Aturan Assosiasi
Adalah pernyataan “ Jika – maka “
Membantu menunjukkan kemungkinan hubungan antara item data
Membantu menemukan korelasi dalam data transaksional
Sifatnya adalah Deskriptif
Sering disebut Market Basket Analysis (analisis keranjang pasar)
Layanan Netflix, Youtube, Spotify dan lain-lain dapat menggunakan aturan asosiasi untuk
mendorong rekomendasi konten, dengan menganalisis data perilaku pengguna untuk pola
yang “sering”.
Rekomendasi konten dari hasil analisis data perilaku pengguna untuk pola yang
paling “sering” atau menarik bagi pengguna
Algoritma
1. Antesenden (jika)
Antesenden adalah item yang ditemukan dalam data
2. Konsekuen (maka)
Konsekuen adalah item yang ditemukan dalam kombinasi dengan antesenden
Dukungan mengacu pada “seberapa sering” aturan yang diberikan muncul dalam database
Kepercayaan/keyakinan mengacu pada berapa kali aturan yang diberikan ternyata “benar”
Jika hasil bernilai negative maka terdapat korelasi negative antar ttitik data.
Jika hasil bernilai positive maka terdapat korelasi positive antar titik data.
Jika rasio = 1 maka tidak ada korelasi antar titik data
7
Dari berbagai algoritma yang ada dalam aturan asosiasi, algoritma yang paling umum dan
sering digunakan adalah algoritma APRIORI
Sedangkan nilai support untuk dua item diperoleh dari rumus berikut
Support (A ∩ B) = Jumlah Transaksi mengandung A ∩ B
Total Transaksi
12 Langkah Pertama : Mengubah data transaksi ke dalam bentuk tabular
Tabel Transaksi
ID Transaksi Item Pembelian
T1 Beras, Telur, Minyak
T2 Beras, Minyak
T3 Beras, Gula, Minyak
T4 Garam, Beras, Gula, Minyak
T5 Garam, Gula
Tabel 1 Itemset
No Item Σ transaksi Support Rumus :
1 Beras 4 0,8 v
2 Telur 1 0,2 x
3 Minyak 4 0,8 v Support(A) = Jumlah Transaksi mengandung A
4 Gula 3 0,6 v
5 Garam 2 0,4 v
Total Transaksi
Ketentuan
Total Transaksi = 5 Nilai min support = 0,3
15
Tabel 1 Itemset Terpilih
No Item Σ Transaksi Support
1 Beras 4 0,8
3 Minyak 4 0,8
4 Gula 3 0,6
5 Garam 2 0,4
Iterasi 2
Kombinasi 2 Itemset
No Kombinasi
1 Beras, Minyak
2 Beras, Gula
3 Beras, Garam
4 Minyak, Gula
5 Minyak, Garam
6 Gula, Garam
16 Rumus menghitung support 2 item
Total Transaksi = 5
Tabel 3 Itemset
No Item Σ transaksi Support
1 Beras, Minyak, Gula 2 0,4 v
Tabel 3 Itemset
Iterasi 4
1 Beras, Minyak, Gula 2 0,4
Tidak ada kombinasi yang bisa dibuat lagi. Oleh karena itu iterasi dihentikan
22 2. Pembentukan Aturan Asosiasi
Rumus
Confidence = Σ item yang dibeli sekaligus
Pembentukan Rule
1. Rule yang dipakai adalah "Jika x maka y" di mana x adalah antecendent dan y adalah consequent
2. Untuk antecendent boleh lebih dari 1 unsur, sedangkan untuk consequent terdiri dari 1 unsur
Jika membeli Beras dan Gula maka membeli Minyak 0,4 1 0,4 * 1 0,4
Jika membeli Minyak dan Gula maka membeli Beras 0,4 1 0,4 * 1 0,4
Aturan Asosiasi
Aturan yang digunakan adalah aturan yang memiliki hasil paling besar dari perkalian nilai support dan nilai confidence
1. Jika membeli Beras maka membeli Minyak
2. Jika membeli Minyak maka membeli Beras
26
Tabel Transaksi
ID Transaksi Item Pembelian
T1 Beras, Telur, Minyak
T2 Beras, Minyak
T3 Beras, Gula, Minyak
T4 Garam, Beras, Gula, Minyak
T5 Garam, Gula
Jadi dari penyelesaian soal tabel di atas, dapat diambil kebijakan untuk supermarket
tersebut untuk mengatur strategi pada peletakan barang. Misalnya mendekatkan rak beras
dan minyak, menghitung stock beras dan minyak.
27 Rapidminer
Select Attributes
Beras
Garam
Gula
Minyak
Telur
29
Pengolahan Apriori
Numerical to Binominal
Remap Binominals
30
Frequent Item
FP-Growth
0.3
31
Confidence
0.8