3.

Algoritma A-Priori
Arti A Priori secara umum merupakan anggapan atau sikap yang sudah
ditentukan sebelum (melihat, menyelidiki) terhadap sesuatu. Oleh karena
itulah, Algoritma A Priori termasuk dari jenis aturan asosiasi pada data
mining seperti yang telah disebutkan sebelumnya (Riszky and Sadikin,
2019). Analisis assosiasi atau association adalah teknik data mining untuk
menemukan aturan assosiatif antara suatu kombinasi item (Murnawan,
Sinaga and Nughraha,2018).

contoh dari aturan assosiatif adalah hasil analisa pembelian di suatu toko
di mana dapat diketahui berapa besar kemungkinan seorang pelanggan
membeli roti bersamaan dengan susu. Dengan pengetahuan tersebut
pemilik toko dapat mengatur penempatan barangnya atau merancang
pemasaran dengan memakai kupon diskon untuk kombinasi barang
tertentu.

Mempelajari aturan assosiasi berarti komputer diminta untuk mencari

barangbarang yang sering dibeli bersamaan. Pada Tabel 3.2 di atas,
barang-barang yang paling sering dibeli bersamaan adalah Barang1 dan
Barang2. Untuk selanjutnya barang disebut dengan item dan himpunan
barang disebut itemset.
Penting tidaknya suatu aturan assosiasi dapat diketahui dengan dua
parameter, Support (nilai penunjang) yaitu: persentase kombinasi item
tersebut dalam database dan confidence (nilai kepastian) yaitu: kuatnya
hubungan antar item dalam aturan asosiasi.

Aturan asosiasi biasanya dinyatakan dalam bentuk:

Contoh:
{roti, mentega} -> {susu} (Support = 40%, confidence = 50%)
Penjelasan: 50% dari transaksi di database yang memuat item roti dan
mentega juga memuat item susu. Sedangkan 40% dari seluruh transaksi
yang ada di database memuat ketiga item itu. Hal tersebut dapat juga
diartikan: Seorang konsumen yang membeli roti dan mentega punya
kemungkinan 50% untuk juga
membeli susu.

3.1 Langkah Penyelesaian Algoritma A-Priori

Metodologi dasar analisis asosiasi terbagi menjadi dua tahap:
a. Analisa pola frekuensi tinggi
Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari
nilai Support. Nilai Support sebuah item diperoleh dengan rumus berikut:

b. Pembentukan aturan assosiasi

Setelah semua pola frekuensi tinggi ditemukan, dicari aturan assosiasi
yang memenuhi syarat minimum untuk confidence dengan menghitung
confidence aturan assosisasi A → B. Nilai confidence dari aturan A → B
diperoleh dari rumus berikut:

Sedangkan cara kerja dari Algoritma A Priori sendiri terbagi dari

beberapa tahap
yang disebut iterasi. Tahapan tersebut adalah:
1. Pembentukan kandidat itemset, kandidat k-itemset dibentuk dari
kombinasi (k-1)-itemset yang didapat dari iterasi sebelumnya. Satu
 ciri dari algoritma A Priori adalah adanya pemangkasan kandidat k-
itemset.
2. Perhitungan Support dari tiap kandidat k-itemset. Support dari tiap
kandidat k-itemset didapat dengan menscan database untuk
menghitung jumlah transaksi yang memuat semua item di dalam
kandidat k-itemset tersebut. Ini juga merupakan ciri dari algoritma
A Priori di mana diperlukan perhitungan dengan scan seluruh
database
3. Tetapkan pola frekuensi tinggi. Pola frekuensi tinggi yang memuat
kitem atau k-itemset ditetapkan dari kandidat k-itemset yang
Supportnya lebih besar dari minimum Support.
4. Bila tidak didapat pola frekuensi tinggi maka seluruh proses
dihentikan. Bila tidak, maka k tambah satu dan kembali ke bagian 1.