FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
PRAKTIKUM 4
ANALISA 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 .
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
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.
Algoritma FP-Growth
Algoritma FP-Growth merupakan pengembangan dari algoritma Apriori. Sehingga
kekurangan dari algoritma Apriori 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
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
Association Rule
Asociation 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
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
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.
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
semua konsumen memberikan kita informasi yang sangat banyak, dan ini dapat
menjelaskan barang-barang 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
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
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 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.
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
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.
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
Barang dalam suatu pembelian digambarkan dalam line items. Data ini termasuk harga
pembayaran barang, jumlah barang, pajak yang harus dibayar, mungkin juga termasuk harga
(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.
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
Hal ini dapat berguna untuk membandingkan pengukuran ini terhadap yang lainnya. Kita
telah menemukan bahwa jumlah pembelian dapat menjadi acuan untuk membedakan diantara
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.
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
punya kemungkinan 50% untuk juga membeli susu. Aturan ini cukup signifikan karena
mewakili 40% dari catatan transaksi selama ini."
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).
Diketahui bahwa jumlah transaksi yang memuat {roti,mentega} ada 4 (support 80%),
sedangkan jumlah transaksi yang memuat {roti,mentega,susu} ada 2 (support 40%), transaksi
yang memuat {buncis} hanya 1 (support 20%) dan sebagainya.
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
minimum dari nilai support untuk pola frekuensi tinggi dalam contoh ini adalah 30%,
diperoleh pola frekuensi tinggi yang memenuhi syarat minimum nilai support adalah :
Tabel 2. Data Transaksi dengan Frekuensi Tertinggi
Bila syarat minimum untuk confidence dari contoh diatas adalah 50% maka salah satu contoh
aturan assosiatif yang dapat ditemukan adalah : {telur,susu} {roti,mentega} dengan nilai
confidence:
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
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.
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
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
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.
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
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
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
4. Klik Next
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
6. Klik Next
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
14. Cari Numerical to Binominal, kemudian drag ke dalam kotak Main Process
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
Gambar 17. Proses Numerical to Binominal, dan Numerical to Binominal dengan Remap
Binominals
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
19. Hubungkan FP-Growth (exa) ke res pertama (sebelah kanan) dan Create Association
Rules (rul) ke res kedua (sebelah kanan)
Gambar 20. Proses menghubungkan FP-Growth ke ras pertama dan Create Association Rules
ke res kedua
20. Klik FP-Growth, ganti min support dengan nilai 0.05
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
21. Klik Create Association Rules kemudian ganti min confidence dengan nilai 0.05
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
23. Apabila nilai support diganti 0.2 kemudian klik Run, akan muncul output seperti
gambar di bawah ini
UNIVERSITASISLAMINDONESIA
FMUIIAAFKA07/R0
MATERIPRAKTIKUM
Fakultas:TeknologiIndustri
Jurusan/ProgramStudi:TeknikIndustri
KodeMataKuliah:52224603
NamaMataKuliah:AnalisisKeputusandanDataMining
Pertemuanke:4
Modul ke :4
Jumlah Halaman:28
Mulaiberlaku:2014
DAFTAR PUSTAKA
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