MODEL ASOSIASI

1. Google colabs
Google colaboratory atau yang disebut dengan “colabs” merupakan produk dari
google yang dipergunakan untuk Analisa data science / data mining. Google colabs
berjalan dengan Bahasa pyhton. Beberapa keuntungan menggunakan akun colabs
yaitu sebagai berikut
a. Konfigurasi yang mudah. Tools tinggal memakai tanpa harus menginstall
b. Mendapatkan akses untuk GPU (Hardware yang dipergunakan untuk proses
training)
c. Fitur sharing, yang memungkinn user untuk membagi pekerjaanya dengan mudah
2. Lib apryori
Apyori merupakan sebuah library Bahasa pemrograman pyhton yang dipergunakan
untuk membantu proses analisis aturan asosiasi.

Hasil analisa terhadap tranksaksi obat di atas :

Association Rule Mining dilakukan dengan menggunakan algoritma Apriori. Ini adalah satu-
satunya algoritma yang disediakan oleh WEKA untuk melakukan penambangan pola yang
sering. Ada banyak algoritma yang ada di WEKA untuk melakukan Analisis Kluster seperti
FartherestFirst, FilteredCluster, HierachicalCluster, dll. Dari semua itu, kita akan
menggunakan SimpleKmeans, yang merupakan metode pengelompokan yang paling
sederhana.

Penambangan Aturan Asosiasi Menggunakan WEKA Explorer

Penambangan Aturan Asosiasi Ini dikembangkan dan dirancang oleh Srikant dan Aggarwal
pada tahun 1994. Ini membantu kita menemukan pola dalam data. Ini adalah proses
penambangan data yang menemukan fitur yang terjadi bersama atau fitur yang berkorelasi.
Penerapan aturan asosiasi meliputi Analisis Keranjang Pasar, untuk menganalisis barang
yang dibeli dalam satu keranjang; Cross Marketing, untuk bekerja sama dengan bisnis lain
yang meningkatkan nilai produk bisnis kami seperti dealer kendaraan dan Perusahaan
Minyak. Aturan asosiasi ditambang setelah frequent itemset dalam dataset besar ditemukan.
Kumpulan data ini ditemukan menggunakan algoritma penambangan seperti Apriori dan FP
Growth. Data tambang Itemset yang sering ditambang menggunakan langkah-langkah
dukungan dan kepercayaan.

Dukungan dan Keyakinan

Dukungan mengukur probabilitas bahwa dua barang dibeli bersamaan dalam satu transaksi
seperti roti dan mentega. Keyakinan adalah ukuran yang menyatakan probabilitas bahwa dua
item dibeli satu demi satu tetapi tidak bersamaan seperti perangkat lunak antivirus laptop dan
komputer. Nilai minimum threshold support dan minimum threshold confidence diasumsikan
untuk memangkas transaksi dan mengetahui itemset yang paling sering muncul.

Implementasi Menggunakan WEKA Explorer

WEKA berisi implementasi dari algoritma Apriori untuk mempelajari aturan asosiasi. Apriori
hanya bekerja dengan atribut biner, dan data kategorikal (data nominal), jika kumpulan data
berisi nilai numerik apa pun, ubah menjadi nominal terlebih dahulu. Apriori mengetahui
semua aturan dengan dukungan minimum dan ambang kepercayaan.

Ikuti langkah-langkah di bawah ini:

#1) Siapkan dataset file excel dan beri nama “apriori.csv“.

#2) Buka WEKA Explorer dan di bawah tab Preprocess pilih file “apriori.csv”.

#3) File sekarang dimuat di WEKA Explorer.

#4) Hapus bidang Transaksi dengan mencentang kotak centang dan mengklik Hapus seperti
yang ditunjukkan pada gambar di bawah. Sekarang simpan file sebagai "aprioritest.arff".
#5) Buka tab Asosiasi. Aturan apriori dapat ditambang dari sini.

#6) Klik Pilih untuk mengatur parameter dukungan dan kepercayaan. Berbagai parameter
yang dapat diatur di sini adalah:

a. "lowerBoundMinSupport" dan "upperBoundMinSupport", ini adalah interval level

dukungan tempat algoritme kami akan bekerja.
b. Delta adalah peningkatan dukungan. Dalam hal ini, 0,05 adalah peningkatan
dukungan dari 0,1 menjadi 1.
c. metricType dapat berupa "Keyakinan", "Angkat", "Pengungkit", dan "Keyakinan". Ini
memberi tahu kami bagaimana kami memberi peringkat pada aturan asosiasi.
Umumnya, Keyakinan dipilih.
d. numRules memberi tahu jumlah aturan asosiasi yang akan ditambang. Secara default,
ini ditetapkan sebagai 10.
e. SignifikansiLevel menggambarkan apa signifikansi dari tingkat kepercayaan.

#7) Textbox di sebelah tombol pilih, menunjukkan "Apriori-N-10-T-0-C-0.9-D 0.05-U1.0-

M0.1-S-1.0-c-1", yang menggambarkan aturan ringkasan yang ditetapkan untuk algoritme di
tab pengaturan.
#8) Klik Tombol Mulai. Aturan asosiasi dihasilkan di panel kanan. Panel ini terdiri dari 2
bagian. Pertama adalah algoritma, dataset dipilih untuk dijalankan. Bagian kedua
menunjukkan Informasi Apriori.
Penjelasan yang dijalankan di panel kanan:

Skema itu menggunakan kami Apriori.

Instances and Attributes: Ini memiliki 6 instance dan 4 atribut.

Dukungan minimum dan kepercayaan minimum masing-masing adalah 0,4 dan 0,9. Dari 6
instans, 2 instans ditemukan dengan dukungan minimal, Jumlah siklus yang dilakukan untuk
aturan asosiasi penambangan adalah 12. Itemset besar yang dihasilkan adalah 3: L (1), L (2),
dan L (3) tetapi ini tidak diberi peringkat karena ukurannya masing-masing adalah 7, 11, dan
5. Aturan yang ditemukan diberi peringkat. Interpretasi aturan ini adalah sebagai berikut:

Mentega T 4 => Bir F 4: berarti dari 6, 4 contoh menunjukkan bahwa untuk mentega benar,
bir salah. Ini memberikan asosiasi yang kuat. Tingkat kepercayaan adalah 0,1.

Output : Aturan asosiasi dapat ditambang menggunakan WEKA Explorer dengan Algoritma
Apriori. Algoritma ini dapat diterapkan pada semua jenis dataset yang tersedia di direktori
WEKA maupun dataset lain yang dibuat oleh pengguna. Dukungan dan kepercayaan serta
parameter lainnya dapat diatur menggunakan jendela Pengaturan algoritme.