DATA MINING

“PERBANDINGAN DATA DENGAN MENGGUNAKAN

ASSOCIATION RULES PADA APLIKASI WEKA”
Disusun untuk memenuhi tugas mata kuliah Data Mining

Dosen Pengampu :

Yulian Findawati, ST., M.MT.

Disusun oleh :

Ainuna Qurrata A’yunina (6B1/161080200284)

FAKULTAS SAINS DAN TEKNOLOGI

PROGRAM STUDI INFORMATIKA

UNIVERSITAS MUHAMMADIYAH SIDOARJO

2019
 1. ANALISIS DATA MINING

1. Data Barang dan Data Transaksi

Data Barang
No Nama Barang
1 Tenda
2 Piring
3 Kotak Uang
4 Kursi
5 Sendok
6 Mangkok
7 Meja Prasmanan
Data diatas merupakan sample data barang yang akan digunakan pada
penelitian ini dan berlaku untuk semua jenis. Akumulasi transaksi barang dapat dilihat
sebagai berikut :
2. Langkah penggunaan software aplikasi WEKA untuk pengujian data mining, sebagai berikut :
1. Variabel data yang akan digunakan di salin di dokumen baru untuk disimpan pada file Ms.
Excel dan disimpan dengan format file jenis CSV MS-DOS (*.csv).
Contoh : dataainuna.csv
Seperti gambar berikut :

2. Jalankan aplikasi WEKA, untuk memulai proses analisa data mining Asosiasi Apriori Klik
Explorer
3. Setelah masuk menu Explorer, klik open file di menu tab “Preprocess”, dan klik open file.

Lalu pilih file “dataainuna.csv” dengan tipe file *.csv kemudian klik open

4. Setelah file terbuka, klik tombol save di pojok kanan atas agar file terbentuk menjadi jenis
file *.csv.arff agar bisa di baca oleh software aplikasi WEKA
5. Setelah file dataainuna.csv.arff terbuka, maka tampilan visualisasi data mengilustrasikan
jumlah dari masing – masing atribut yang ada.

6. Untuk menerapkan Association Rule, maka pilih tab Associate di menu atas.
 ANALISA MENGGUNAKAN METODE APRIORI
APRIORI => Klik choose kemudian pilih apriori

1. Untuk menentukan support dan minimum confidence maka kita perlu setting terlebih
dahulu dengan cara klik pada tulisan “Apriori”, maka akan muncul menu setting
tersebut :

Atur semua minimum support dan minimum confidence di menu tersebut sesuai gambar
(Min. Support 30% dan Min. Confidence 60%)
 2. Kemudian klik start, maka rule akan berjalan dan memberikan hasil dari data tersebut

Gambar diatas adalah hasil perhitungan apriori dengan minimum support 30% dan
minimum confidence 60% tersebut menghasilkan 5 itemsets dan 30 rules.
 ANALISA MENGGUNAKAN METODE FP-GROWTH

FPGrowth => Klik choose kemudian pilih FPGrowth.

1. Setting minimum support dan minimum confidence dengan cara klik pada tulisan
“FPGrowth”, maka akan muncul menu setting sebagai berikut :

Atur minimum support dan minimum confidence di menu tersebut sesuai

gambar (Min. Support 30% dan Min. Confidence 60%)

2. Kemudian klik start, maka rule akan berjalan dan memberikan hasil dari data tersebut

Hasil dari perhitungan diatas dengan minimum support 30% dan minimum confidence 60%,
menghasilkan 5 rules.
 ANALISA MENGGUNAKAN METODE FILTERED
ASSOCIATOR
Filtered Associator => Klik choose kemudian pilih FilteredAssociator. Kemudian klik start,
maka rule akan berjalan dan memberikan hasil dari data tersebut.

Hasil perhitungan di atas tersebut menghasilkan 4 itemsets dan 10 rules.

 KESIMPULAN
Dari perbandingan data transaksi di atas dengan menggunakan Association Rules dapat
disimpulkan sebagai berikut :

1. APRIORI
 Menghasilkan 5 Itemsets.
 Menghasilkan 30 Best Rules.
 Membutuhkan waktu beberapa detik

2. FP-Growth
 Tidak ada hasil perhitungan Itemsets.
 Menghasilkan 5 Best Rules.
 Waktu eksekusi program cepat

3. FilteredAssociator
 Menghasilkan 4 Itemsets.
 Menghasilkan 10 Best Rules.
 Waktu eksekusi program juga cepat

Jadi perbedaan menggunakan apriori terletak pada waktu eksekusi program yang lebih lama
karena apriori untuk melakukan pencarian frequent itemset harus melakukan scanning
database berulang kali, sedangkan FP-growth dan Filtered Associator lebih cepat karena
menggunakan konsep pembangunan tree untuk mencari frequent itemsets. Tetapi apriori
lebih memiliki keakuratan hasil data yang lebih tinggi dibandingkan dengan yang lainnya.