukan aturan
mana yang dapat memberikan informasi lebih banyak dengan menggunakan ukuran support
dan lift ratio. Kemudian, aturan-aturan asosiasi yang telah dihasilkan dapat digunakan
sebagai bahan pertimbangan untuk pengambilan keputusan dalam strategi bisnis. Adapun dua
proses utama yang dilakukan dalam algoritma Apriori (Han & Kamber, 2006), yaitu :
1. Join (penggabungan).
Pada proses ini setiap item dikombinasikan dengan item yang lainnya sampai tidak
terbentuk kombinasi lagi.
2. Prune (pemangkasan).
Pada proses ini, hasil dari item yang telah dikombinasikan tadi lalu dipangkas dengan
menggunakan minimum support yang telah ditentukan oleh user.
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
Gambar 1. Proses iterasi algoritma apriori

Gambar diatas menunjukkan proses iterasi join dan prune dalam algoritma apriori.
Pada tabel Transaction D terdapat 4 data pembelian item, data pembelian tersebut kemudian
mengalami proses scan untuk mengelompokkan jumlah tiap item yang ada pada transaksi.
Setelah proses scan dilakukan maka proses selanjutnya ialah prune atau pemangkasan yang
dilakukan untuk memangkas item yang memiliki jumlah kurang dari 2, sehingga diperoleh
item 1, item 2, item 3 dan item 5 yang masih akan berlanjut pada proses berikutnya. Item 1,
item 2, item 3 dan item 5 kemudian mengalami proses join dimana item tersebut akan
bergabung satu sama lain menjadi satu kelompok item yang masing-masing berisi 2 item.
Setelah proses join dilakukan langkah selanjutnya adalah proses scan yang dilakukan untuk
mengetahui jumlah tiap kelompok item dalam transaksi, kemudian dilanjutkan dengan proses
prune untuk memangkas kelompok item yang memiliki jumlah kurang dari 2 sehingga
diperoleh kelompok item {1,3}, {2,3}, {2,5} dan {3,5}. Proses ini akan berulang sampai
tidak ada lagi kelompok item yang dapat dihasilkan dalam iterasi selanjutnya.
Dalam contoh diatas dapat dilihat bahwa algoritma apriori dapat mengurangi item
dengan adanya proses pemangkasan. Namun algoritma apriori memiliki kelemahan dimana
proses iterasi yang dilakukan memakan waktu yang cukup banyak sesuai banyaknya iterasi
yang dilakukan.
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
Algoritma FP-Growth
Algoritma FP-Growth merupakan pengembangan dari algoritma Apriori. Sehingga
kekurangan dari algoritma Apriori berupa lamanya waktu yang dibutuhkan ketika banyaknya
proses iterasi yang dilakukan diperbaiki oleh algoritma FP-Growth. Frequent Pattern Growth
(FP-Growth) adalah salah satu alternatif algoritma yang dapat digunakan untuk menentukan
himpunan data yang paling sering muncul (frequent itemset) dalam sebuah kumpulan data
(David Samuel, 2008). Pada algoritma Apriori diperlukan generate candidate untuk
mendapatkan frequent itemsets. Akan tetapi, di algoritma FP-Growth generate candidate
tidak dilakuka karena FP-Growth menggunakan konsep pembangunan tree dalam pencarian
frequent itemsets. Hal tersebutlah yang menyebabkan algoritma FP-Growth lebih cepat dari
algoritma Apriori.
Karakteristik algoritma FP-Growth adalah struktur data yang digunakan adalah tree
yang disebut dengan FP-Tree. Dengan menggunakan FP-Tree, algoritma FP-growth dapat
langsung mengekstrak frequent Itemset dari FP-Tree. Penggalian itemset yang frequent
dengan menggunakan algoritma FP-Growth akan dilakukan dengan cara membangkitkan
struktur data tree atau disebut dengan FPTree. Metode FP-Growth dapat dibagi menjadi 3
tahapan utama yaitu sebagai berikut (Han & Kamber 2006):
1) Tahap pembangkitan conditional pattern base,
2) Tahap pembangkitan conditional FP-Tree, dan
3) Tahap pencarian frequent itemset.
Association Rule
Association dalam data mining adalah pekerjaan untuk menentukan mana atribut yang akan
didapatkan bersamaan. Dalam dunia bisnis lazim dikenal istilah affinity analysis. Tugas dari
asociation rule adalah mencari aturan yang tidak mengcover untuk mengukur hubungan
antara dua atau lebih atribut.
Association
Rule
adalah
bentuk
jika
kejadian
sebelumnya
kemudian
konsekuensinya. (IF antecedent, THEN consequent). Bersamaan dengan perhitungan
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
aturan support dan confidence. Pola asosiasi menjadi salah satu fungsionalitas yang paling
menarik dalam penggalian data (Kumar dan Wahidabanu, 2007). Association Rule adalah
teknik data mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Contoh
dari Association Rule dari analisa pembelian di suatu pasar swalayan adalah bisa diketahui
berapa besar kemungkinan seorang pembeli membeli roti bersamaan dengan susu. Dengan
pengetahuan tersebut Pemilik pasar swalayan dapat mengatur penempatan barangnya atau
merancang kampanye pemasaran dengan memakai kupon diskon untuk kombinasi barang
tertentu (Wiwin Suwarningsih, 2008).
Menurut Leo Susanto (2003) penggalian kaidah asosiasi mempunyai peranan penting
dalam proses pengambilan keputusan. Salah satu contoh penerapan Association Rule adalah
Market Basket Analysis. Association Rule menjadi terkenal karena aplikasinya untuk
menganalisa isi keranjang belanja di pasar swalayan, sehingga Association Rule juga sering
disebut dengan istilah Market Basket Analysis. Association Rule juga dikenal sebagai salah
satu teknik data mining yang menjadi dasar dari berbagai teknik data mining lainnya.
Konsep Market Basket Analysis
Gambar 2. Ilustrasi Penggunaan MBA

Market Basket Analysis merupakan salah satu contoh penerapan Association Rule.
Untuk menyampaikan ide mendasar dari Market Basket Analysis, dimulai dengan melihat
gambar keranjangan belanjaan pada gambar 3.1 yang berisi bermacam-macam barang-barang
yang dibeli oleh seseorang disebuah supermarket. Keranjang ini berisi bermacam-macam
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
barang-barang seperti roti, susu, sereal, telur, mentega, gula, dan sebagainya. Sebuah
keranjang memberitahukan kepada kita tentang apa saja yang dibeli oleh seorang konsumen
dalam satu waktu. Sebuah daftar belanjaan yang lengkap yang diperoleh dari semua
konsumen memberikan kita informasi yang sangat banyak, dan ini dapat menjelaskan barangbarang apa saja yang paling penting dari bisnis penjualan yaitu apa barang yang dibeli oleh
konsumen dan kapan.
Setiap konsumen membeli seperangkat barang-barang yang berbeda, dalam jumlah
yang berbeda, dan dalam waktu yang berbeda. Market Basket Analysis menggunakan
informasi apa yang dibeli oleh konsumen-konsumen untuk menyediakan tanda/informasi
yaitu siapa mereka dan mengapa mereka melakukan pembelian tersebut? Market Basket
Analysis menyediakan pengertian tentang barang dagangan dengan memberitahukan kepada
kita produk-produk mana yang memungkinkan untuk dibeli secara bersamaan dan produk
mana yang lebih disetujui untuk di promosikan. Karena dalam Market Basket Analysis tidak
hanya memahami kuantitas dari item yang dibeli dalam keranjang itu, tapi bagaimana item
yang dibeli dalam hubungannya satu dengan yang lain. Informasi ini dapat digunakan dalam:
1.
Lebih
menguntungkan
periklanan
dan
promosi.
Market
Basket
Analysis
menggunakan iklan dan promosi agar lebih memahami bagaimana pembeli

menanggapi dan berkomunikasi atas produk-produk yang ditawarkan, karena tujuan
dariVretailer adalah Bagaimana mengubah penjualan ini? Apa lagi yang dijual dan
apaVyang diiklankan?.
2.
Penargetan yang lebih tepat dalam mengembalikan ROI (Return of Investment).

Market Basket Analysis digunakan untuk mengoptimalkan kampanye dan promosi
untuk peningkatan penjualan dan margin dengan penargetan lebih tepat.
3.
Loyalitas kartu promosi dengan analisis longitudinal. Longitudinal pengguna Market

Basket Analysis memungkinkan pengecer untuk membeli karakter perilaku
pelanggan seiring waktu. Retailer menggunakan kartu loyalitas pelanggan untuk
menangkap lifecycle data sehingga mereka dapat menganalisis pelanggan dari masa
pembelian perilaku seperti belanja. Misalnya, satu mainan pengecer menjelaskan
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
bahwa ia tidak masuk akal untuk menjual satu mesin permainan (dengan sedikit
margin) kecuali pelanggan yang juga membeli aksesoris dan perangkat lunak
permainan (tinggi dengan margin). Mereka menggunakan Market Basket Analysis
terhadap loyalitas kartu data mereka secara keseluruhan untuk menentukan margin
pada video game dan penjualan untuk membuat ingatan promosi pelanggan dan
mempengaruhi pembeli untuk membeli permainan dan aksesoris dari mereka dan
tidak dari pengecer lain.
4.
Menentukan tata letak toko yang baru (new store layouts) atau menarik lebih banyak
lalu lintas ke toko, menetapkan produk-produk mana yang akan diletakan dalam
tempat yang khusus. Market Basket Analysis juga menggunakan ruang untuk
meningkatkan perencanaan dan visual merchandising lintas untuk meningkatkan
penjualan.
5.
Mengidentifikasi ketika persoalannya berpasangan/kupon (issue coupons). Untuk

meningkatkan penjualan atau menghabiskan barang yang menjadi inventory.
Definisi Market Basket Analysis

Bebrapa definisi dari MBA adalah sebagai berikut:
Market Basket Analysis adalah teknik matematis yang biasa digunakan oleh
marketing yang profesional untuk menyatakan kesamaan antara produk individu
atau produk kelompok.
Market Basket Analysis berkenaan dengan sekumpulan permasalahan bisinis yang

berkaitan untuk mengetahui point of sale dari data transaksi.
Market Basket Analysis adalah istilah umum untuk metodologi yang mempelajari
tentang komposisi keranjang belanjaan yang dibeli oleh rumah tangga selama 1 kali
berbelanja.
Market Basket Analysis adalah kumpulan kombinasi produk yang dibeli bersamaan.
Market Basket Analysis adalah analisis kecenderungan suatu item terbeli oleh
costumer yang sama pada waktu yang bersamaan.
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
Tiga Level Market Basket Data

Market Basket Data adalah data transaksi yang menjelaskan tiga perbedaan entitas yang
mendasar yaitu :
1. Customers
2. Orders/pembelian
3. Items (barang-barang)
Dalam sebuah relational database, struktur data dari market basket data sering terlihat
sama. Data Struktur ini didalamnya terdapat empat entitas yang penting.
Gambar 3. Relational database

Permintaan adalah stuktur data yang fundamental untuk Market Basket Data.
Permintaan dapat berupa kejadian suatu pembelian oleh customer. Pembelian juga dapat
dilakukan melalui website, grosir, ataupun dari catalog. Semua ini dapat termasuk dalah
sebuah pembelian, pembelian tambahan, tipe dari pembayaran, dan data lain yang termasuk
dalam suatu transaksi. Beberapa transaksi diberikan identitas khusus. Namun ada beberapa
identitas khusus tersebut harus digabungkan dengan data yang lainnya. Sebagai contoh, kita
perlu mengkombinasikan empat lahan untuk mendapatkan empat identitas khusus untuk
penjualan di toko. Waktu dimulai ketika customer membayar, chain ID, store ID dan lane ID.
Barang dalam suatu pembelian digambarkan dalam line items. Data ini termasuk harga
pembayaran barang, jumlah barang, pajak yang harus dibayar, mungkin juga termasuk harga
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
(yang digunakan untuk penghitungan margin). Meja barang (item table) biasanya mempunyai
hubungan dengan product reference table yang memberikan gambaran lebih jelas mengenai
produk yang ada. Gambaran informasinya termasuk hierachy produk dan informasi lain yang
mungkin memudahkan dalam menganalisis.
Customer table (meja customer) adalah meja pilihan dan harus bisa digunakan ketika
customer dapat di identifikasikan. Contoh, di dalam sebuah web site, ada sebuah syarat dalam
melakukan registrasi atau ketika customer menggunakan kartu anggota (affinity card) dalam
melakukan pembayaran. Walaupun customer table mempunyai area yang menarik, tetapi
yang paling penting adalah identitas tersebut. Sebab ini merupakan dasi dari sebuah transaksi
setiap waktu. Pengenalan customer setiap saat membuat mungkin untuk dikenali secara
cepat, seperti frekuensi pembelian yang dilakukan oleh customer. Tiga level dari market
basket data yang penting yang secara cepat dapat memahami permintaan. Ada beberapa dasar
pengukuran yaitu:
1. Berapa rata-rata pembelian yang dilakukan customer?
2. Berapa rata-rata barang yang khusus setiap pembelian?
3. Berapa rata-rata barang setiap pembelian?
4. Untuk produk tertentu, proporsi customer apa yang telah membeli produk?
5. Untuk produk tertentu, berapa rata-rata dari pembelian setiap customer yang
termasuk dalam barang?
6. Untuk produk tertentu, berapa rata-rata jumlah pembelian dalam suatu pembelian
ketika produk dibeli?
Pengukuran ini memberikan gambaran untuk sebuah bisnis. Dalam beberapa kasus, ada
beberapa pembeli yang berulang, sehingga proporsi dari sebuah pembelian setiap customer
mendekati 1. Saran ini digunakan suatu perusahaan untuk meningkatkan penjualan setiap
customers. Atau jumlah dari produk setiap pembelian mendekati 1, penyaranan akan
kesempatan untuk penjualan silang selama proses pembelian.
Hal ini dapat berguna untuk membandingkan pengukuran ini terhadap yang lainnya. Kita
telah menemukan bahwa jumlah pembelian dapat menjadi acuan untuk membedakan diantara
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
para customer (costumer yang sesungguhnya/membeli lebih sering dari pada hanya sekedar
customer). Gambar 2 menggambarkan tentang hubungan antar customer (jumlah barang
khusus setiap pembelian) dengan seberapa dalam hubungannya (jumlah yang dibeli) untuk
customer yang membeli lebih dari 1 barang. Data ini bisa berasal dari retailer yang kecil.
Bulatan yang paling besar menunjukan jumlah customer yang membeli dua barang sekaligus
dalam waktu yang bersamaan., dalam gambar juga dapat dilihat bulatan yang besar
menunjukan jumlah customer yang membeli barang yang sama dalam dua kali pembelian.
Customers yang baikyaitu mereka yang melakukan pembelian kembali berulang kali.
Cenderung untuk membeli bermacam-macam barang dalam jumlah besar. Walaupun,
beberapa dari mereka kembali dan membeli barang yang sama sepeti ketika mereka pertama
kali membeli. Bagaimana retailer dapat mendorong customers untuk datang kembali dan
membeli lebih dan juga barang yang berbeda? Market Basket Analysis tidak dapat menjawab
pertanyaan ini, tetapi Market Basket Analysis dapat sedikit dorongan untuk meminta itu dan
mungkin menbeikan isyarat yang dapat membantu.
Support dan Confidence

Penting tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter,
support (nilai penunjang) yaitu persentase kombinasi item tersebut dan confidence (nilai
kepastian) yaitu kuatnya hubungan antar item dalam aturan assosiatif. Aturan assosiatif
biasanya dinyatakan dalam bentuk :
{Pensil, Buku} {Penghapus}
(support = 40%, confidence =50%)
Contoh perhitungan diatas memiliki arti sebagai berikut :
50% dari transaksi di database yang memuat item pensil dan buku juga memuat item
penghapus. Sedangkan 40% dari seluruh transaksi yang ada di database memuat ketiga
item.
Atau dapat juga diartikan sebagai berikut :
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
Seorang konsumen yang membeli pensil serta buku memiliki kemungkinan 50% untuk
membeli barang lain yaitu penghapus, dan aturan ini cukup signifikan karena mewakili
40% dari catatan transaksi yang ada.
Analisis asosiasi didefinisikan suatu proses untuk menemukan semua aturan assosiatif yang
memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk
confidence (minimum confidence).
Metode Dasar Association Rule

Metodologi dasar 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, yang dapat dirumuskan sebagai berikut:
Contohnya pada database transaksi belanja pasar swalayan berikut:

Tabel 1. Data Transaksi
Diketahui bahwa jumlah transaksi yang memuat {pensil, buku} ada 4 (support 80%),
sedangkan jumlah transaksi yang memuat {pensil, buku, penghapus} ada 2 (support 40%),
transaksi yang memuat {amplop} hanya 1 (support 20%) dan sebagainya. Bila ditetapkan
syarat minimum dari nilai support untuk pola frekuensi tinggi dalam contoh ini adalah 30%,
diperoleh pola frekuensi tinggi yang memenuhi syarat minimum nilai support adalah :
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
Tabel 2. Data Transaksi dengan Frekuensi Tertinggi
2. Pembentukan aturan assosiatif

Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang
memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif
A B dengan menggunakan rumus berikut :
Bila syarat minimum untuk confidence dari contoh diatas adalah 50% maka salah satu contoh
aturan assosiatif yang dapat ditemukan adalah : {Penggaris, Penghapus} {Pensil, Buku}
dengan nilai confidence:
Aturan assosiatif lain yang dapat ditemukan diantaranya adalah :

Tabel 3. Tabel Association Rule
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
3. Lift / Improvement Ratio

Lift Ratio adalah parameter penting selain support dan confidence dalam association rule. Lift
Ratio mengukur seberapa penting rule yang teleh terbentuk berdasarkan nilai support dan
confidence. Lift Ratio merupakan nilai yang menunjukkan kevalidan proses transaksi dan
memberikan informasi apakah benar produk A dibeli bersamaan dengan produk B. Lift /
Improvement Ratio dapat dihitung dengan rumus:
Sebuah transaksi dikatakan valid jika mempunyai nilai Lift / Improvement lebih dari 1, yang
berarti bahwa dalam transaksi tersebut, produk A dan B benar-benar dibeli secara bersamaan.
Pemanfaatan Aturan Asosiasi

Sesuai namanya, aturan asosiasi yang dihasilkan dalam proses Market Basket Analysis
umumnya digunakan pada bisnis retail. Untuk bagian pemasaran, peningkatan penjualan
dapat dicapai dengan mengorganisasikan ulang item-item sehingga item-item yang terjual
bersama-sama selalu ditemukan bersama. Hal ini akan memicu pembelian dan membantu
memastikan pelanggan untuk membeli sebuah item tidak lupa untuk membelinya karena
tidak melihatnya. Organisasi retail juga dapat memberikan kupon diskon untuk pembelian
item B jika pelanggan membeli item A (jika aturan asosiasi A => B merupakan aturan
asosiasi yang kuat).
Situs e-commerce juga dapat menggunakan aturan asosiasi untuk memberikan saran
(recommender system/suggestive sell) bagi pembeli berdasarkan item-item apa saja yang
sudah berada dalam keranjang belanja (shopping cart) mereka. Situs e-commerce terkenal
seperti Amazon.com menggunakan sistem pemberi saran ini untuk meningkatkan penjualan.
Untuk pemasaran langsung, promosi kepada pelanggan yang sudah ada lebih disukai, karena
data pembelian mereka telah diketahui. Perusahaan telah memiliki data para pelanggan dalam
basis datanya, dan mengetahui informasi yang signifikan mengenai mereka. Setelah
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
menjalankan Market Basket Analysis, staf pemasaran dapat menghubungi pelanggan atau
mengirimkan katalog produk untuk mempromosikan produk yang kira-kira akan menarik
untuk mereka beli dengan berdasarkan catatan riwayat pembelian mereka. Amazon.com juga
menggunakan sistem ini. Perusahaan tersebut mengirimkan e-mail kepada pelanggan untuk
menawarkan produk-produk yang kemungkinan menarik untuk mereka beli dengan melihat
produk apa saja yang telah mereka beli sebelumnya.
Selain dalam bisnis retail, Market Basket Analysis juga dapat diaplikasikan dalam
bidang-bidang yang lain. Market Basket Analysis dapat digunakan dalam spam filtering,
fraud detection (pendeteksi kecurangan, dalam klaim asuransi misalnya), analisis pembelian
kartu kredit, analisis pola panggilan telepon, analisis penggunaan layanan telekomunikasi,
dan sebagainya.
Situs Google Reader yang merupakan aplikasi web di mana pengguna dapat
berlangganan feed dari situs-situs berita atau blog (pengguna akan dapat mengetahui apakah
sebuah situs sudah di-update atau belum tanpa harus mengunjungi masingmasing situs) juga menggunakan Market Basket Analysis. Aturan asosiasi yang dihasilkan
bersama daftar situs yang dilanggani feed-nya digunakan untuk memberikan saran bagi
pengguna mengenai situs lain yang kira-kira menarik untuk ditambahkan dalam daftar feed.
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
Gambar 4. Flowchart Tahapan MBA
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
Studi Kasus
Cara mengolah data AR-MBA menggunakan software rapidminer. Contoh data yang dimiliki
adalah sebagai berikut:
Tabel 3. Sampel data
No
Dept 1
Dept 2
Dept 3
Dept 4
Dept 5
Dept 6
Dept 7
Dept 8
10
11
12
13
14
15
16
17
18
19
20
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
Langkah-langkah yang dilakukan dalam software adalah sebagai berikut:

1. Buka software rapid miner, klik New Process
2. Pilih File Import Data Import Excel Sheet
3. Kemudian cari data excel tersebut di dalam computer, pilih, klik Next
Gambar 5. Membuka data

Klik Next
Gambar 6. Data import step 1
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
4. Klik Next

5. Klik Next
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
6. Klik Next
7. Simpan data di folder latihan1 dengan nama training
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
8. Klik Finish, akan muncul output seperti gambar di bawah ini
Gambar 11. Output import data
9. Kemudian drag file training ke dalam kotak Main Process
Gambar 12. Drag training file
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
10. Cari Select Attributes, kemudian drag ke dalam kotak Main Process
Gambar 13. Drag select attribute
Hubungkan training dengan Select Attributes
Gambar 14. Menghubungkan data training dengan select attribute
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
11. Klik Select Attributes, ganti attribute filter by dengan subset. Kemudian klik menu
Select Attributes di attributes. Pindahkan semua departemen ke dalam kotak sebelah
kanan
Gambar 15. Select Attributes: attributes
12. Cari Numerical to Binominal, kemudian drag ke dalam kotak Main Process
Gambar16. Proses drag Numerical to Binominal
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
13. Cari Remap Binominals, kemudian drag ke dalam kotak Main Process
Gambar 17. Proses drag Remap Binominals
14. Hubungkan Select Attributes dengan Numerical to Binominal, dan Numerical to

Binominal dengan Remap Binominals. Kemudian ganti negative value dengan nilai 0
dan positive value dengan nilai 1
Gambar 18. Proses Numerical to Binominal, dan Numerical to Binominal dengan Remap
Binominals
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
Cari FP-Growth, kemudian drag ke dalam kotak Main Process
Gambar 19. Proses drag FP-Growth
15. Cari Create Association Rules, kemudian drag ke dalam kotak Main Process. Lalu
hubungkan Remap Binominals ke FP-Growth dan FP-Growth (fre) ke Create
Association Rules
Gambar 20. Proses Create Assosiate Rules
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
16. Hubungkan FP-Growth (exa) ke res pertama (sebelah kanan) dan Create Association
Rules (rul) ke res kedua (sebelah kanan)
Gambar 21. Proses menghubungkan FP-Growth ke ras pertama dan Create Association Rules
ke res kedua
17. Klik FP-Growth, ganti min support dengan nilai 0.05
Gambar 22. Min Support bernilai 0.05
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
18. Klik Create Association Rules kemudian ganti min confidence dengan nilai 0.05
Gambar 23. Min Confidence bernilai 0.05
19. Lalu klik Run, akan muncul output seperti gambar di bawah ini
Gambar 24. Output
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
20. Apabila nilai support diganti 0.2 kemudian klik Run, akan muncul output seperti
gambar di bawah ini
Gambar 25. Output apabila nilai support diganti 0.2

24. Rule yang valid adalah yang memiliki nilai Lift Ratio > 1
Gambar 26. Rule valid jika nilai Lift Ratio > 1
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
Dari hasil output di atas, dapat diketahui rules sebagai berikut:

1. Dept1 akan terbeli bersama dengan dept2, dengan tingkat kepercayaan 64,9% dan
didukung oleh 50% dari data keseluruhan.
4. Dan seterusnya.
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015
REFERENSI
David Samuel. 2008. Penerapan Stuktur FP-Tree dan Algoritma FPGrowth dalam Optimasi
Penentuan Frequent Itemset. Institut Teknologi Bandung.
Han Jiawei, and M. Kamber. 2006. Data Mining: Concepts and Techniques, Morgan
Kaufmann, USA.
Wiwin Suwarningsih. 2008. Penerapan Association Rule Mining untuk Perancangan Data
Mining BDP (Barang Dalam Proses) Obat. Pusat Penelitian Informatika LIPI.
FM-UII-AA-FKA-07/R0
MATERI PRAKTIKUM
Pertemuan ke
: 11
Modul ke
:4
Jumlah Halaman : 29
Mulai berlaku
: 2015

Modul Praktikum AR-MBA

Diunggah oleh

Informasi Dokumen

Deskripsi:

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Deskripsi:

Hak Cipta:

Format Tersedia

Modul Praktikum AR-MBA

Diunggah oleh

Deskripsi:

Hak Cipta:

Format Tersedia

UNIVERSITAS ISLAM INDONESIA

UNIVERSITAS ISLAM INDONESIA

UNIVERSITAS ISLAM INDONESIA

UNIVERSITAS ISLAM INDONESIA

Gambar 1. Proses iterasi algoritma apriori

UNIVERSITAS ISLAM INDONESIA

konsekuensinya. (IF antecedent, THEN consequent). Bersamaan dengan perhitungan

UNIVERSITAS ISLAM INDONESIA

Konsep Market Basket Analysis

Gambar 2. Ilustrasi Penggunaan MBA

UNIVERSITAS ISLAM INDONESIA

menggunakan iklan dan promosi agar lebih memahami bagaimana pembeli

Penargetan yang lebih tepat dalam mengembalikan ROI (Return of Investment).

Loyalitas kartu promosi dengan analisis longitudinal. Longitudinal pengguna Market

UNIVERSITAS ISLAM INDONESIA

Mengidentifikasi ketika persoalannya berpasangan/kupon (issue coupons). Untuk

Definisi Market Basket Analysis

Market Basket Analysis berkenaan dengan sekumpulan permasalahan bisinis yang

UNIVERSITAS ISLAM INDONESIA

Tiga Level Market Basket Data

Gambar 3. Relational database

UNIVERSITAS ISLAM INDONESIA

UNIVERSITAS ISLAM INDONESIA

Support dan Confidence

UNIVERSITAS ISLAM INDONESIA

Metode Dasar Association Rule

Contohnya pada database transaksi belanja pasar swalayan berikut:

UNIVERSITAS ISLAM INDONESIA

Tabel 2. Data Transaksi dengan Frekuensi Tertinggi

2. Pembentukan aturan assosiatif

Aturan assosiatif lain yang dapat ditemukan diantaranya adalah :

UNIVERSITAS ISLAM INDONESIA

3. Lift / Improvement Ratio

Pemanfaatan Aturan Asosiasi

UNIVERSITAS ISLAM INDONESIA

UNIVERSITAS ISLAM INDONESIA

Gambar 4. Flowchart Tahapan MBA

UNIVERSITAS ISLAM INDONESIA

UNIVERSITAS ISLAM INDONESIA

Langkah-langkah yang dilakukan dalam software adalah sebagai berikut:

Gambar 5. Membuka data

Gambar 6. Data import step 1

UNIVERSITAS ISLAM INDONESIA

Gambar 7. Data import step 2

Gambar 8. Data import step 3

UNIVERSITAS ISLAM INDONESIA

Gambar 9. Data import step 4

7. Simpan data di folder latihan1 dengan nama training

Gambar 10. Data import step 5

UNIVERSITAS ISLAM INDONESIA

8. Klik Finish, akan muncul output seperti gambar di bawah ini

Gambar 11. Output import data

9. Kemudian drag file training ke dalam kotak Main Process

Gambar 12. Drag training file

UNIVERSITAS ISLAM INDONESIA

Gambar 13. Drag select attribute

Hubungkan training dengan Select Attributes

Gambar 14. Menghubungkan data training dengan select attribute

UNIVERSITAS ISLAM INDONESIA

Gambar 15. Select Attributes: attributes

Gambar16. Proses drag Numerical to Binominal