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