Merupakan sebuah teknik untuk menentukan keterkaitan antar objek. Algoritma apriori menggunakan pendekatan “bottom-up”, membuat beberapa grup kandidat yang akan dites dengan data aslinya. 2. Jelaskan : a. Association Rules memiliki nilai support RENDAH dan confidence RENDAH Misal dalam sebuah toko, terdapat barang A dan B. Saat nilai support rendah, maka pembelian barang A dan B rendah, dengan confidence yang rendah pula, orang yang membeli barang A kemudian membeli barang B sedikit. Hal itu terjadi karena banyak association rule A ke B.
b. Association Rules memiliki nilai support RENDAH dan confidence TINGGI
Saat nilai support rendah, maka pembelian barang A dan B rendah, dengan confidence yang tinggi, orang yang membeli barang A kemudian membeli barang B sedikit. Hal itu terjadi karena banyak association rule A ke B, tapi tidak sebanyak support rendah, confidence rendah.
c. Association Rules memiliki nilai support TINGGI dan confidence RENDAH
Saat nilai support tinggi, maka pembelian barang A dan B tinggi, dengan confidence yang rendah, orang yang membeli barang A kemudian membeli barang B akan banyak. Hal itu terjadi karena sedikit association rule A ke B.
d. Association Rules memiliki nilai support TINGGI dan confidence TINGGI
Saat nilai support tinggi, maka pembelian barang A dan B tinggi, dengan confidence yang tinggi, orang yang membeli barang A kemudian membeli barang B akan banyak. Hal itu terjadi karena sedikit association rule A ke B.
3. Transaksi belanja di suatu supermarket dilaporkan sebagai berikut
a. Tentukan frequent itemset memakai algoritma Apriori dengan minsup : 0.3 (maksudnya: suatu itemset dikategorikan frequent itemset, jika supportnya > 0.3) Jawab: Isi file .arff sebelum diolah menggunakan Weka 3.8.4 b. Ekstrak-lah association rules dari hasil (a), yang memiliki nilai confidence > 0.6 Jawab: