Anda di halaman 1dari 13

KELOMPOK 10

1.Ayub Nandito D. (142083)


2. Mus Purnomo (142093)
3.Aldo tandirerung (142094)
4. Reynaldy Go (142097)
ASOSIASI

PENGERTIAN ASOSIASI
DEFINISI ANALISIS ASOSIASI
BENTUK ATURAN ASOSIASI
PARAMETER ATURAN ASOSIASI
METODOLOGI DASAR ANALISIS ASOSIASI
EVALUASI POLA ASOSIASI
FP-GROWTH
Pegertian asosiasi

Analisis asosiasi atau association rule mining adalah


teknik data mining untuk menemukan aturan assosiatif
antara suatu kombinasi item.
Contoh dari aturan assosiatif adalah analisa pembelian
di suatu pasar swalayan yaitu dapat diketahuinya
berapa besar kemungkinan seorang pelanggan
membeli roti bersamaan dengan susu.
Dengan pengetahuan tersebut pemilik pasar swalayan
dapat mengatur penempatan barangnya atau
merancang kampanye pemasaran dengan memakai
kupon diskon untuk kombinasi barang tertentu.
Karena analisis asosiasi menjadi terkenal karena
aplikasinya untuk menganalisa isi keranjang belanja di
pasar swalayan, analisis asosiasi juga sering disebut
dengan istilah market basket analysis
Penting tidaknya suatu aturan assosiatif
dapat diketahui dengan dua parameter:
support (nilai penunjang) yaitu persentase
kombinasi item tersebut dalam database
confidence (nilai kepastian) yaitu kuatnya
hubungan antar item dalam aturan assosiatif
DEFINISI ANALISIS
ASOSIASI
suatu proses untuk menemukan semua
aturan assosiatif yang memenuhi syarat
minimum untuk support (minimum
support) dan syarat minimum untuk
confidence (minimum confidence).
BENTUK ATURAN ASOSIASI
Aturan asosiasi digunakan untuk menemukan
hubungan antar barang dari suatu
data yang disediakan. Aturan asosiasi diolah
dari
data dalam bentuk tabel yang terdiri dari
kolom
nomor transaksi dan jenis barang, yaitu a
atribut
(barang) {a, a, ..., a } dan k transaksi
(instance). Pada
aturan asosiasi mencari kombinasi yang paling
sering
Parameter Aturan Asosiasi

Pencarian aturan asosiasi harus menggunakan


parameter sehingga aturan yang didapat akurat.
Parameter yang digunakan yaitu support dan
confidence.
Support

Support adalah suatu ukuran yang mnunjukkan


seberapa besar tingkat dominasi suatu barang atau
itemset dari keseluruhan transaksi
Confidence

Confidence adalah suatu ukuran yang menunjukkan


hubungan kondisional antar dua barang (misal
seberapa sering barang B dibeli jika orang membeli
barang A)
METODOLOGI DASAR ANALISIS
ASOSIASI
Analisa pola frekuensi tinggi
Tahap ini mencari kombinasi item yang
memenuhi syarat minimum dari nilai
support dalam database
Pembentukan aturan assosiatif
dicari aturan assosiatif yang memenuhi
syarat minimum untuk confidence
dengan menghitung confidence aturan
assosiatif A B
EVALUASI POLA ASOSIASI
Algoritma analisis asosiasi memiliki potensi untuk
membangkitkan pola (pattern) dalam jumlah besar.
Dengan ukuran dan dimensi basisdata yang
mungkin sangat besar, mungkin diperoleh ribuan
atau jutaan pola yang kebanyakan tidak menarik.
Menyaring pola untuk mengidentifikasi pola yang
paling menarik bukanlah pekerjaan yang sederhana
karena pola yang tidak menarik bagi seseorang
mungkin menjadi menarik bagi orang lain (one
persons trash might be another persons treasure).
Karena itu perlu ada kriteria yang diterima secara
umum untuk menguji kualitas dari pola asosiasi
FP-Growth
merupakan pengembangan dari algoritma Apriori.
Sehingga kekurangan dari algoritma Apriori diperbaiki
oleh algoritma FP-Growth
Frequent Pattern Growth (FP-Growth) adalah salah satu
alternatif algoritma yang dapat digunakan untuk
menentukan himpunan data yang paling sering muncul
(frequent itemset) dalam sebuah kumpulan data
Pada algoritma Apriori diperlukan generate candidate
untuk mendapatkan frequent itemsets. Akan tetapi, di
algoritma FP-Growth generate candidate tidak dilakukan
karena FP-Growth menggunakan konsep pembangunan
tree dalam pencarian frequent itemsets. Hal tersebutlah
yang menyebabkan algoritma FP-Growth lebih cepat dari
algoritma Apriori.
Karakteristik algoritma FP-Growth adalah
struktur data yang digunakan adalah tree
yang disebut dengan FP-Tree. Dengan
menggunakan FP-Tree, algoritma FP-
Growth dapat langsung mengekstrak
frequent itemset dari FP-Tree.
Penggalian itemset yang frequent dengan
menggunakan algoritma FP-Growth akan
dilakukan dengan cara
membangkitkansupportstruktur data tree
atau disebut dengan FP-Tree. Metode FP-
Growth dapat dibagi menjadi 3 tahapan
utama yaitu sebagai berikut :
Tahap Pembangkitan conditional pattern
base,
Tahap pebangkitan conditional FP-Tree,
dan
Tahap pencarian frequent itemset.
SEKIAN DAN TERIMA KASIH