STUDI KASUS PENGGUNAAN METODE KLASIFIKASI DAN ASOSIASI

DENGAN DATA PENJUALAN ONLINE

Nama : Permana Kaisar Miracle Sibarani

NPM : 9882405120121024

1) Metode Klasifikasi
A. Data Set

Jumlah Waktu Metode

Transa Loka Fraudule
Pembeli Transa Pembayar
ksi si nt
an ksi an

Credit
1 100 10 A 0
Card

2 150 15 B PayPal 0

Credit
3 200 20 A 0
Card

Credit
4 50 5 C 0
Card

5 300 30 B PayPal 1

Credit
6 120 12 A 0
Card

7 180 18 C PayPal 1

Credit
8 90 9 B 0
Card

9 250 25 A PayPal 0

Credit
10 80 8 C 1
Card

B. Studi Kasus

Dalam rangka meningkatkan keamanan transaksi online, sebuah perusahaan e-commerce

memutuskan untuk mengimplementasikan sistem deteksi penipuan berbasis machine learning.
Mereka mengumpulkan data transaksi pembelian online yang mencakup informasi seperti
jumlah pembelian, waktu transaksi, lokasi geografis, metode pembayaran, dan label "Fraudulent"
yang menunjukkan apakah transaksi tersebut potensial penipuan atau tidak.

C. Penggunaan Metode
 Metode klasifikasi sangat cocok untuk mengidentifikasi pola yang menunjukkan
kemungkinan penipuan karena metode ini memungkinkan pembentukan model yang dapat
memisahkan kelas atau kategori yang berbeda berdasarkan fitur-fitur tertentu. Dalam kasus
deteksi penipuan, kita biasanya memiliki dua kelas: "Transaksi Normal" dan "Transaksi Potensial
Fraud.

D. Implementasi

Algoritma yang digunakan untuk menyelesaikan permasalahan ini adalah Decision

Tree. Decision Trees adalah pilihan yang baik untuk studi kasus ini karena:

1. Decision Trees mudah dipahami dan diinterpretasi, sehingga memberikan kejelasan

tentang faktor-faktor apa yang mempengaruhi keputusan deteksi penipuan.
2. Decision Trees secara otomatis dapat menangani pemilihan fitur yang paling relevan
dari dataset, termasuk memahami hubungan non-linear antara fitur-fitur tersebut.
3. Decision Trees mampu mengidentifikasi pola yang kompleks dalam data, yang dapat
sangat bermanfaat dalam deteksi penipuan di mana pola seringkali tidak linear atau
kompleks.

Langkah-langkah implementasi:

1. Pisahkan dataset menjadi fitur (X) dan label (y).

2. Ubah fitur kategorikal menjadi representasi biner menggunakan one-hot encoding.
3. Pisahkan data menjadi set pelatihan dan set pengujian.
4. Inisialisasi model Decision Tree.
5. Latih model menggunakan set pelatihan.
6. Lakukan prediksi menggunakan set pengujian.
7. Evaluasi performa model dengan menggunakan metrik seperti akurasi, matriks
kebingungan, dan laporan klasifikasi.

E. Kesimpulan
Dalam kasus ini, penggunaan Decision Trees untuk mengklasifikasikan transaksi
sebagai "Transaksi Normal" atau "Transaksi Potensial Fraud" membantu perusahaan e-
commerce mengidentifikasi pola-pola yang dapat menandakan potensi penipuan
berdasarkan fitur-fitur seperti jumlah pembelian, waktu transaksi, lokasi, dan metode
pembayaran. Evaluasi performa model memberikan wawasan tentang seberapa baik model
dapat membedakan antara transaksi normal dan transaksi potensial penipuan. Dengan
menggunakan metode klasifikasi ini, perusahaan dapat meningkatkan keamanan transaksi
online mereka.

2. Metode Asosiasi

A. Data Set

Pelanggan Produk 1 Produk 2 Produk 3 Produk 4 Produk 5

A 1 1 0 0 1
B 1 0 1 1 0
C 0 1 1 0 1
D 1 1 0 0 0
E 0 1 1 1 0
B. Studi Kasus

Dalam upaya meningkatkan strategi penjualan dan memberikan rekomendasi produk

yang lebih relevan kepada pelanggan, perusahaan e-commerce ingin memahami pola
pembelian bersamaan. Mereka menggunakan metode asosiasi, khususnya Algoritma Apriori,
untuk mengidentifikasi hubungan antara produk yang sering dibeli bersamaan.

C. Penggunaan Metode
Metode asosiasi, seperti Algoritma Apriori, sangat cocok untuk menemukan aturan
asosiasi antara item dalam dataset. Dalam kasus ini, kita dapat mengidentifikasi item-item
yang sering dibeli bersamaan, membantu perusahaan memahami preferensi pelanggan dan
membangun strategi penjualan bersama yang lebih efektif.

D. Implementasi
1. Mengonversi data transaksi menjadi format yang sesuai dengan metode asosiasi, seperti
one-hot encoding.
2. Menentukan support dan confidence threshold untuk mengekstraksi aturan asosiasi
yang relevan.
3. Menjalankan algoritma Apriori pada dataset untuk mengekstraksi aturan asosiasi.
4. Menganalisis aturan asosiasi yang dihasilkan untuk memahami hubungan antara produk
dan menciptakan rekomendasi produk.
E. Kesimpulan
Dengan menggunakan metode asosiasi, perusahaan dapat memahami pola
pembelian bersamaan pelanggan dan mengoptimalkan strategi penjualan. Analisis aturan
asosiasi memberikan wawasan tentang item-item yang memiliki keterkaitan tinggi,
memungkinkan perusahaan untuk membuat rekomendasi produk yang lebih personal dan
merancang strategi penjualan bersama yang lebih efektif.