Nama : Salman Seif

Nim : A11.2018.11083

Kelompok : A11.4617

Kasus Menganalisa pola kebiasaan transaksi pembeli NavyWave

1. Business Understanding (Pemahaman Terhadap Bisnis)

 Jake adalah seorang pengusaha clothing NavyWave.
 Usahanya masih memiliki masalah karena kurang memahami barang apa
saja yang harus dijual supaya tidak mengeluarkan modal yang terlalu
besar dan tidak merugi terlalu banyak.
 Jake ingin memahami dan membuat pola kebiasaan pembelinya sehingga
bisa mengetahui barang apa saja yang paling laku dan bisa meningkatkan
penjualannya.
 Dari tujuan di atas kemudian diterjemahkan menjadi formula dari
permasalahan data mining.
2. Data Understanding (Pemahaman Data)
 Mengumpulkan data transaksi konsumen selama kurun waktu 12 hari
terakhir sebelum melakukan data mining.
 Data data dikumpulkan dari data transaksi konsumen dengan atribut
barang yang dijual seperti yang ada dibawah ini.
I. Transaksi
II. Jaket
III. Kaos
IV. Kemeja Pendek
V. Kemeja Panjang
VI. Celana Panjang
3. Data Preparation (Persiapan Data)
  Terdapat 5 data, dengan 5 atribut regular dan 1 atribut special yaitu
transaksi sebagai label.
4. Modelling (Permodelan)
 Memodelkan dataset dengan Association Rule.

 Dengan menggunakan min support 50% dan min confidence sebesar 60%
diperoleh hasil data sebagai berikut.
 5. Evaluation (Evaluasi)
 Hasil pola dari data adalah sebagai berikut

 Atribut atau jenis barang yang paling menguntungkan adalah Kaos,

Kemeja panjang, Jaket.
 Sedangkan atribut atau jenis barang yang kurang menguntungkan adalah
Kemeja pendek & Celana.
6. Deployment (Penyebaran)
 Jake mengaplikasikan pola dan model yang sudah terbentuk ke dalam
usahanya.
 Jake mengurangi produksi barang yang kurang menguntungkan seperti
Kemeja pendek & Celana. Lalu meningkatkan produksi ke barang yang
paling menguntungkan yaitu Kaos, Kemeja panjang, Jaket.

Menghitung manual dengan metode Apriori

Transaksi Produk
1 A,B,C,D
 2 A,B,C,E
3 A,B,D,E
4 A,B,D
5 B,C,D
Ket: A=Jaket,B=Kaos,C=Kemeja Pendek,D=Kemeja Panjang,E=Celana Panjang
Dari data diatas diketahui jml transaksi sebanyak 5
Min.Support : 50%

Data diubah menjadi tabel tabular

Kemeja Kemeja Celana

Transaksi Jaket Kaos Pendek Panjang Panjang
1 1 1 1 1 0
2 1 1 1 0 1
3 1 1 0 1 1
4 1 1 0 1 0
5 0 1 1 1 0

Langkah 1 menentukan itemset 1(L1)

C1
Itemset Support
{A} 4(80%)
{B} 5(100%)
{C} 3(60%)
{D} 4(80%)
{E} 2(40%)

C1
Itemset Support L1
{A} 4(80%) Itemset Support
{B} 5(100%) {A} 4(80%)
{C} 3(60%) {B} 5(100%)
{D} 4(80%) {C} 3(60%)
{E} 2(40%) {D} 4(80%)
Karena nilai support {E} kurang dari min support maka dihapus

Langkah 2 menentukan itemset 2 (L2) membuat 2 itemset dari data itemset 1

C2
Itemset
{A,B}
{A,C}
 {A,D}
{B,C}
{B,D}
{C,D}

C2
Itemset Support L2
{A,B} 4(80%) Itemset Support
{A,C} 2(40%) {A,B} 4(80%)
{A,D} 3(60%) {A,D} 3(60%)
{B,C} 3(60%) {B,C} 3(60%)
{B,D} 4(80%) {B,D} 4(80%)
{C,D} 2(40%)

Karena nilai support {A,C} & {C,D} kurang dari nilai min support maka keduanya dihapus

Langkah 3 menentukan itemset 3 (L3)

membuat 3 itemset dari data itemset 2 sebelumnya

C3
Itemset
{A,B,D}
{A,B,C}
{B,C,D}

C3
Itemset Support L3
{A,B,D} 3(60%) Itemset Support
{A,B,C} 2(40%) {A,B,D} 3(60%)
{B,D,E} 1(20%)

Karena nilai support {A,B,C} & {B,D,E} kurang dari nilai min support maka keduanya
dihapus

Langkah 4 membuat association rule

L1 L2 L3
 Itemset Support Itemset Support Itemset Support
{A} 4(80%) {A,B} 4(80%) {A,B,D} 3(60%)
{B} 5(100%) {A,D} 3(60%)
{C} 3(60%) {B,C} 3(60%)
{D} 4(80%) {B,D} 4(80%)

Aturan Support(X
No (X=>Y) U Y) Support(X) Confidence
1 A,B=>D 60% 80% 75%
2 B,D=>A 60% 80% 75%
3 A,D=>B 60% 100% 60%
4 A=>B 80% 100% 80%
5 B=>A 80% 80% 100%
6 A=>D 60% 80% 75%
7 D=>A 60% 80% 75%
8 B=>C 60% 60% 100%
9 C=>B 60% 100% 60%
10 B=>D 80% 80% 100%
11 D=>B 80% 100% 80%

𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑦𝑎𝑛𝑔 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝑋 𝑑𝑎𝑛 𝑌

𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝑋 𝑈 𝑌)
𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖

𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑦𝑎𝑛𝑔 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝑋

𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝑋)
𝑇𝑜𝑡𝑎𝑙 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖

𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑦𝑎𝑛𝑔 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝑋 𝑑𝑎𝑛 𝑌

𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 = 𝑃(𝑌|𝑋)
𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑦𝑎𝑛𝑔 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝑋

Kesimpulan

dari data diatas diketahui 2 pola transaksi pembeli yang memiliki potensi terjadi
terbesar, yaitu jika konsumen membeli Kaos(B) maka akan membeli Jaket(A) begitu pula
sebaliknya dan jika konsumen membeli Kaos(B) maka akan membeli Kemeja panjang(D)
begitu pula sebaliknya.