Algoritma Data Mining Menggunakan Aturan Asosiasi dengan Metode Apriori

MAKALAH
diajukan untuk memenuhi salah satu tugas Mata Kuliah Data Mining

Kelas 6A
Anggota Kelompok :
Asep Sudirman 107006001
Erna Haerani 107006005
Asep Kurniawan 107006023
Firman Cahyana 107006025
Kicep Sutisna 107006026
Isna Nur Khoerani 107006035
Bayu Gumilar 107006039
Ramma Yudha 107006046

FAKULTAS TEKNIK
JURUSAN TEKNIK INFORMATIKA
UNIVERSITAS SILIWANGI
TASIKMALAYA
2013
 KATA PENGANTAR

Puji dan syukur Tim Penulis panjatkan kepada Tuhan Yang Maha Esa atas rahmat-
Nya yang telah dilimpahkan kepada Tim Penulis sehingga Tim Penulis dapat
menyelesaikan makalah yang berjudul Algoritma Data Mining Asosiasi dengan
menggunakan Metode Apriori yang merupakan salah satu tugas Mata Kuliah Data Mining.
Dalam menyelesaikan makalah ini, Tim Penulis telah banyak mendapat bantuan
dan masukan dari berbagai pihak. Oleh karena itu, dalam kesempatan ini Tim Penulis ingin
menyampaikan terimakasih kepada :
1. Bapak Acep Irham, Gufroni, M,Eng. selaku Dosen Mata Kuliah Data Mining yang
telah mmbimbing kami dalam pengerjaan makalah ini.
2. Kedua Orangtua yang telah membina, mendidik dan membesarkan saya.
3. Teman-teman sekelompok dan juga teman sekelas, serta Pihak-pihak lainnya yang
tidak dapat Penulis sebutkan satu persatu yang telah turut membantu sehingga makalah ini
dapat terselesaikan dengan baik dalam waktu yang tepat.
Penulis menyadari bahwa penyusunan makalah ini masih jauh dari kesempurnaan, mudah-
mudahan dapat memberikan manfaat bagi Tim Penulis khususnya dan umumnya kepada
para pembaca sekalian. Akhir kata Tim Penulis berharap mendapatkan kritik dan saran
yang bersifat membangun untuk pembuatan makalah selanjutnya yang lebih baik lagi.

Tasikmalaya, April 2013

Penulis

i
 DAFTAR ISI
Kata Pengantar ............................................................................................................... i
Daftar Isi ......................................................................................................................... ii
Bab I Pendahuluan
A. Latar Belakang .................................................................................................. 1
B. Rumusan Masalah .............................................................................................. 2
C. Tujuan Makalah.................................................................................................. 3

Bab II Pembahasan
A. Algoritma Apriori .............................................................................................. 1
B. Rumusan Masalah .............................................................................................. 1
C. Tujuan Makalah.................................................................................................. 2
D. Latar Belakang .................................................................................................. 1

Bab III Contoh Kasus

A. Rumusan Masalah .............................................................................................. 1
B. Tujuan Makalah.................................................................................................. 2
C. Latar Belakang .................................................................................................. 1
D. Rumusan Masalah .............................................................................................. 1

Bab IV Simpulan dan Saran

A. Tujuan Makalah.................................................................................................. 2
B. Tujuan Makalah.................................................................................................. 2
C. Latar Belakang .................................................................................................. 1
D. Rumusan Masalah .............................................................................................. 1

Daftar Pustaka ............................................................................................................... 4

ii
 BAB I
PENDAHULUAN

A. Latar Belakang
Ketersediaan data sudah bukan hal yang sulit diperoleh lagi dewasa ini apalagi
ditunjang dengan banyaknya kegiatan yang sudah dilakukan secara komputerisasi.
Namun data ini seringkali diperlakukan hanya sebagai rekaman tanpa pengolahan
lebih lanjut sehingga tidak mempunyai nilai guna lebih untuk keperluan masa
mendatang. Analisa dari tiap koleksi data tersebut akan menghasilkan pengetahuan
atau informasi, misalnya berupa pola dan kaidah asosiasi yang terjadi pada data. Pola
dan kaidah asosiasi bisa terjadi pada berbagai jenis data baik data ekonomi, keuangan,
kesehatan dan lain-lain.
Penggalian kaidah asosiasi mempunyai peranan penting dalam proses pengambilan
keputusan. Tahapan besar dari proses Data Mining adalah mengidentifikasikan
frequent itemset dan membentuk kaidah asosiasi dari itemset tersebut. Kaidah
asosiasi digunakan untuk menggambarkan hubungan antar item pada tabel data
transaksional.

Tapi semakin berkembangnya teknologi komputer di dunia industri, semakin pesat

pula perkembangan ukuran data tabel transaksional yang dihasilkan. Dan pada data
tabel transaksional yang besar (VLDB, Very Large Database) tersebut, proses
pencarian frequent itemset sangatlah sulit. Dari kondisi tersebut, sudah banyak
algoritma yang dibentuk untuk mencari kaidah asosiasi. Tetapi keterbatasan tetap saja
ada. Keterbatasan yang paling mencolok adalah diperlukannya pembacaan basis data
secara berulang yang mengurangi kinerja algoritma tersebut. Sehingga diperlukan
suatu algoritma yang sangat efisien yang bisa meminimalisasi pembacaan basis data,
sehingga bisa mengoptimasi waktu yang dibutuhkan.
Perangkat lunak yang dibuat ini menggunakan suatu algoritma yang menyimpan data
tabel transaksional di memory pada pembacaan awal. Sehingga untuk proses
selanjutnya pembacaan basis data dapat dikurangi. Sifat ini tentu saja menguntungkan
algoritma tersebut.

Banyak teori dan pendekatan yang dikembangkan untuk memperoleh hasil penemuan
kaidah asosiasi dan pola. Salah satu metode yang dikembangkan yaitu dengan
menggunakan metode apriori. Beberapa dari metode sebelumnya melakukan pencarian

3
itemset dengan pendekatan graf asosiasi yang memiliki kelemahan pada
penggunaan memori yang besar. Keterbatasan memori jelas akan mempengaruhi
banyaknya item yang bisa diproses. Lebih jauh lagi, sebagian besar pendekatan
menggunakan struktur data internal sangat rumit yang tidak bersifat lokal dan
membutuhkan tambahan sumber daya dan banyak komputasi.
Pada riset ini, metode apriori digunakan untuk memperoleh kaidah asosiasi yang
menggambarkan hubungan antar item pada database transaksional. Database yang
digunakan ada tiga buah yang masing-masing memiliki jumlah transaksi yang
berbeda.
Dari hasil pengujian empiris dapat ditarik kesimpulan bahwa waktu komputasi untuk
menghasilkan kaidah asosiasi dipengaruhi oleh jumlah transaksi dan Penggunaan
struktur data “tidlist” pada algoritma apriori menyebabkan waktu komputasi yang
dibutuhkan relatif berkurang karena hanya memerlukan pembacaan basis data sekali
saja

B. Rumusan Masalah
Masalah yang akan dibahas dalam makalah ini adalah :
1. Apa Deskripsi Organisasi?
2. Bagaimana Investigasi Situasi dan Stakeholder?
3. Bagaimana Analisis Lingkungan Eksternal Bisnis Organisasi?
4. Bagaimana Analisis Lingkungan Internal Bisnis Organisasi?
5. Bagaimana Analisis Lingkungan Internal dan Eksternal Sistem dan Teknologi
Informasi?
6. Bagaimana Penetapan Target Sistem dan Teknologi Informasi?

4
C. Tujuan Makalah
Tujuan dari penulisan makalah ini adalah untuk :
1. Mengetahui Deskripsi Organisasi.
2. Mengetahui Investigasi Situasi dan Stakeholder.
3. Mengetahui Analisis Lingkungan Eksternal Bisnis Organisasi.
4. Mengetahui Analisis Lingkungan Internal Bisnis Organisasi.
5. Mengetahui Analisis Lingkungan Internal dan Eksternal Sistem dan Teknologi
Informasi.
6. Mengetahui Penetapan Target Sistem dan Teknologi Informasi.

5
 BAB II
PEMBAHASAN
A. Algoritma A Priori
Algoritma a priori termasuk jenis aturan assosiasi pada data mining. Selain a priori
yang termasuk pada golongan ini adalah metode Generalized Rule Induction dan
Algoritma Hash Based. Aturan yang menyatakan asosiasi antara beberapa atribut
sering disebut sebagai affinity analysis atau market basket analysis.

Analisis asosiasi atau association rule mining adalah teknik data mining untuk
menemukan aturan assosiatif antara suatu kombinasi item. Contoh dari aturan assosiatif
dari analisa pembelian di suatu pasar swalayan adalah dapat diketahuinya berapa besar
kemungkinan seorang pelanggan 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. Karena analisis asosiasi menjadi terkenal karena aplikasinya
untuk menganalisa isi keranjang belanja di pasar swalayan, analisis asosiasi juga sering
disebut dengan istilah market basket analysis.
Analisis asosiasi dikenal juga sebagai salah satu teknik data mining yang menjadi
dasar dari berbagai teknik data mining lainnya. Khususnya salah satu tahap dari
analisis asosiasi yang disebut analisis pola frequensi tinggi (frequent pattern
mining) menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien.
Penting tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter,
support (nilai penunjang) yaitu persentase kombinasi item tersebut dalam database
dan confidence (nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan
asosiasi.
Aturan asosiasi biasanya dinyatakan dalam bentuk :

{roti, mentega} -> {susu} (support = 40%, confidence = 50%)

Yang artinya : "50% dari transaksi di database yang memuat item roti dan mentega
juga memuat item susu. Sedangkan 40% dari seluruh transaksi yang ada di database
memuat ketiga item itu."
Dapat juga diartikan : "Seorang konsumen yang membeli roti dan mentega punya
kemungkinan 50% untuk juga membeli susu. Aturan ini cukup signifikan karena
mewakili 40% dari catatan transaksi selama ini."

6
Analisis asosiasi didefinisikan suatu proses untuk menemukan semua aturan asosiasi
yang memenuhi syarat minimum untuk support (minimum support) dan syarat
minimum untuk confidence (minimum confidence).
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. Nilai support sebuah item diperoleh dengan rumus berikut:
Jumlah transaksi mengandung A
Support( A)

Total Transaksi
sedangkan nilai support dari 2 item diperoleh dari rumus 2 berikut :
Support ( A, B) P( A B)

∑ Transaksi mengandung A dan B

Support ( A, B)
∑ Transaksi

Tabel 5.1. Transaksi

Transaksi Item yang dibeli
1 Susu, Teh, Gula
2 Teh, Gula, Roti
3 Teh, Gula
4 Susu, Roti
5 Susu, Gula, Roti
6 Teh, Gula
7 Gula, Kopi, Susu
8 Gula, Kopi, Susu
9 Susu, Roti, Kopi
10 Gula, Teh, Kopi

Sebagai contoh, ada database dari transaksi belanja pasar swalayan seperti
ditunjukkan dalam Tabel 5.1

7
Data pada Tabel 5.1 dalam database transaksional biasa direpresentasikan dalam
bentuk seperti tampak pada Tabel 5.2

Representasi Data Transaksi dalam Database Transaksional

Transaksi Item yang dibeli

1 Susu
1 Teh
1 Gula
2 Teh
2 Gula
2 Roti
3 Teh
3 Gula
4 Susu
4 Roti
5 Susu
5 Gula
5 Roti
6 Teh
6 Gula
7 Gula
7 Kopi
7 Susu
8 Gula
8 Kopi
8 Susu
9 Susu
9 Roti
9 Kopi
10 Gula
10 Teh
10 Kopi

8
Dan bila kita bentuk dalam bentuk tabular, data transaksi akan tampak seperti pada
Tabel 5.3.
Format Tabular Data Transaksi
Transaksi Teh Gula Kopi Susu Roti
1 1 1 0 1 0
2 1 1 0 0 1
3 1 1 0 0 0
4 0 0 0 1 1
5 0 1 0 1 1
6 1 1 0 0 0
7 0 1 1 1 0
8 0 1 1 1 0
9 0 0 1 1 1
10 1 1 1 0 0

Misalkan D adalah himpunan transaksi yang direperesentasikan dalam Tabel 5.1,

dimana masing-masing transaksi T dalam D merepresentasikan himpunan item yang
berada dalam I. I adalah himpunan iterm yang dijual {Teh, Gula, Kopi, Susu, Roti}.
Misalkan kita memiliki himpunan items A (misal Susu dan Gula) dan himpunan item
lain B (misal Kopi). Kemudian aturan asosiasi akan berbentuk

Jika A, maka B ( A-7B)

Dimana antecedent A dan consequent B merupakan subset dari I, dan A dan B

merupakan mutually exclusive dimana aturan

Jika A maka B
tidak berarti
Jika B maka A
Definisi ini tidak berlaku untuk aturan trivial seperti :
Jika beans dan Squash Maka beans
Seorang analis mungkin hanya akan mengambil aturan yang memiliki support
dan/atau confidence yang tinggi. Aturan yang kuat adalah aturan-aturan yang melebihi
kriteria support dan/atau confidence minimum. Misalnya seorang analist
menginginkan aturan yang memiliki support lebih dari 20% dan confidence lebih
dari 35%.

9
Sebuah itemset adalah himpunan item-item yang ada dalam I, dan k-itemset adalah
itemset yang berisi k item. Misalnya {Teh, Gula) adalah sebuah 2-itemset dan {Teh,
Gula, Roti) merupakan 3- itemset.

Frequent Itemset menunjukkan itemset yang memiliki frekuensi kemunculan lebih dari
nilai minimum yang telah ditentukan (ф). Misalkan ф = 2, maka semua itemset yang
frekuensi kemunculannya lebih dari atau sama dengan 2 kali disebut frequent.
Himpunan dari frequent k-itemset dilambangkan dengan Fk.

Tabel 5.4 berikut ini menujukkan calon 2-itemset

dari data transaksi pada Tabel 5.1.

10
Calon 2-itemset

Kombinasi Jumlah
Teh, Gula 5
Teh, Kopi 1
Teh, Susu 1
Teh, Roti 1
Gula, Kopi 3
Gula, Susu 4
Gula, Roti 2
Kopi, Susu 3
Kopi, Roti 1
Susu, Roti 3

Dari data tersebut diatas, jika ditetapkan nilai ф = 3 maka

F2 = { {Teh, Gula}, {Gula, Kopi}, {Gula,

Susu}, {Gula, Roti}, {Kopi, Susu},
{Susu, Roti}}

Calon 3-itemset

Kombinasi Jumlah
Teh, Gula, Kopi 1
Teh, Gula, Susu 1
Gula, Susu, Kopi 2
Gula, Susu, Roti 0
Gula, Kopi, Roti 0
Kopi, Susu, Roti 1

Kombinasi dari itemset dalam F2 dapat kita gabungkan menjadi calon 3-itemset.
Itemset- itemset dari F2 yang dapat digabungkan adalah itemset-itemset yang memiliki
kesamaan dalam k-1

item pertama. Calon 3-itemset yang dapat dibentuk dari F2 seperti tampak pada Tabel
5.5.
Dengan demikian F3 = {{Gula, Susu, Kopi}}, karena hanya kombinasi inilah yang
memiliki frekeunsi
kemunculan >= ф.
11
2. Pembentukan aturan Asosiasi

Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yang
memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan
assosiatif A -7 B

Nilai confidence dari aturan A-7 B diperoleh dari rumus berikut:

12
Dari F3 yang telah ditemukan, dapat dilihat besarnya nilai support dan confidence dari
calon aturan asosiasi seperti tampak pada Tabel 5.6.

Calon Aturan Asosiasi dari F3

Aturan Confidence
Jika membeli Gula dan Susu2/4 50%
Maka akan membeli
Jika membeli Gula Kopi
dan Kopi2/3 67%
Maka akan membeli
Jika membeli Kopi Susu
dan Susu2/3 67%
Maka akan membeli Gula

Misalkan ditetapkan nilai confidence minimal adalah 60% maka aturan yang bisa
terbentuk adalah aturan dengan 2 antecedent berikut:

Jika membeli Gula dan Kopi Maka akan membeli Susu

Jika membeli Kopi dan Susu Maka akan membeli Gula

Sementara itu calon aturan asosiasi dari F2 bisa dilihat pada tabel 5.7

Aturan Asosiasi
Aturan Confidence
Jika membeli Teh 5/5 100%
Maka akan membeli
Jila membeli Gula Gula 5/8 62.5%
Maka akan membeli
Jika membeli Gula Teh 3/8 37.5%
Maka akan membeli
Jika membeli Kopi Kopi 3/4 75%
Maka akan membeli
Jika membeli Gula Gula 4/8 50%
Maka akan membeli
Jika membeli Susu Susu 4/6 67%
Maka akan membeli
Jika membeli Gula Gula 2/8 25%
Maka akan membeli Roti
13
Jika membeli Roti 2/4 50%
Maka akan membeli
Jika membeli Kopi Gula 3/4 75%
Maka akan membeli
Jika membeli Susu Susu 3/6 50%
Maka akan membeli
Jika membeli Kopi akan3/6
Susu Maka 50%
membeli Roti Roti
Jika membeli 3/4 75%
Maka akan membeli Susu

14
dan aturan asosiasi final terurut berdasarkan Support x Confidence terbesar dapat
dilihat pada Table 5.8.
Aturan Asosiasi Final
SUPPORT x
ATURAN
Jika membeli Teh 50% CONFIDENC CONFIDENC
SUPPORT 100%
Maka akan membeli E E
Jila
Gula membeli Gula 50% 62.50%
Maka akan membeli 50.0%
Jika
Teh membeli Susu40% 67%
Maka akan membeli 31.3%
Jika
Gula membeli Kopi 30% 75%
Maka akan membeli 26.8%
Jika
Gula membeli Kopi 30% 75%
Maka akan membeli 22.5%
Jika
Susu membeli Roti 30% 75%
Maka akan membeli 22.5%
Jika
Susu membeli Gula 20% 67%
dan Kopi Maka akan 22.5%
Jika
membelimembeli
Susu Kopi 20% 67%
dan Susu Maka akan 13.4%
membeli Gula
13.4%
B. Contoh Aplikasi

Dalam mengimplementasikan algoritma apriori untuk mencari aturan asosiasi, penulis

menggunakan database default saat instalasi SQL server 2000 yaitu database
Northwind, dimana dalam database tersebut terdapat diantaranya 2 tabel dengan relasi
seperti tampak pada Gambar 5.1.

15
Gambar 5.1 Relasi Tabel

Tabel Orders menyimpan transaksi yang terjadi dalam suatu perusahaan sedangkan
tabel Order Details menjelaskan prodecur apa saja yang terbeli dalam masing-masing
transaksi pada tabel Orders.

Dalam menerapkan algoritma apriori, kami menggunakan tabel-tabel dalam database

untuk menyimpan frequent itemset. Selain itu fasilitas query dalam database juga
dimanfaatkan untuk mendapatkan kombinasi item yang mungkin dalam itemset.

Langkah yang dilakukan dalam pembuatan aplikasi mining aturan asosisasi dengan
algoritma apriori pada penelitian ini dijelaskan dalam flowchart yang tampak pada
Gambar 5.2, Gambar 5.3, Gambar 5.4
dan Gambar 5.5

16
17
Gambar 5.2 Flowchart Program untuk mendapatkan kombinasi yang memenuhi (1)

18
Gambar 5.3. Flowchart Program untuk mendapatkan kombinasi yang memenuhi(2)

19
Gambar 5.4 Flowchart Program untuk mendapatkan kombinasi yang memenuhi(3)

20
Gambar 5.5 Flowchart Program untuk mendapatkan kombinasi yang memenuhi(4)

Gambar 5.6 menunjukkan Rancangan Form yang digunakan dalam impelementasi

algoritma apriori.

21
Gambar 5.6. Rancangan Form

File aplikasi dan source code dapat di peroleh dalam CD yang disertakan dalam
buku ini. Untuk dapat menjalankan aplikasi ini, komputer harus terinstal SQL Server
2000.

Kode program ditulis dengan bahasa pemrograman Borland Delphi 6. Aplikasi ini
berjalan diatas sistem operasi Microsoft Windows.

Aplikasi ini membutuhkan database Northwind, yaitu database default saat menginstal
SQL Server 2000. Setelah SQL Server terinstal, masukkan database Northwind

22
dalam ODBC. Berikut ini adalah langkah yang harus dilakukan untuk menambahkan
database Northwind dalam ODBC:
1. Buka Control Panel – Administrative Tool –Data Source (ODBC).
Fasilitas ini dapat dilihat pada Gambar 5.7

Gambar 5.7 Adminiatrative Tools

2. Pada form ODBC, tekan tombol Add. Form ini dapat dilihat pada
Gambar 5.8

23
Gambar 5.8. Form ODBC

3. Pada Form Create New Data Source pilih Driver SQL Server
dan tekan Tombol Finish. Form ini dapat dilihat pada gambar 5.9.

Gambar 5.9 Form Create New Data Source

4. Pada Form Create a New Data Source to SQL Server masukkan

24
name Northwind dan pilih server dimana databasenya diletakkan kemudian tekan
Tombol Next dan pada halaman selanjutnya tekan Tombol Next lagi. Form ini
dapat dilihat pada Gambar 5.10

Gambar 5.10 Form Create a New Data Source

to SQL Server
5. Pada halaman pemilihan database, ganti
database default dengan database Northwind
seperti tampak pada Gambar 5.11, kemudian tekan Tombol Next dan di halaman
berikutnya
tekan Tombol Finish.

Gambar 5.11. Halaman Pemilihan Database

25
Setelah database Northwind terdaftar dalam ODBC, langkah selanjutnya adalah
membuat form seperti tampak pada Gambar 5.6. Properti yang paling penting dalam
rancangan form tersebut adalah properti database pada komponen Query dan Query1.
properti tersebut harus diisi dengan Northwind untuk menghubungkan aplikasi
dengan databasenya.

Gambar 5.12 berikut ini adalah tampilan hasil running program

aplikasi untuk mengimplementasikan algoritma apriori.

Gambar 5.12 Aplikasi Aturan Asosiasi dengan algoritma apriori

26
Aturan asosiasi yang diperoleh adalah sebagai berikut:

27
1. JIKA membeli 21 MAKA akan membeli 61 dengan SUPPORT 0.96 %
dan CONFIDENCE 20.51 %
2. JIKA membeli 61 MAKA akan membeli 21
dengan SUPPORT 0.96 % dan CONFIDENCE

33.33 %

3. JIKA membeli 16 MAKA akan membeli 31

dengan SUPPORT 0.84 % dan CONFIDENCE

16.28 %

4. JIKA membeli 31 MAKA akan membeli 16 dengan SUPPORT 0.84 %

dan CONFIDENCE
13.73 %

5. JIKA membeli 16 MAKA akan membeli 60 dengan SUPPORT 0.72 %

dan CONFIDENCE
13.95 %

6. JIKA membeli 60 MAKA akan membeli 16

dengan SUPPORT 0.72 % dan CONFIDENCE

12.76 %

7. JIKA membeli 16 MAKA akan membeli 62

dengan SUPPORT 0.72 % dan CONFIDENCE

13.95 %

8. JIKA membeli 62 MAKA akan membeli 16

dengan SUPPORT 0.72 % dan CONFIDENCE

12.50 %

9. JIKA membeli 30 MAKA akan membeli 54 dengan SUPPORT 0.72 %

dan CONFIDENCE
18.75 %

28
10. JIKA membeli 54 MAKA akan membeli 30 dengan SUPPORT 0.72 %
dan CONFIDENCE
16.67 %

11. JIKA membeli 31 MAKA akan membeli 72

dengan SUPPORT 0.72 % dan CONFIDENCE

12.76 %

12. JIKA membeli 72 MAKA akan membeli 31

dengan SUPPORT 0.72 % dan CONFIDENCE

15.79 %

13. JIKA membeli 60 MAKA akan membeli 71 dengan SUPPORT 0.72 %

dan CONFIDENCE
12.76 %

29
14. JIKA membeli 71 MAKA akan membeli 60 dengan SUPPORT 0.72 % dan
CONFIDENCE
14.29 %

Aturan-aturan tersebut diperoleh dengan langkah- langkah sebagai berikut:

1. Mengambil ProductId dan frekunesi transaksi
terhadap produk tersebut dari tabel Order Details yang memenuhi minimum transaksi
dan dimasukkan ke dalam tabel C1. Tabel Order Details dan tabel C1 dapat dilihat
pada lampiran 2, sedangkan minimum transaksi ditentukan oleh user pada form
aplikasi, dan dalam hal ini diambil nilai minimum transaksi sebesar 5.
2. Membuat kombinasi item-item pada tabel C1 dan
dimasukkan ke dalam tabel C2 menjadi
calon 2-itemset. Pada langkah ini dilakukan pula penghitungan frekuensi transaksi yang
mengandung kombinasi item-item tersebut. Kombinasi item yang memiliki frekuensi
transaksi kurang dari nilai minimum_transaksi
dihapus dari tabel C2. Isi dari tabel C2 dapat dilihat pada lampiran 2.
3. Membuat kombinasi item-item pada tabel C2 dan
dimasukkan ke tabel C3 menjadi calon 3- itemset. Seperti pada langkah 2, dilakukan
penghitungan frekuensi transaksi yang mengandung kombinasi item dari calon k-
itemset, dan kombinasi yang tidak memenuhi nilai minimum transaksi dihapus dari tabel
C3.
Isi dari tabel C3 kosong, yang artinya tidak ada kombinasi item yang memuhi syarat
minimum transaksi.
4. Dari tabel C2 dibentuk aturan asosiasi yang berbentuk

jika nilai[item1] maka nilai[item2] dan sebaliknya

jika nilai[item2] maka nilai[item1]

1
5. dari masing-masing bentuk aturan asosiasi pada seluruh record
yang ada di tabel C2 di lakukang perhitungan nilai confidence. Bagi aturan yang
memenuhi syarat minimum confidence akan ditampilkan, sedangkan yang tidak
memenuhi tidak ditampilkan. Dalam hal ini, minimum confidence ditentukan sebesar
10%

Aplikasi ini sudah dapat digunakan untuk mencari aturan asosiasi sampai tingkat n-
antecedent. Tetapi karena data dalam database belum terlalu banyak, maka aturan
asosiasi yang ditemukan baru sampai 1-anteced

BAB III
PEMBAHASAN CONTOH KASUS
Data mining adalah suatu istilah yang digunakan un- tuk menguraikan penemuan
pengetahuan di dalam database. Data mining merupakan bagian integral dari
Knowledge Discovery in Database (KDD), di- mana mencakup keseluruhan
proses konversi data mentah menjadi informasi yang berguna. Data min- ing
adalah proses yang menggunakan teknik statistic, matematika, kecerdasan buatan,
dan machine learn- ing untuk mengekstraksi dan mengidentifikasi infor- masi yang
bermanfaat dan pengetahuan yang terkait dari berbagai database besar [4].
Dengan adanya sistem komputerisasi pada setiap transaksi di semua bidang saat
ini dan tersedianya suatu perangkat keras untuk menyimpan data yang besar, data
mining dapat digunakan untuk menam- bang suatu informasi penting yang dapat
dihasilkan dari basis data tersebut. Proses ini dapat membantu dalam pengambilan
keputusan bagi pengguna.
2
Analisis Keranjang Belanja (Market Basket

Analysis)

Analisis keranjang belanja merupakan sebuah analisis terhadap kebiasaan

berbelanja customer[5]. Analisis dilakukan dengan menemukan hubungan antara
barang-barang yang telah dibeli. Data ker- anjang pasar di analisis untuk
mendapatkan aturan asosiasi dari kombinasi barang yang ada.
Analisis Asosiasi (Association Analysis)

Analisis asosiasi adalah suatu proses untuk mene- mukan semua aturan asosiasi
yang memenuhi syarat minimum untuk support (minimum support) dan syarat
minimum untuk confidence (minimum confi- dence).

Untuk beberapa simbol, I adalah himpunan item, D adalah data transaksi, dimana
setiap transaksi mempunyai ID unik (tid) dan terdiri dari bebera- pa item.
Sebuah itemset adalah himpunan item-item yang ada di dalam I. K-itemset adalah
itemset yang berisis k item. Support dari itemset X, dinotasikan sebagai σ(X),
adalah jumlah transaksi dimana X be- rada sebagai subset. Sebuah subset dari
itemset yang mempunyai panjang k disebut k-subset. Item- set disebut maksimal
bila bukan merupakan subset dari itemset lainnya. Frequent itemset menunjukkan
itemset yang memiliki frekuensi kemunculan lebih

3
dari nilai minimum support (minsup) yang telah di- tentukan sebelumnya.
Himpunan dari frequent k- itemset dilambangkan dengan Fk .
Aturan asosiasi merupakan ekspresi AB, dengan A
dan B adalah itemset.
Support=

jumlah transaksi mengandung A dan B T otal transaksi

Confidence=

jumlah transaksi mengandung A dan B jumlah transaksi mengandung A

Tugas dari Data Mining adalah untuk menghasil- kan semua aturan asosiasi pada
suatu tabel transak- sional, yang mempunyai nilai support lebih dari min- sup.
Aturan tersebut juga harus mempunyai confi- dence yang lebih besar dari mincof.
Data yang diambil sebagai contoh adalah data transaksi penjualan obat disuatu
apotek. Terdapat 5 jenis obat yang berbe- da, yang dianggap sebagai 5 item.
Setiap item dino- tasikan dengan inisial yang berbeda. Misalnya jenis obat
Antibiotik diberi inisial huruf ‘A’, seperti terlihat pada tabel 1. Kemudian semua
inisial tersebut di ma- sukkan ke dalam himpunan I = A,B,C,D,E. Data tabel
transaksional D (table 2) terdiri dari 7 transaksi pen- jualan obat dimana tiap
transaksi penjualan terdiri dari beberapa obat yang terdapat pada table 1.

4
Tabel 1: Keterangan Jenis Obat beserta inisialnya

Jenis Obat Inisial

Antibiotik A
Ekspektoran B
Vitamin&Miner C
Hemostatik D
al
Psikofarmaka E

Tabel 1

Tabel 3 berikut ini menunjukkan salon 2-itemset dari data transaksi pada tabel 2.
Dari data di atas jika ditetapkan nilai frequent itemset = 2, maka :

Tabel 2: Data Tabel Transaksional

Transaksi Item yang Dibeli
1 AB
2 ACDE
3 BCD
4 ABCD
5 ABC
6 ABE
7 D
Ta bel 3: Calon 2-itemset

F2 = A,B, A,C, A,D, A,E, B,C, B,D, C,D

Kombinasi dari itemset dalam F2 dapat diga- bungkan menjadi calon 3-itemset.
5
Calon 3-itemset
yang dapat dibentuk dari F2 tampak pada tabel 5.
Dengan demikian F3 = A,B,C, A,C,D , karena hanya kombinasi ini yang memiliki
frekuensi kemu-
nculan >= 2.
Dari F3 yang telah ditemukan, dapat dilihat be- sarnya nilai support dan
confidence dari calon aturan asosiasi seperti terlihat pada tabel 5.
Association Rules (mincof=60%)
Selama frequent itemset yang lain adalah sub- set dari salah satu maksimal
frequent itemset, ma- ka proses pencarian itemset dapat dikurangi dengan hanya
mencari maksimal frequent itemset saja. Un- tuk membentuk semua aturan
asosiasi, diperlukan nilai support dari semua frequent itemset. Proses ini mudah
dilakukan selama maksimal frequent itemset sudah ditemukan.

Algoritma Apriori
Tabel 4: Calon 3-itemset

Tabel 5: Calon Aturan Asosiasi dari F3

Aturan Confidence
AB→C 02/04/2010 50%
AC→B 02/03/2010 67%
BC→A 02/03/2010 67%
AC→D 02/03/2010 67%
AD→C 02/02/2010 100%
CD→A 02/03/2010 67%

6
Algoritma apriori adalah algoritma yang dikenal untuk menemukan pola
frekuensi tinggi. Arti apri- ori secara umum adalah anggapan atau sikap yang
sudah ditentukan sebelum (melihat,menyelidiki) ter- hadap sesuatu [4].
Algoritma Apriori dibagi menjadi beberapa tahap yang disebut iterasi.

1. Pembentukan kandidat itemset, kandidat k- itemset dibentuk dari

kombinasi (k-1)-itemset yang didapat dari iterasi sebelumnya. Satu ciri dari
algoritma Apriori adalah adanya pe- mangkasan kandidat k-itemset yang
subsetnya yang berisi k-1 item tidak termasuk dalam pola frekuensi tinggi
dengan panjang k-1.

2. Perhitungan support dari tiap kandidat k- itemset. Support dari tiap kandidat
k-itemset di- dapat dengan menscan database untuk menghi- tung jumlah
transaksi yang memuat semua item di dalam kandidat k-itemset tersebut. Ini
ju- ga merupakan ciri dari algoritma apriori di- mana diperlukan perhitungan
dengan scan selu- ruh database sebanyak k-itemset terpanjang.

3. Tetapkan pola frekuensi tinggi. Pola frekuensi tinggi yang memuat k item
atau k-itemset ditetapkan dari kandidat k-itemset yang supportnya lebih besar
dari minimum support.

Tabel 6: Tabel Frequent Itemset(minsup=25%)

support Itemset
57,14% A,B
42,86% AC, BC, CD
28,57% AD, AE, ABC,
ACD
7
 Gambar 1: Data Aturan Asosiasi

4. Bila tidak didapat pola frekuensi tinggi maka seluruh proses dihentikan.
Bila tidak, maka k tambah satu dan kembali ke bagian 1.

Contoh dari penerapan algoritma Apriori dapat di- ilustrasikan seperti pada
Gambar 2.

Gambar 2: Ilustrasi Algoritma Apriori

Uji Coba dan Analisa

8
Pengujian pada aplikasi keranjang pasar ini menggunakan 61 buah transaksi yang
diambil dari sebuah apotek. Data yang diam- bil berasal dari transaksi laporan
penjualan selama dua bulan, yaitu bulan Maret dan April. Data terse- but berupa
data obat yang terdiri dari 31 jenis obat dan 554 buah nama obat beserta kode
obatnya. Da- ta akhir ini disimpan pada database dengan nama ‘transaksi penjualan’.
Sebelum proses analisis dilakukan, nama-nama jenis obat yang digunakan di
ganti dengan se- buah inisial dengan tujuan agar lebih ringkas dalam
penulisannya. Pada tabel 7 merupakan tabel yang berisi keterangan dari inisial
yang akan digunakan untuk menggantikan nama-nama jenis obat yang ada.
Tabel 7: Keterangan Inisial yang akan Digunakan

9
Pada penelitian ini beberapa nilai awal maupun asumsi yang digunakan analisis
data sebagai berikut
:
minsup : 20%

mincof : 50%

Dari hasil pengolahan terhadap 61 transaksi, de- ngan menggunakan algoritma

apriori untuk masalah penggalian asosiasi didapat hasil sebagai berikut :

10
Iterasi 1 :
1. menentukan kandidat untuk 1-itemset de- ngan menentukan
support_count dan sup- port. Data support disajikan dalam tabel
7. Misal pada baris 1 tabel 7 dibaca seba- gai jumlah pembelian obat analgetika
yang diberi inisial dengan X1 sebanyak 25 buah atau 40,98%.

Tabel 8: Support untuk kandidat 1-itemset

No Jenis Obat Jumlah

1 X1 25
2 X2 16
3 X3 14
4 X4 14
5 X5 20
6 X6 5
7 X7 8
8 X8 2
9 X9 23
10 X10 21
11 X11 2
12 X12 3
13 X13 2
14 X14 14
15 X15 2
16 X16 1
17 X17 49
18 X18 7
19 X19 14
20 X20 3
21 X21 22
22 X22 7
23 X23 3
24 X24 3
25 X25 3
26 X26 4
27 X27 3
28 X28 8
29 X29 22
30 X30 4
31 X31 27
Keterangan :
Font Normal : Item yang tidak memenuhi minsup.
11
Font Bold : Item yang memenuhi minsup.

2. menentukan frequent 1-itemset, dengan membuang itemset yang tidak

memenuhi minsup 20%. Tampak dari tabel 8, item yang tidak diberi warna
adalah item yang tidak memenuhi minsup sehingga dapat di- pangkas. Frequent1-
itemset yang didapat berjumlah 13 buah jenis obat.

Tabel 9: Support_count untuk kandidat 1-itemset, minsup 20%

Iterasi 2 :
1. menentukan kandidat 2-itemset dengan menentukan support dan confidence.
Da- ta untuk kandidat frequent 2-itemset dis- ajikan dalam tabel 9, berisi data
yang telah dipangkas pada pencarian frequent 2- itemset dengan memenuhi syarat
minsup sebesar 20%.
Tabel 10: Support_count untuk kandidat 2-itemset, minsup 20%

No Jenis Obat Jumlah Support (%)

1 X1 →X5 12 20%
2 X1 →X17 21 34%
3 X1 →X31 14 23%
4 X2 →X17 13 21%
5 X5 →X9 13 21%
6 X5 → X17 17 28%
7 X5→X21 14 23%
8 X9 →X17 21 34% 12
9 X10→X17 16 26%
10 X14 →X17 12 20%
11 X17→X19 14 23%
12 X17→ X21 20 33%
13 X17→X29 19 31%
14 X17→X31 24 39%
Iterasi 3 :

1. menentukan kandidat 3-
itemset beserta ni- lai support dan confidence. Data untuk kandidat frequent 3-
itemset dapat dilihat pada tabel 10, pada iterasi ke-3 tidak di- dapatkan itemset
yang memiliki nilai sup- port >= minsupdan confidence >= min- cof. Karena
tidak diperoleh data yang sesuai dengan aturan asosiasi pencarian berhenti pada
iterasi ke-3.

Tabel 11: Hasil Uji Data 3-itemset

No Jenis Obat Jml Sup (%)

1 X1 X17→X 31 11 18%
2 X1 X2→X17 6 9.8%
3 X5 X19→X31 5 8.2%
4 X17 X19→X21 7 11.5%
5 X17 X19→X31 7 11.5%
6 X17 X21 →X31 10 16.4%

Setelah dibandingkan dengan minsup = 20% dan mincof 50%, maka asosiasi
yang memenuhi syarat hanya ada 8 asosiasi, seperti terlihat pada tabel 11. Ke-8
asosiasi tersebut dapat diterjemahkan sebagai berikut :

1. Support 34%, artinya 34%dari semua transak- si yang dianalisis

menunjukkan bahwa analgetik dan antibiotika dibeli bersamaan, sedangkan
confidence sebesar 84% menyatakan tingkat kepercayaan atau dapat dikatakan
jika seorang konsumen membeli jenis obat analgetika maka terdapat 84%
kemungkinan dia akan membeli jenis obat antibiotik juga.

2. Support 23%, artinya 23% dari semua transak- si yang dianalisis menunjukkan
bahwa anal- getika dan vitamin&mineral dibeli bersamaan, sedangkan confidence
sebesar 56% menyatakan tingkat kepercayaan atau dapat dikatakan jika seorang
13
konsumen membeli jenis obat analgeti- ka maka terdapat 56% kemungkinan dia akan
membeli jenis obat vitamin&mineral juga.

3. Support 21%, artinya 21% dari semua transaksi yang dianalisis menunjukkan
bahwa anal- getik anti piretik dan antibiotika dibeli bersamaan, sedangkan
confidence sebesar 81.3% menyatakan tingkat kepercayaan atau dapat dikatakan
jika seorang konsumen membe- li jenis obat analgetik anti piretik maka terdapat
81.3% kemungkinan dia akan membeli jenis obat antibiotika juga.

4. Support 21%, artinya 21% dari semua transak- si yang dianalisis

menunjukkan bahwa anti asma&bronchodilator dan anti histamin dibeli
bersamaan, sedangkan confidence sebesar 65% menyatakan tingkat kepercayaan
atau dapat dikatakan jika seorang konsumen membeli je- nis obat anti
asma&bronchodilator maka terda- pat 65% kemungkinan dia akan membeli jenis
obat anti histamin juga.

5. Support 28%, artinya 28% dari semua transak- si yang dianalisis

menunjukkan bahwa an- ti asma&bronchodilator dan antibiotika dibeli
bersamaan, sedangkan confidence sebesar 85% menyatakan tingkat kepercayaan
atau dapat

dikatakan jika seorang konsumen membeli je- nis obat anti

asma&bronchodilator maka terda- pat 85% kemungkinan dia akan membeli jenis
obat antibiotika juga.

6. Support 23%, artinya 23% dari semua transak- si yang dianalisis

menunjukkan bahwa anti asma&bronchodilator dan ekspektoran dibeli

14
bersamaan, sedangkan confidence sebesar 70% menyatakan tingkat kepercayaan
atau dapat dikatakan jika seorang konsumen membeli je- nis obat anti
asma&bronchodilator maka terda- pat 70% kemungkinan dia akan membeli jenis
obat ekspektoran juga.

7. Support 34%, artinya 34% dari semua transak- si yang dianalisis

menunjukkan bahwa anti his- tamin dan antibiotika dibeli bersamaan, sedan-
gkan confidence sebesar 91.3% menyatakan tingkat kepercayaan atau dapat
dikatakan jika seorang konsumen membeli jenis obat anti his- tamin maka
terdapat 91.3% kemungkinan dia akan membeli jenis obat antibiotika juga.

8. Support 26%, artinya 26% dari semua transak- si yang dianalisis

menunjukkan bahwa anti par- asitik dan antibiotika dibeli bersamaan, sedan-
gkan confidence sebesar 76.2% menyatakan tingkat kepercayaan atau dapat
dikatakan jika seorang konsumen membeli jenis obat anti par- asitik maka
terdapat 76.2% kemungkinan dia akan membeli jenis obat antibiotika juga.

Tabel 12: Hasil Akhir Uji Data

No Jenis Obat Jml Sup (%)

1 X1 → X17 21 34%
2 X1 →X31 14 23%
3 X1→X17 13 21%
4 X5→X9 13 21%
5 X5→X17 17 28%
6 X5→X21 14 23%
Aturan asosiasi yang diperoleh adalah sebagai berikut :
7 X9→X17 21 34%
8 X10→X17 16 26%

1. Jika membeli obat analgetika maka akan mem- beli obat antibiotika dengan
support 34% dan confidence 84%

15
2. Jika membeli obat analgetika maka akan mem- beli obat vitamin&mineral
dengan support 23% dan confidence 56%

3. Jika membeli obat analgetik anti piretik maka akan membeli antibiotika
dengan support 21% dan confidence 81.3%

4. Jika membeli obat anti asma&bronchodilator maka akan membeli obat anti
histamin dengan support 21% dan confidence 65%

5. Jika membeli obat anti asma&bronchodilator maka akan membeli

antibiotika dengan support 28% dan confidence 85%

6. Jika membeli obat anti asma&bronchodilator maka akan membeli obat

ekspektoran dengan support 23% dan confidence 70%

7. Jika membeli obat anti histamin maka akan membeli antibiotika dengan
support 34% dan confidence 91.3%

8. Jika membeli obat anti parasitik maka akan membeli antibiotika dengan
support 26% dan confidence 76.2%

Pengetahuan yang dapat ditarik dari ke-8 aturan asosiasi pada tabel 12 adalah
sebagai berikut :
Kesatu, digunakan dalam membantu apotek un- tuk menyusun layout sebaik
mungkin dan sesuai ke- butuhan konsumen serta membantu pihak apoteker dalam
memudahkan mencari kombinasi obat yang sering di beli. Sebagai contoh

16
(antibiotika anti his- tamin). Maka analisa yang mungkin didapat adalah kebiasaan
pelanggan selain membeli obat antibioti- ka juga sering kali membeli jenis obat
anti histamin secara bersamaan. Sehingga efeknya pada tata letak apotek adalah
letak obat antibiotika tidak jauh dari obat anti histamin.

Kedua, hasil asosiasi yang didapat juga bisa di- gunakan dalam membantu
apotek untuk menetukan keputusan persediaan. Sebagai contoh data yang di-
pakai adalah (antibiotika anti histamin). Dari da- ta tersebut, dapat diambil
kesimpulan seandainya pelanggan biasa membeli obat antibiotika dan an- ti
histamine secara bersamaan, maka apotek seti- daknya harus menyediakan
kedua obat tersebut dalam jumlah yang lebih banyak dan dengan jumlah yang
sama.
Ketiga, digunakan untuk melihat hubungan antara penjualan satu produk obat
dengan produk obat lain- nya, misalkan pencarian pola penjualan obat antibi-
otika sedemikian rupa sehingga kita dapat menge- tahui obat apa saja yang
juga dibeli oleh pembeli antibiotika. Dengan demikian kita bisa mengetahui
bahwa antibiotika sering dikonsumsi oleh banyak masyarakat pada saat mereka
sakit dan antibiotika dapat di kombinasikan dengan obat lain sesuai atu- ran dari
dokter atau pihak apoteker.

Gambar 6: Tampilan Awal program

17
 BAB IV
KESIMPULAN DAN SARAN
A. Kesimpulan
Setelah proses dijalankan dengan memberikan nilai support sebesar 20% dan
confidence sebesar 50%, maka asosiasi yang memenuhi syarat hanya ada 5
asosiasi yang terbentuk. Salah satu nilai support dan confidence tertinggi dari
aturan asosiasi yang di- dapat adalah [anti histamine][antibiotika] yaitu de- ngan
nilai support sebesar 34% dan nilai confidence 91.3%. Sehingga dapat
disimpulkan 91.3% dari se- orang konsumen yang membeli obat anti histamine
juga membeli obat antibiotika dan 34% dari semua konsumen membeli keduanya.
Dari aturan asosiasi yang didapat diharapkan da- pat membantu pengembang
untuk mengetahui kebi- asaan berbelanja masyarakat dan merancang strategi
penjualan berdasarkan jenis obat yang tingkat kon- sumsinya tinggi.

B. Saran
Volume data yang digunakan untuk uji coba dis- arankan ditambah serta
penggunaan nilai support dan nilai confidence yang bervariasi sehingga da- pat
menghasilkan lebih banyak asosiasi antar da- ta yang dapat mengandung
informasi penting yang lebih bermanfaat.
Dari hasil pengolahan data beberapa saran atau usul tindakan saran kepada
pihak manajemen apotek dalam rangka meningkatkan penjualan, yaitu dapat
menambah persediaan obat yang ada sesuai jenis obat apa saja yang sering di beli
bersamaan oleh kon- sumen.

18
 DAFTAR PUSTAKA
[1] Leni Meiwati dan Metty Mustikasari. Aplikasi data mining menggunakan aturan asosiasi
dengan metode apriori untuk analisis keranjang pasar pada data transaksi penjualan apotek.
Jurnal Ilmiah, Jurusan Sistem Informasi Fakultas Ilmu Komputer dan Teknologi
Informasi, Universitas Gunadarma, Depok, 2013.
[2] Data mining : Analisis keranjang pasar, 16 Juli 2010.
[3] Budi Agustianingsih. Analisis keranjang pasar menggunakan algoritma
predictive apriori untuk mendapatkan aturan asosiasi di suatu minimart di kelapa
dua. Skripsi, Fakultas Teknologi Indus- tri, Universitas Gunadarma, Depok, 2008.
[4] Kusrini dan Emha Taufiq Luthfi. Algoritma Data Mining. ANDI, Yogyakarta,
2009.
[5] Leo Willyanto Santoso. Pembuatan perangkat lu- nak data mining untuk
pengalian kaidah asosiasi menggunakan metode apriori. Universitas Kris- ten Petra.
[6] Steinbach M. Kumar V. Tan, P. N.. Introdution to Data Mining. Pearson
Education, 1 edition, 2006.
[7] member IEEE Zaki. M.J. Scalable algorithm for association mining. In IEEE
Transaction on Knowledge and Data engineering, volume 12, May/June 2000.