A.

Pengertian Association Rule

Association rule adalah salah satu teknik utama atau prosedur dalam Market
Basket Analysis untuk mencari hubungan antat item dalam suatu data set dan
menampilkan dalam bentuk association rule (Budhi dkk,2007). Association rule (aturan
asosiatif) akan menemukan pola tertentu yang mengasosiasikan data yang satu dengan
data yang lain. Untuk mencari association rule dari suatu kumpulan data, tahap pertama
yang harus dilakukan adalah mencari frequent itemset terlebih dahulu. Frequent itemset
adalah sekumpulan item yang sering muncul secara bersamaan. Setelah semua pola
frequent itemset ditemukan, barulah mencari aturan asosiatif atau aturan keterkaitan yang
memenuhi syarat yang telah ditentukan. Jika diasumsikan bahwa barang yang dijual di
swalayan adalah semesta, maka setiap barang akan memiliki bolean variabel yang akan
menunjukkan keberadaannya atau tidak barang tersebut dalam satu transaksi atau satu
keranjang belanja. Pola bolean yang didapat dugunakan untuk menganalisa barang yang
sering dibeli secara bersamaan. Pola tersebut dapat dirumuskan dalam sebuah association
rule. Sebagai contoh konsumen biasanya akan membeli kopi dan susu yang ditunjukkan
sebagai berikut :
Kopi susu [support =2%, confidence=60%]
Association rule diperlukan suatu variable ukuran yang ditentukan sendiri oleh
user untuk menentukan batasan sejauh mana atau sebanyak apa output yang diinginkan
user.
Support dan confidence adalah sebuah ukuran kepercayaan dan kegunaan suatu
pola yang telah ditemukan. Nilai support 2% menunjukkan bahwa keseluruhan dari total
transaksi konsumen membeli kopi dan susu secara bersamaan yaitu sebanyak 2%.
Sedangkan confidence 60% yaitu menunjukkan bila konsumen membeli kopi dan pasti
membeli susu sebesar 60%.
B. Algoritma Apriori
Algoritma Apriori adalah salah satu algoritma yang melakukan pencarian frequent
itemset dengan menggunakan teknik association rule (Erwin, 2009). Algoritma Apriori
menggunakan pengetahuan frekuensi atribut yang telah diketahui sebelumnya untuk
memproses informasi selanjutnya. Pada algoritma Apriori menentukan kandidat yang
mungkin muncul dengan cara memperhatikan minimum support dan minimum
confidence. Support adalah nilai pengunjung atau persentase kombinasi sebuah item
dalam
database.

Algoritma Apriori adalah algoritma paling terkenal untuk menemukan pola

frekuensi tinggi. Pola frekuensi tinggi adalah pola-pola item di dalam suatu database
yang memiliki frekuensi atau support di atas ambang batas tertentu yang disebut dengan
istilah minimum support.Pola frekuensi tinggi ini digunakan untuk menyusun aturan
assosiatif
dan
juga
beberapa
teknik
data
mining
lainnya.
Walaupun akhir-akhir ini dikembangkan banyak algoritma yang lebih efisien dari Apriori
seperti FP-growth, LCM dsb, tetapi Apriori tetap menjadi algoritma yang paling banyak
diimplementasikan dalam produk komersial untuk data mining karena dianggap
algoritma yang paling mapan.
1. Analisis Pola Frekuensi Tinggi dengan Algoritma Apriori
Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support
dalam basis data. Nilai support sebuah item diperoleh dengan menggunakan rumus
berikut:

Support ( A )=

Jumlah transaski mengandung A

Total transaksi

Sementara, nilai support dari 2 item diperoleh dengan menggunakan rumus :

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

Transaksi mengandung A dan B

Transaksi

Frequent itemset menunjukkan itemset yangmemiliki frekuensi kemunculan lebih dari nilai
minimum yang ditentukan ( ). Misalkan

= 2, maka semua itemsets yang frekuensi

kemunculannya lebih dari atau sama dengan 2 kali disebut frequent. Himpunan dari frequent kitemset dilambangkan dengan Fk.

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 A B. Nilai confidence dari aturan A

Confidence=

B diperoleh dengan rumus berikut:

Transaksi mengandung A dan B

Transaksi mengandung A

Untuk menentukan aturan asosiasi yang akan dipilih maka harus diurutkan berdasarkan
Support Confidence. Aturan diambil sebanyak n aturanyang memiliki hasil terbesar.
C. Contoh Kasus
Berikut ini adalah daftar merek produk Elektronik, dapat dilihat pada tabel dibawah ini:
D.

Tabel 1 : Daftar Merek Produk Elektronik pada Kreditplus Medan

No.

Merek

Jenis

1.
2.
3.
4.
5.

Acer
Asus
HP
Samsung
Lenovo

Laptop
Laptop
Laptop
Laptop
Laptop

6.
7.
8.
9.
10.
11.
12.
13.

Zyrex
Bioar
Apple
Toshiba
Hewpa
Dell
Axio
Compaq

Laptop
Laptop
Laptop
Laptop
Laptop
Laptop
Laptop
Laptop

Berdasarkan transaksi penjualan produk elektronik pada perusahaan Kreditplus Medan,

transaksi tersebut dapat diakumulasikan. Akumulasi transaksi penjualan produk Elektronik
pada Kreditplus Medan diperoleh dari penjualan bulanan yang diambil dari 3 teratas laporan
bulanan, dapat dilihat dalam tabel dibawah ini :
Tabel 2 : Pola Transaksi Penjualan Produk
Elektronik
No
.
1

ItemSet
Acer, Toshiba, Samsung

2
3
4
5
6
7
8
9
10
11
12

Toshiba, Acer, Asus

Samsung, Toshiba, HP
Samsung, Asus, Acer
Acer, Samsung, Toshiba
Acer, Toshiba, HP
Acer, Asus, Toshiba
Acer, Asus, HP
HP, Samsung, Asus
Acer, Samsung, HP
Samsung, Acer, Toshiba
HP, Asus, Samsung

a. Pembentukan Itemset
Berikut ini adalah penyelesaian dengan contoh kasus berdasarkan data yang sudah
disediakan pada tabel 4.2 :
Proses pembentukan C1 atau disebut dengan 1 itemset dengan jumlah minimum support =
30% Dengan rumus sebagai berikut:

Support ( A )=

Transaksi Mengandung A
Transaksi

x 100%

Tabel 3 : Support dari tiap item

Itemset
Acer
Asus
Hp
Samsung
Toshiba

Support
75%
50%
50%
66,67%
58,33%

b. Kombinasi 2 Itemset
Proses pembentukan C2 atau disebut dengan 2 itemset dengan jumlah minimum support =
30% Dapat diselesaikan dengan rumus berikut:

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

Transaksi yang mengandung A dan B

Transaksi

Tabel 4 : Calon 2-itemset

Itemset
Acer,Asus
Acer,HP
Acer,Samsung
Acer Toshiba
Asus,Toshiba
Asus,Samsung
Asus,HP
HP,Samsung
HP,Toshiba
Toshiba,Samsung

Jumlah
4
3
4
6
2
2
2
3
2
3

Support
33,33%
25%
41,67%
50%
16,67%
25%
20%
33,33%
16,67%
33,33%

Minimal support yang ditentukan adalah 30%, jadi kombinasi 2 itemset yang tidak
memenuhi minimal support akan dihilangkan, terlihat seperti 2 Table dibawah ini:
Tabel 5 : Minimal Support 2 itemset 30%
Itemset
Acer,Asus
Acer,Samsung
Acer,Toshiba
HP,Samsung
Toshiba,Samsung

Support
33,33%
41,67%
50%
33,33%
33,33%

c. Kombinasi 3 Itemset
Proses pembentukan C3 atau disebut dengan 3 itemset dengan jumlah minimum support =
30% Dapat diselesaikan dengan rumus berikut:
Support ( A , B ) =P ( A B C ) =

Transaksi yang mengandung A , B danC x 100

Transaksi

Tabel 6 : Kombinasi 3 itemset

Itemset
Acer, Toshiba, HP

Jumlah
1

Support
8,33%

Acer ,Toshiba,Asus

16,67%

Acer ,Samsung, Toshiba

16,67%

Asus,Acer,HP

8,33%

Asus,HP,Samsung

16,67%

Asus,HP,Toshiba

0%

HP,Samsung,Toshiba

8,33%

Karena Kombinasi 3 itemset tidak ada yang memenuhi minimal support, maka 2
kombinasi yang memenuhi untuk pembentukan asosiasi .

Pembentukan Aturan Asosiasi

Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yang
memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan asosiatif
AB.
Minimal Confidence=60%
Nilai Confidence dari aturan AB diperoleh dengan rumus berikut:
Confidence=

Transaksi mengandung A dan B

Transaksi mengandung A

Dari kombinasi 2 itemset yang telah ditemukan, dapat dilihat besarnya nilai support, dan
confidence dari calon aturan asosiasi seperti tampak pada tabel dibawah ini:
Tabel 7 : Aturan Asosiasi
Aturan
Jika membeli Acer, maka
akan membeli Asus
Jika membeli Asus, maka
akan membeli Acer
Jika membeli Acer, maka
akan membeli Samsung
Jika membeli Samsung,
maka akan membeli Acer
Jika membeli Acer, maka
akan membeli Toshiba
Jika membeli Toshiba, maka
akan membeli Acer
Jika membeli HP, maka
akan membeli Samsung
Jika membeli Samsung,
maka akan membeli HP

Confidence
4/9

44,44%

4/6

66,67%

5/9

45%

5/8

40%

6/9

66,67%

6/7

85,714%

4/6

66,67%

4/8

50%

Aturan Asosiasi Final

Aturan asosiasi final terurut berdasarkan minimal support dan minimal confidence yang
telah ditentukan, dapat dilihat pada tabel dibawah ini:
Tabel 8 : Aturan Asosiasi Final
Aturan
Jika membeli Acer, maka
akan membeli Toshiba
Jika
membeli
Toshiba,
maka
akan
membeli,
Acer

Support
50%

Confidence
66,67%

50%

85,714%

Berdasarkan aturan asosiasi diatas,dapat diketahui merek produk elektronk yang paling
banyak terjual pada perusahaan Kreditplus Medan,dan dapat dilihat pada grafik berikut ini:

Gambar 1 : Grafik Hasil Pembentukan Aturan

Asosiasi Final PenjualanTerbanyak

Kesimpulan
Jadi, berdasarkan grafik diatas, merek produk elektronik yang paling banyak terjual adalah
Acer dan Toshiba, dengan diketahuinya produk yang paling banyak terjual tersebut, sehingga
perusahaan dapat menyusun strategi pemasaran untuk memasarkan produk dengan merek lain
dengan meneliti apa kelebihan produk yang paling banyakterjual tersebut dengan produk
lainnya dan dapat menambah persedian Acer dan Toshiba.

Saran
1. Penjualan produk elektronik paling banyak terjual pada perusahaaan Kreditplus Medan
dapat diketahui dengan menggunakan algoritma apriori, dengan melihat produk yang
memenuhi minimal support dan minimal confidence, produk yang paling banyak terjual
tersebut adalah Acer dan Toshiba, namun dalam penghitungan support dan confidencenya
sulit jika data yang diolah dalam jumlah yang besar.
2. Algoritma Apriori dapat membantu mengembangkan strategi pemasaran dengan
memberikan saran kepada konsumen.