COURSE OUTLINE

1. Pengenalan Data Mining

2. Proses Data Mining
3. Metode dan Algoritma Data Mining
4. Evaluasi dan Validasi pada Data Mining
5. Metode Penelitian Computing
ALGORITMA APRIORI
ALGORITMA APRIORI
 Algoritma Apriori merupakan salah satu algoritma
dasar data mining.
 Algoritma Apriori digunakan agar komputer dapat
mempelajari aturan asosiasi.
 Aturan yang menyatakan Asosiasi antara beberapa
atribut sering disebut affinity analysis atau market basket
analysis.
 Analisis asosiasi atau association rule mining adalah
teknik data mining untuk menemukan aturan asosiasi
antara suatu kombinasi item.
ALGORITMA APRIORI -Lanjutan
 Analisis asosiasi dikenal juga sebagai salah satu teknik
data mining yang menjadi dasar dari berbagai teknik
data mining lainnya.
 Salah satu tahap analisis asosiasi yang menarik
perhatian banyak peneliti untuk menghasilkan
algoritma yang efisien adalah analisis pola frekuensi
tinggi(Frequent pattern mining).
 Penting tidaknya suatu aturan asosiatif dapat diketahui
dengan dua parameter yaitu Support dan Confident.
 ALGORITMA APRIORI -Lanjutan
 Support (nilai penunjang) adalah persentase kombinasi item
tersebut dalam database.
 Confident (nilai kepastian ) adalah kuatnya hubungan antar item
dalam aturan asosiasi.
 Aturan asosiasi biasanya dinyatakan dalam bentuk :
 {Penggaris, mentega}  {Buku} (Support=40%,
confidence =50%).
 Aturan tersebut berarti “50% dari transaksi di database yang
memuat item Penggaris dan mentega juga memuat item
Buku”.
 Sedangkan 40 % dari seluruh transaksi yang ada di database
memuat ketiga item tersebut.
ALGORITMA APRIORI -Lanjutan
 Contoh aturan asosiatif dari analisis pembelian di suatu
pasar swalayan adalah dapat diketahuinya berapa besar
kemungkinan seorang pelanggan membeli Penggaris
bersamaan dengan buku.
 Dengan pengetahuan tersebut, pemilik pasar swalayan
dapat mengatur penempatan barang atau mengatur
kampanye diskon untuk kombinasi barang.
CONTOH PENERAPAN ASOSIASI
 Penempatan barang-barang yang sering dibeli secara
bersamaan.
CONTOH PENERAPAN ASOSIASI
 Amazone, mengembangkan perekomendasi (rocomender)
Recomender
Analisis Pola Frekuensi
 Tahap ini mencari kombinasi item yang memenuhi
syarat minimum dari nilai support dalam basis data.
 Nilai support sebuah item diperoleh dengan
menggunakan rumus berikut:
Analisis Pola Frekuensi - Lanjutan
 Sementara, nilai support dari 2 item diperoleh
dengan menggunakan rumus :
Analisis Pola Frekuensi - Lanjutan
 Frequent itemset menunjukkan itemset yang memiliki
frekuensi kemunculan lebih dari nilai minimum
yang ditentukan.
 Misalkan = 2, maka semua itemsets yang frekuensi
kemunculannya lebih dari atau sama dengan 2 kali
disebut frequent.
 Himpunan dari frequent k-itemset dilambangkan
dengan Fk.
PEMBENTUKAN ATURAN ASOSIASI
 Setelah semua pola frekuensi ditemukan, barulah
dicari aturan asosiasi yang memenuhi syarat
minimum untuk confidence dengan menghitung
confidence aturan asosiatif A  B.
 Nilai confidence dari aturan A  B diperoleh dengan
rumus berikut:
PEMBENTUKAN ATURAN ASOSIASI - 2
 Untuk menentukan aturan asosiasi yang akan dipilih
maka harus diurutkan berdasarkan Support ×
Confidence.
 Aturan diambil sebanyak n aturan yang memiliki
hasil terbesar.
 ALGORITMA APRIORI

STUDY KASUS PENJUALAN BARANG

ELEKTRONIK
STUDY KASUS
 Study Kasus yang dilakukan yaitu dengan
menganalisa data penjualan barang yang ada pada
salah satu toko elektronik selama satu tahun.
 Sedangkan produk yang dianalisa adalah produk
laptop berbagai merk yang terjual selama kurun
waktu 1 tahun.
STUDY KASUS -2
No. Merek Jenis
1 Acer Laptop
2 Asus Laptop
3 HP Laptop
4 Samsung Laptop
5 Lenovo Laptop
6 Zyrex Laptop
7 Bioar Laptop
8 Apple Laptop
9 Toshiba Laptop
10 Hewpa Laptop
11 Dell Laptop
12 Axio Laptop
13 Compaq Laptop
DATA PENJUALAN
 Data penjualan yang diteliti merupakan data
penjualan produk elektronik pada perusahaan
selama 1 tahun, dimulai pada bulan April 2012,
sampai pada bulan Maret 2013.
DATA PENJUALAN APRIL 2012
DATA PENJUALAN MEI 2012
DATA PENJUALAN JUNI 2012
DATA PENJUALAN JULI 2012
DATA PENJUALAN AGUSTUS 2012
DATA PENJUALAN SEPTEMBER 2012
DATA PENJUALAN OKTOBER 2012
DATA PENJUALAN NOVEMBER 2012
DATA PENJUALAN DESEMBER 2012
DATA PENJUALAN JANUARI 2013
DATA PENJUALAN FEBRUARI 2013
DATA PENJUALAN MARET 2013
PENERAPAN ALGORITMA APRIORI

PEMBUATAN POLA TRANSAKSI

POLA TRANSAKSI PENJUALAN PRODUK
 Berdasarkan transaksi penjualan produk elektronik,
transaksi tersebut dapat diakumulasikan.
 Akumulasi transaksi penjualan produk Elektronik
diperoleh dari penjualan bulanan yang diambil dari
3 teratas laporan bulanan, dapat dilihat dalam tabel
dibawah ini :
POLA TRANSAKSI PENJUALAN PRODUK -2
REPRESENTASI DATA TRANSAKSI
 Representasi data transaksi
dibuat berdasarkan data
transaksi yang terdapat
pada tabel berikut.
 Representasi data tersebut
dapat dilihat pada tabel
dibawah ini:
REPRESENTASI DATA TRANSAKSI -2
PEMBUATAN FORMAT TABULAR
 Format tabular data transaksi bulanan, bila dibentuk
akan tampak seperti tabel berikut ini:
PENERAPAN ALGORITMA APRIORI

ANALISA POLA FREKUENSI

PEMBUATAN ITEMSET
 Berikut ini adalah penyelesaian dengan contoh kasus
berdasarkan data yang sudah disediakan pada tabel
tabular
 Proses pembentukan C1 atau disebut dengan 1
itemset dengan jumlah minimum support = 30%
 Dengan rumus sebagai berikut:
PEMBUATAN ITEMSET -2
 Berikut merupakan perhitungan pembentukan 1
itemset:
PEMBUATAN ITEMSET -3
 Support dari tiap item
KOMBINASI 2 ITEMSET
 Proses pembentukan C2 atau disebut dengan 2
itemset dengan jumlah minimum support = 30%
 Dapat diselesaikan dengan rumus berikut:
KOMBINASI 2 ITEMSET -2
 Berikut merupakan perhitungan pembentukan C2
atau 2 itemset:
KOMBINASI 2 ITEMSET -3
CALON 2 ITEMSET
Itemset Jumlah Data Support
Acer, Asus 4 33.33 %
Acer, Hp 3 25 %
Acer, Samsung 4 41.67 %
Acer, Toshiba 6 50 %
Asus,Toshiba 2 16.67 %
Asus, Samsung 3 25 %
Asus, Hp 3 25 %
Hp, Samsung 4 33.33 %
Hp, Toshiba 2 16.67 %
Toshiba, Samsung 4 33.33 %
CALON 2 ITEMSET -2
 Minimal support yang ditentukan adalah 30%,
 Jadi kombinasi 2 itemset yang tidak memenuhi
minimal support akan dihilangkan, terlihat seperti
Table dibawah ini:
KOMBINASI 3 ITEMSET
 Proses pembentukan C3 atau disebut dengan 3
itemset dengan jumlah minimum support = 30%
 Dapat diselesaikan dengan rumus berikut:
KOMBINASI 3 ITEMSET -2
KOMBINASI 3 ITEMSET -3
KOMBINASI 3 ITEMSET -4

 Karena Kombinasi 3 itemset tidak ada yang

memenuhi minimal support, maka 2 kombinasi
yang memenuhi untuk pembentukan asosiasi.
PEMBENTUKAN ATURAN ASOSIASI
 Setelah semua pola frekuensi tinggi ditemukan,
barulah dicari aturan asosiasi yang memenuhi
syarat minimum untuk confidence dengan
menghitung confidence aturan asosiatif A→B.
 Minimal Confidence=60%
 Nilai Confidence dari aturan A→B diperoleh
dengan rumus berikut:
PEMBENTUKAN ATURAN ASOSIASI -2
 Dari kombinasi 2 itemset yang telah ditemukan, dapat
dilihat besarnya nilai support, dan confidence dari
calon aturan asosiasi seperti tampak pada tabel
dibawah ini:
ATURAN ASOSIASI FINAL
 Aturan asosiasi final terurut berdasarkan minimal
support dan minimal confidence yang telah
ditentukan, dapat dilihat pada tabel dibawah ini:
GRAFIK ASOSIASI FINAL
TUGAS/STUDY KASUS
Transaksi Transaksi Penjualan Tiket
Pesawat Pada Salah Satu Agen Tiket
Pesawat Selama 12 Bulan !
 STUDY KASUS
Transaksi Tiket yang di beli
 Minimum 1 Garuda, Air Asia, Lion Air
Support = 2 Air Asia, Garuda, Batavia
30 % dan 3 Lion Air, Air Asia, Sriwijaya
Confident 4 Lion Air, Batavia, Garuda
= 60 % 5 Garuda, Lion Air, Air Asia
6 Garuda, Sriwijaya, Air Asia
7 Garuda, Batavia, Air Asia
8 Garuda, Batavia, Sriwijaya
9 Batavia, Sriwijaya, Lion Air
10 Garuda, Sriwijaya, Lion Air
11 Garuda, Lion Air, Air Asia
12 Batavia, Sriwijaya, Lion Air
TUGAS / STUDY KASUS

Penerapan Algoritma Apriori Pada

Transaksi Belanja Pasar Swalayan
STUDY KASUS
 Tabel transaksi belanja pasar swalayan di database.
Transkasi Item yang dibeli
1 Susu, Teh, Gula
2 Teh, Gula Roti
3 Teh, Gula
4 Susu, Roti
5 Susu, Gula, Roti
6 Teh, Gula
7 Gula, Kopi, Susu
8 Gula, Kopi, Susu
9 Susu, Roti, Kopi
10 Gula, Teh, Kopi
 STUDY KASUS -2
 Dan bila dibentuk modular, tabel transaksi akan
tampak seperti tabel dibawah ini :
Transaksi Teh Gula Kopi Susu Roti
1 1 1 0 1 0
2 1 1 0 0 1
3 1 1 0 0 0
4 0 0 0 1 1
5 0 1 0 1 1
6 1 1 0 0 0
7 0 1 1 1 0
8 0 1 1 1 0
9 0 0 1 1 1
10 1 1 1 0 0
 TUGAS / STUDY KASUS

Transaksi Transaksi Penjualan Produk Pada

Toko Alat Tulis Berikut ini !
STUDY KASUS
 Tabel transaksi belanja pada Toko Alat Tulis di database.
Transkasi Item yang dibeli
1 Buku, Pensil, Pulpen
2 Pensil, Pulpen Penggaris
3 Pensil, Pulpen
4 Buku, Penggaris
5 Buku, Pulpen, Penggaris
6 Pensil, Pulpen
7 Pulpen, Penghapus, Buku
8 Pulpen, Penghapus, Buku
9 Buku, Penggaris, Penghapus
10 Pulpen, Pensil, Penghapus
 STUDY KASUS -2
 Dan bila dibentuk modular, tabel transaksi akan
tampak seperti tabel dibawah ini :
Transaksi Pensil Pulpen Penghapus Buku Penggaris
1 1 1 0 1 0
2 1 1 0 0 1
3 1 1 0 0 0
4 0 0 0 1 1
5 0 1 0 1 1
6 1 1 0 0 0
7 0 1 1 1 0
8 0 1 1 1 0
9 0 0 1 1 1
10 1 1 1 0 0