DATA MINING

2. INTNRODUCTION
 DATA MINING
 Proses untuk menemukan dataset baru pada dataset
yang sangat besar.
 TOPIK
 ASSOCIATION RULES (ATURAN ASOSIASI)

3. ATURAN ASOSIASI
 Menggunakan algoritme klasik : IF - THEN

4. ATURAN ASOSIASI
 Analisis Afinitas = “apa bersama apa”
 Bisa digunakan untuk menentukan kebiasaan “ suatu
produk apa akan dibeli bersama apa”
 Market Basket Analysis
 Contoh:
 Studi transaksi di supermarket
 Jika membeli Susu Bayi makan akan membeli Sabun
Mandi

5. ATURAN ASOSIASI DALAM TRANSAKSI
 Menemukan asosiasi produk dalam database
transaksi suatu supermarket. (database Market
Basket)
 Contoh Kasus:
 Para manajer ingin mengetahui kelompok items apa
yang sering dibeli untuk membuat layout katalog
belanja.
 Solusi:
 Gunakan aturan asosiasi dalam hubungan “if-then” atau
“jika-maka”.
 Aturan tersebut dihitung dari data yang sifatnya
probabilistic berdasarkan data market basket

6. KASUS
 Suatu toko yang menjual pakaian olah raga, sedang
melakukan promosi padapenjualan topi. Jika seorang
pelanggan membeli lebih dari satu macam topi dari 6
pilihan yang ada akan mendapat diskon.
 Manajer toko tersebut ingin melihat warna apa yang
dibeli bersama oleh pelanggan, mengumpulkan data
dan menyimpan dalam database.

7. Data items Topi tersebut berupa:
• Catatan
transaksi
pembelian
Transaksi
1 merah putih hijau
2 putih orange
3 putih biru
4 merah putih orange
5 merah biru
6 putih biru
7 putih orange
8 merah putih biru hijau
9 merah putih biru
10 kuning
Warna

8. Ide dari Aturan Asosiasi:
• Periksa semua kemungkinan “IF - THEN”
• Pilih yang paling mungkin (most likely) sebagai
indicator dari hubungan ketergantungan antar item.
• Antecedent =“Jika” dan consequent = “maka”
• Kemungkinan aturan:
– “Jika Merah, maka Putih ”
– {Merah, Putih} = {Biru}

9. Secara praktis,
Hanya kombinasi yang terjadi
dengan frekuensi yang sangat
tinggi yang akan diperhatikan
itu yang disebut:
FREQUENT ITEM SET

10. FREQUENT ITEM SET
 Berhubungan dengan SUPPORT
 SUPPORT: jumlah transaksi yang mengandung item
 Support digunakan untuk mengukur seberapa tingkat
dukungan data terhadap validitas aturan yang
dikembangkan.
 Dinyatakan dalam prosentase (%)
 Contoh:
 {Merah, Putih} adalah 4/10 atau 40%

11. Mengukur Aturan yang Kuat


12. Contoh Confidence
 Suatu supermarket memiliki
100.000 titik transaksi. Dari jml
tersebut ada 1000 transaksi yang
mengandung jeruk dan obat flu.
Dari 1000 transaksi ada 800 yang
mengandung mie instant.
 Aturan asosiasi jika jeruk dan obat
flu dibeli maka mie instant juga
dibeli pada belanja yang bersamaan
=>
 Support= 800/100.000
 Confidence = 800/1000

13.  SUPPORT: Peluang transaksi yang dipilih secara
random dari database akan mengandung semua item
dalam antecendent maupun consequent atau P
(antecedent dan consequent).

14. 
P (consequent |
antecedent)

15. Lift Ratio

16. Ada beberapa algoritme yang sudah
dikembangkan mengenai aturan asosiasi,
namun ada satu algoritme klasik yang
sering dipakai yaitu algoritma apriori
(Shmueli et al., 2007)

17. Apriori: A Candidate Generation-and-Test Approach
 Apriori pruning principle: If there is any itemset which is
infrequent, its superset should not be generated/tested!
(Agrawal & Srikant @VLDB’94, Mannila, et al. @ KDD’ 94)
 Method:
 Initially, scan DB once to get frequent 1-itemset
 Generate length (k+1) candidate itemsets from length k
frequent itemsets
 Test the candidates against DB
 Terminate when no frequent or candidate set can be
generated

18. December 13, 2014 Data Mining: Concepts and Techniques 18
The Apriori Algorithm—An Example
Database TDB
1st scan
C1
L1
L2
C2 C2
2nd scan
C3 L33rd scan
Tid Items
10 A, C, D
20 B, C, E
30 A, B, C, E
40 B, E
Itemset sup
{A} 2
{B} 3
{C} 3
{D} 1
{E} 3
Itemset sup
{A} 2
{B} 3
{C} 3
{E} 3
Itemset
{A, B}
{A, C}
{A, E}
{B, C}
{B, E}
{C, E}
Itemset sup
{A, B} 1
{A, C} 2
{A, E} 1
{B, C} 2
{B, E} 3
{C, E} 2
Itemset sup
{A, C} 2
{B, C} 2
{B, E} 3
{C, E} 2
Itemset
{B, C, E}
Itemset sup
{B, C, E} 2
Supmin = 2