ASSOCIATION

METHOD
Penerapan Metode Asosiasi untuk mengetahui Pola
Belanja Konsumen dengan menggunakan Algoritma
Apriori
 DATA MINING IS ?
Secara sederhana , data mining adalah penambangan atau penemuan informasi
baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat
besar (Davies, 2004). Data mining adalah proses yang mempekerjakan satu atau
lebih teknik pembelajaran komputer (machine learning) untuk menganalisis dan
mengekstraksi pengetahuan (knowledge) secara otomatis (Hermawati, 2013)

Hal penting yang terkait dengan data mining (Kusrini, 2009) adalah :

1. Data mining merupakan suatu proses otomatis terhadap data yang sudah ada

2. Data yang akan diproses berupa data yang sangat besar

3. Tujuan data mining adalah untuk mendapatkan hubungan atau pola yang mungkin
memberikan indikasi yang bermanfaat
 DATA MINING METHOD
Rujukan Buku : DATA MINING KONSEP DAN TEKNIK V.2 (Q. W. Han)

ESTIMASI PREDIKSI KLASIFIKASI CLUSTERING ASOSIASI

Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan assosiasi antara
kombinasi suatu item.
(Fungsi Association Rules seringkali disebut dengan "market basket analysis",
yang digunakan untuk menemukan relasi atau korelasi diantara himpunan item)
Association Rules
Contoh aturan asosiatif dari analisa pembelian disuatu pasar swalayan
adalah dapat diketahuinya berapa besar kemungkinan seorang pelanggan
membeli roti bersamaan dengan roti.

Salah satu algoritma yang biasa digunakan dalam metode asosiasi adalah
algoritma apriori.

4
 ASSOCIATION METHOD ALGORITHM
Rujukan Buku : DATA MINING KONSEP DAN TEKNIK V.2 (Q. W. Han)

Apriori Algorithm

Algoritma apriori adalah suatu metode untuk mencari pola

hubungan antar satu atau lebih item dalam suatu dataset.
Algoritma apriori banyak digunakan pada data transaksi
atau biasa disebut market basket, misalnya sebuah
swalayan memiliki market basket, dengan adanya algoritma
apriori, pemilik swalayan dapat mengetahui pola pembelian
seorang konsumen, jika seorang konsumen membeli item
A , B, punya kemungkinan 50% dia akan membeli item C,
pola ini sangat signifikan dengan adanya data transaksi
selama ini.

Suatu aturan asosiatif dapat diketahui dengan dua parameter :

-Nilai support (nilai penunjang), yaitu persentase kombinasi item tersebut dalam database ,dan
-Nilai confidence (nilai kepastian), yaitu kuatnya hubungan antar item dalam aturan asosiatif
 Cara Kerja Algoritma Apriori

Langkah-langkah kerja algoritma apriori adalah :

1. Tentukan jumlah minimum support
2. Iterasi 1 : hitung item-item dari support (transaksi yang memuat seluruh item) dengan men-scan database
untuk 1-itemset, setelah 1-itemset didapatkan, dari 1-itemset apakah diatas minimum support, apabila
telah memenuhi minimum support, 1-itemset tersebut akan menjadi pola frequent tinggi.
3. Iterasi 2 : untuk mendapatkan 2-itemset harus dilakukan kombinasi dari k-itemset sebelumya, kemudian
scan database lagi untuk hitung item-item yang memuat support. Itemset yang memenuhi minimum
support akan dipilih sebagai pola frequent tinggi dari kandidat.
4. Tetapkan nilai k-itemset dari support yang telah memenuhi minimum suport dari k-itemset.
5. Lakukan proses untuk iterasi selanjutnya hinggan tidak ada lagi k-itemset yang memenuhi minimum
support.

Istilah-istilah
-- itemset adalah sekumpulan item-item dalam sebuah keranjang
-- k-itemset adalah itemset yang berisikan k item, misalnya roti, mentega, telur adalah 3-
itemset
-- frequent support adalah k-itemset yang dimiliki oleh support di mana frequent k-itemset yang
di miliki di atas minimum support atau memenuhi minimum support
-- candidat itemset adalah frequent itemset yang dikombinasikan dari k-itemset sebelumnya

The Power of PowerPoint |

thepopp.com
6
Metodologi dasar aturan asosiasi terbagi menjadi dua tahap yaitu :
1. Analisis pola frekuensi tinggi
Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database
a. Nilai support dari sebuahitem diperoleh dengan rumus berikut :

b. Sedangkan nilai support dari 2 item diperoleh dari rumus berikut :

2. Pembentukan aturan asosiasi

Setelah semua pola frekuensi tinggi ditemukan, maka dicari aturan asosiatif yang memenuhi syarat minimum untuk syarat confidence
dengan menghitung confidence aturan asosiatif
“ Jika A maka B “ = A B
 Studi Kasus Transaksi Sebuah Supermarket

Sebuah supermarket memiliki data transaksi seperti yang terdapat pada tabel berikut :

Id Transaksi (Support) Item

1 Pena, Roti, Mentega

2 Roti, Mentega, Telur, Susu

3 Buncis, Telur, Susu

4 Roti, Mentega

5 Roti, Mentega, Kecap, Telur, Susu

 Studi Kasus Transaksi Penjualan Obat
Banyaknya item yang dibeli pada setiap transaksi adalah seperti yang terdapat pada tabel berikut :

transaksi roti mentega telur susu buncis kecap pena

1 1 1 0 0 0 0 1
2 1 1 1 1 0 0 0
3 0 0 1 1 1 0 0
4 1 1 0 0 0 0 0
5 1 1 1 1 0 1 0
jumlah 4 4 3 3 1 1 1

Parameter yang digunakan adalah :

Jumlah atribut : 7
Jumlah minimum support pola frekuensi tinggi :
2
Jumlah minimum confidence : 40%
Langkah 1 Langkah 2
 Pembentukan Itemset b.) Itemset 2 ( Iterasi 2)
Proses pembentukan itemset kedua atau C2 dengan
a.) Itemset 1 ( Iterasi 1)
jumlah minimum support sebagai pola frekuensi tinggi = 2
Proses pembentukan itemset pertama atau C1 dengan
diselesaikan dengan rumus :
jumlah minimum support sebagai pola frekuensi tinggi = 2
dengan persamaan :

9 45%
Hasil support dari itemset 2 yaitu :

Hasil pola frequent dari support dari setiap item yaitu : Itemset Support Count Support
Roti,Mentega 4 80%
Itemset Support Support
Count Roti, Telur 2 40%
Roti 4 80% Roti,Susu 2 40%
Mentega 4 80% Mentega,Telur 2 40%
Telur 3 60%
Mentega,Susu 2 40%
Susu 3 60%
Telur,Susu 3 60%
Buncis 1 20%
Kecap 1 20%
Pena 1 20% Masing –masing dari Kombinasi itemset 2 pada table diatas
memenuhi standar minimum support yakni lebih besar sama
Item yang memenuhi standar minimum support sebagai pola
dengan 2
frequent tinggi yaitu pada itemset Roti, Mentega, Telur dan
susu.
Langkah 3 Langkah 4
c.) Itemset 3 ( Iterasi 3) d.) Itemset 4 ( Iterasi 4)
Proses pembentukan itemset atau C3 dengan jumlah Proses pembentukan itemset atau C3 dengan jumlah
minimum support sebagai pola frekuensi tinggi = 2 diselesaikan minimum support sebagai pola frekuensi tinggi = 2 diselesaikan
dengan rumus : dengan rumus :

Hasilnya :

Itemset Support Count Support Hasilnya :

Roti, Mentega, Telur 40% 2
Itemset Support Count Support
Roti, Mentega, Susu 40% 2
Roti, Mentega, Telur, Susu 40% 2
Mentega, Telur, Susu 40% 2

Kombinasi itemset 3 pada table memenuhi minimum Tidak ada lagi kombinasi yang bisa dibentuk untuk k-itemset
support,sehingga itemset diatas akan menjadi acuan untuk berikutnya, proses berhenti, pola frequent tinggi yang
itemset selanjutnya (itemset pola frekuensi tinggi ) ditemukan adalah “ Roti, Mentega, Telur dan Susu”.
Langkah 5
 Pembentukan aturan asosiasi Hasilnya :
Setelah semua pola frekuensi tinggi ditemukan, kemudian
Itemset Support {AUB} Support{ Confidence
cari aturan asosiasi yang memenuhi syarat minimum nilai A}
confidence . {Susu} -> {Roti,Mentega,Telur} 40% 60% 66%
Nilai confidence dari aturan A B diperoleh : {Roti} -> {Susu,Mentega,Telur} 40% 80% 50%
{Mentega} -> {Roti,Susu,Telur} 40% 80% 50%
{Telur} -> {Susu,Mentega,Roti} 40% 60% 66%
{Telur,Roti} -> {Susu, Mentega} 40% 40% 100%
{Mentega,Roti} -> {Susu, Telur} 60% 80% 66%
{Mentega,Telur} -> {Susu, Roti} 40% 40% 100%
{Susu,Roti} -> {Mentega, Telur} 40% 40% 100%
{Susu,Telur} -> {Mentega, Roti} 80% 60% 66%
{Mentega,Susu} -> {Telur} 40% 40% 100%
{Mentega,Roti} -> {Telur} 40% 80% 50%
{Mentega,Roti} -> {Susu} 60% 80% 50%
{Mentega,Telur} -> {Susu} 60% 40% 66%
Dari table disamping dapat dilihat bahwa semua itemset {Susu,Telur} -> {Mentega} 80% 60% 66%
memenuhi nilai minimum confidence maka dapat {Susu,Roti} -> {Mentega} 80% 40% 50%
disimpulkan bahwa itemset yang paling sering dibeli oleh {Susu} -> {Mentega} 80% 60% 66%

konsumen adalah “ Roti, Mentega, Susu dan Telur “. {Roti} -> {Mentega} 80% 80% 100%
{Telur} -> {Mentega} 80% 60% 66%
{Roti} -> {Susu} 60% 80% 50%
{Telur} -> {Susu} 60% 60% 100%
{Roti} -> {Telur} 60% 80% 50%
Perbandingan Menggunakan
Aplikasi WEKA
Hasil perhitungan menggunakan apliksi WEKA

The Power of PowerPoint |

thepopp.com
13
KESIMPULAN
“ Berdasarkan nilai CONV pada perhitungan mengggunakan
aplikasi WEKA yakni 0.8 , maka“
APRIORY
ALGORITHM
ANALYSIS

Muhammad Budi Dharmawan P (E1E1 15 034)

Ayu Asriani (E1E1 16 004)

Suci Hardina (E1E1 16 036)

Muhammad Ramadhan Shabir (E1E1 16 068)

Abdul Azis Syah Laode (E1E1 16 074)

Hasriana Dwi Dayana (E1E1 16 078)