Data Mining - Assosiation Rule - 1167050123 - Putri Mariah Ulfa PDF
Data Mining - Assosiation Rule - 1167050123 - Putri Mariah Ulfa PDF
Nim : 1167050123
Algoritma apriori merupakan salah satu algoritma klasik data mining. Algoritma
pola hubungan antar satu atau lebih item dalam suatu dataset.
Algoritma apriori banyak digunakan pada data transaksi atau biasa disebut
kemungkinan 50% dia akan membeli item C, pola ini sangat signifikan dengan
Aturan assosiatif biasanya dinyatakan dalam bentuk : {roti, mentega} -> {susu}
Yang artinya : “Seorang konsumen yang membeli roti dan mentega punya
kemungkinan 50% untuk juga membeli susu. Aturan ini cukup signifikan karena
Tetapi di lain pihak Apriori memiliki kelemahan karena harus melakukan scan
database setiap kali iterasi, sehingga waktu yang diperlukan bertambah dengan
barang lebih banyak. Cara ini dikembangkan oleh Wal-Mart yang merupakan
menganalisis data yang dimilikinya, dan menemukan bahwa pada hari Jumat
tempat penjualan popok, dan alhasil penjualan bir meningkat. Kasus ini
berikutnya, yang paling banyak memiliki asosiasi pada kata yang diketik
Tomatoes}
Himpunan Kosong = {}
adalah {a};{b}:{c};{a,b};{a,c};{b,c}
5. K- item set adalah Item set yang terdiri dari K buah item yang ada pada
E. Intinya K itu adalah jumlah unsur yang terdapat pada suatu Himpunan.
item set tertentu. Intinya jumlah transaksi yang membeli suatu item set.
Contoh:
Kita gunakan tabel transaksi penjualan sayur di atas
– frekuensi Item set yang sekaligus membeli Beans dan Brocolli adalah 3
– frekuensi item set yang membeli sekaligus membeli Beans, Squash dan
Tomatoes adalah 2.
8. Fk atau K-itemset adalah himpunan semua frekuen Item Set yang terdiri
sebagai K-itemset)
frequent tinggi.
yang memuat support. itemset yang memenuhi minimum support akan dipilih
E. Latihan Soal 1
Tabel 1. Transaksi yang dibeli
Golden rule (threshold) yang digunakan adalah : 60% atau barang yang dibeli
paling sedikit 3.
M = Mango
O = Onion
Dan sebagainya.
Langkah ke-1 : Hitung banyaknya transaksi untuk setiap item. Hati-hati, untuk
transaksi.
Tabel 3. Banyaknya Transaksi per Item
Langkah ke-2 : Berdasarkan golden rule yang telah disebutkan di atas, saring
data pada Tabel 3, hanya memilih item yang memiliki transaksi minimal
Langkah ke-3 : Buat pasangan item dimulai dari item pertama, yaitu MO, MK,
ME, MY. Kemudian dilanjutkan dengan item kedua. Misalnya OK, OE, OY.
pertama).
Tabel 5. Pasangan Item
Langkah ke-4 : Hitung berapa kali suatu pasangan item dibeli bersamaan.
{M,O,N,K,E,Y}, {M,A,K,E}, dan {M,U,C, K, Y}. Hasilnya dapat dilihat pada Tabel
6.
Langkah ke-5 : Gunakan golden rule, hapus semua pasangan item yang
Langkah ke-6 : Buat pasangan tiga item dengan aturan menggunakan pasangan
item pada Tabel 7 yang memiliki huruf awal yang sama yaitu :
Kemudian hitung ada beberapa banyaknya transaksi dari pasangan tiga item
Dalam langkah ini, misalkan ada tiga pasangan item ABC, ABD, ACD, ACE, BCD
dan akan dibuatkan pasangan 4 item, carilah 2 huruf awal yang sama. Contoh :
Dan seterusnya. Secara umum, carilah pasangan item yang huruf (item)
terakhirnya berbeda.
Langkah ke-7 : Gunakan lagi golden rule, dengan membuang pasangan tiga item
yang banyaknya transaksi kurang dari 3. Hasilnya tinggal OKE karena KEY
{O, K, E}) dapat digunakan untuk mencari aturan-aturan asosiasi antar item di
bawah :
• {O}
• {K}
• {E}
• {O, K}
• {K, E}
• {O, E}
2. Cari asosiasi pada semua himpunan bagian yang telah dibuat, misal : {O} =>
{K, E} artinya : jika O dibeli, bagaimana kemungkinan K dan E akan dibeli pada