Proyek Data Mining: Implementasi Algoritma Apriori Untuk Mencari Asosiasi Barang Yang Dijual Di E-Commerce
Proyek Data Mining: Implementasi Algoritma Apriori Untuk Mencari Asosiasi Barang Yang Dijual Di E-Commerce
Metode asosiasi adalah metode yang menemukan suatu kombinasi item yang muncul
bersamaan. Dalam dunia bisnis, sering disebut dengan affinity Analysis atau Market Basket
Analysis. Aturan Association rules biasanya menggunakan pola “jika (if) “ mewakili antecendent
dan “maka (then)” mewkili consequent, bersamaan dengan pengukuran support (converage) dan
confidence (accuration) yang terasosiasi dalam aturan. Fungsi Association rules sering kali
disebut dengan “Market Basket Analysis”, yang digunakan untuk menentukan kombinasi
diantara himpunan itemitem. Market Basket Analysis adalah kebiasaan membeli konsumen
dengan mencari asosiasi dan kombinasi antara item-item berbeda.
Data transaksi penjualan produk akan terus bertambah setiap harinya dan menyebabkan penyimpanan
data yang sangat besar. Kebanyakan data transaksi penjualan produk hanya dijadikan sebagai arsip
saja tanpa dimanfaatkan dengan baik, maka diperlukan sebuah metode atau teknik yang dapat
merubah data-data yang menumpuk tersebut menjadi informasi yang bermanfaat untuk pengambilan
keputusan dengan menggunakan algoritma apriori untuk menghitung data penjualan produk
kosmetik.
1.4 Daftar Produk ( Kategori Kosmetik )
Berikut ini adalah daftar produk berdasarkan kategori kosmetik yang akan dianalisis, dapat dilihat
pada tabel dibawah ini :
Customer ID 3 4 6 8 5 2 1
14688 1 1 1 1 0 0 0
15311 0 0 1 0 1 1 0
16098 0 1 0 1 0 1 0
18074 1 0 1 0 0 0 0
17420 0 0 1 0 0 1 1
12431 0 0 1 1 0 0 0
Total 2 2 5 3 1 3 1
Prioritas 4 5 1 2 6 3 7
Customer ID 6 8 2 3 4 5 1
14688 1 1 0 1 1 0 0
15311 1 0 1 0 0 1 0
16098 0 1 1 0 1 0 0
18074 1 0 0 1 0 0 0
17420 1 0 1 0 0 0 1
12431 1 1 0 0 0 0 0
Total 5 3 3 2 2 1 1
Prioritas 1 2 3 4 5 6 7
1.K=2 2.K=3
No Kombinasi No Kombinasi
1 6 8 2 1 6 8 2 1
2 6 2 2 2 6 8 3 0
3 6 3 1 3 6 8 4 0
4 6 4 1 4 6 8 5 0
5 6 5 4 5 6 8 1 0
6 6 1 4 6 8 2 3 0
7 8 2 2 7 8 2 4 0
8 8 3 1 8 8 2 5 0
9 8 4 2 9 8 2 1 0
10 8 5 3 10 2 3 4 0
11 8 1 3 11 2 3 5 0
12 2 3 2 12 2 3 1 0
13 2 4 1 13 3 4 5 0
14 2 5 3 14 3 4 1 0
15 2 1 3 15 4 5 1 0
16 3 4 1
17 3 5 2
18 3 1 2
19 4 5 2
20 4 1 2
21 5 1 4
Hitung covidance:
Hitung Confidence ©
1.K=2 2.K=3
No Kombinasi support Confidance No Kombinasi support Confidance
1 6 8 2 29% 40% 1 6 8 2 1 14% 33%
2 6 2 2 29% 40% 2 6 8 3 0 0% 0%
3 6 3 1 14% 20% 3 6 8 4 0 0% 0%
4 6 4 1 14% 20% 4 6 8 5 0 0% 0%
5 6 5 4 57% 80% 5 6 8 1 0 0% 0%
6 6 1 4 57% 80% 6 8 2 3 0 0% 0%
7 8 2 2 29% 40% 7 8 2 4 0 0% 0%
8 8 3 1 14% 20% 8 8 2 5 0 0% 0%
9 8 4 2 29% 40% 9 8 2 1 0 0% 0%
10 8 5 3 43% 60% 10 2 3 4 0 0% 0%
11 8 1 3 43% 60% 11 2 3 5 0 0% 0%
12 2 3 2 29% 40% 12 2 3 1 0 0% 0%
13 2 4 1 14% 20% 13 3 4 5 0 0% 0%
14 2 5 3 43% 60% 14 3 4 1 0 0% 0%
15 2 1 3 43% 60% 15 4 5 1 0 0% 0%
16 3 4 1 14% 20%
17 3 5 2 29% 40%
18 3 1 2 29% 40%
19 4 5 2 29% 40%
20 4 1 2 29% 40%
21 5 1 4 57% 80%
Confidance = 80%
Artinya kuantitas dari angka 5,1 = 57%
Hitung support:
1.K=
2 2.K=3
No Kombinasi support No Kombinasi support
1 6 8 2 29% 1 6 8 2 1 14%
2 6 2 2 29% 2 6 8 3 0 0%
3 6 3 1 14% 3 6 8 4 0 0%
4 6 4 1 14% 4 6 8 5 0 0%
5 6 5 4 57% 5 6 8 1 0 0%
6 6 1 4 57% 6 8 2 3 0 0%
7 8 2 2 29% 7 8 2 4 0 0%
8 8 3 1 14% 8 8 2 5 0 0%
9 8 4 2 29% 9 8 2 1 0 0%
10 8 5 3 43% 10 2 3 4 0 0%
11 8 1 3 43% 11 2 3 5 0 0%
12 2 3 2 29% 12 2 3 1 0 0%
13 2 4 1 14% 13 3 4 5 0 0%
14 2 5 3 43% 14 3 4 1 0 0%
15 2 1 3 43% 15 4 5 1 0 0%
16 3 4 1 14%
17 3 5 2 29%
18 3 1 2 29%
19 4 5 2 29%
20 4 1 2 29%
21 5 1 4 57%
1.K=2 2.K=3
No Kombinasi support Confidance No Kombinasi support Confidance
1 6 8 2 29% 40% 1 6 8 2 1 14% 33%
2 6 2 2 29% 40% 2 6 8 3 0 0% 0%
3 6 3 1 14% 20% 3 6 8 4 0 0% 0%
4 6 4 1 14% 20% 4 6 8 5 0 0% 0%
5 6 5 4 57% 80% 5 6 8 1 0 0% 0%
6 6 1 4 57% 80% 6 8 2 3 0 0% 0%
7 8 2 2 29% 40% 7 8 2 4 0 0% 0%
8 8 3 1 14% 20% 8 8 2 5 0 0% 0%
9 8 4 2 29% 40% 9 8 2 1 0 0% 0%
10 8 5 3 43% 60% 10 2 3 4 0 0% 0%
11 8 1 3 43% 60% 11 2 3 5 0 0% 0%
12 2 3 2 29% 40% 12 2 3 1 0 0% 0%
13 2 4 1 14% 20% 13 3 4 5 0 0% 0%
14 2 5 3 43% 60% 14 3 4 1 0 0% 0%
15 2 1 3 43% 60% 15 4 5 1 0 0% 0%
16 3 4 1 14% 20%
17 3 5 2 29% 40%
18 3 1 2 29% 40%
19 4 5 2 29% 40%
20 4 1 2 29% 40%
21 5 1 4 57% 80%
Artinya kuantitas dari angka 6,8 =11%
Artinya kuantitas dari angka 6,2 =
11%
Artinya kuantitas dari angka 6,3 = 3%
Artinya kuantitas dari angka 6,4 = 3%
Artinya kuantitas dari angka 6,5 =
46%
Artinya kuantitas dari angka 6,1 =
46%
Artinya kuantitas dari angka 8,2 =11%
Artinya kuantitas dari angka 8,3 = 3%
Artinya kuantitas dari angka 8,4 =
11%
Artinya kuantitas dari angka 8,5 =
26%
Artinya kuantitas dari angka 8,1 =
26%
Artinya kuantitas dari angka 2,3 =
11%
Artinya kuantitas dari angka 2,4 = 3%
Artinya kuantitas dari angka 2,5 =
26%
Artinya kuantitas dari angka 2,1 =
26%
Artinya kuantitas dari angka 3,4 = 3%
Artinya kuantitas dari angka 3,5 =11%
Artinya kuantitas dari angka 3,1 =
11%
Artinya kuantitas dari angka 4,5 =
11%
Artinya kuantitas dari angka 4,1 =
11%
Artinya kuantitas dari angka 5,1 =
46%
KESIMPULAN
Setelah melakukan pengujian dengan cara perhitungan manual, dapat diketahui bahwa hasil
yang diperoleh dari perhitungan manual sama dengan perhitungan menggunakan software
RapidMiner. Pola asosiasi yang terbentuk dengan nilai minimum support 40% dan nilai
minimum confidence 0% menghasilkan 8 aturan asosiasi. Dengan diketahui produk yang
sering dibeli maka perusahaan dapat mengembangkan strategi pemasaran dan mengatur
stok barang agar tidak terjadi penumpukan. Penggunaan algoritma apriori dengan metode
FP- Growth dapat membantu pihak manajemen untuk meletakkan barang yang biasa dibeli
oleh konsumen, sehingga memudahkan konsumen untuk dapat membeli barang tersebut.