1. Dokumen tersebut membahas algoritma apriori untuk menemukan aturan asosiasi dalam data transaksi. Algoritma ini terdiri dari dua tahap yaitu pembentukan itemset yang sering muncul dan pembuatan aturan berdasarkan itemset tersebut.
2. Prinsip apriori menyatakan bahwa jika suatu itemset sering muncul, subsetnya juga akan sering muncul. Ini digunakan untuk mengurangi kandidat itemset.
3. Al
Analisis asosiasi digunakan untuk menemukan hubungan antara item-item dalam basis data transaksi besar. Metode ini menghasilkan aturan asosiasi berdasarkan frekuensi kemunculan itemset. Algoritma Apriori dan FP-Growth digunakan untuk menghasilkan itemset frekuen dan aturan asosiasi dengan menerapkan prinsip anti-monotonik untuk mengurangi kompleksitas.
ANALISIS KERANJANG BELANJA DENGAN ALGORITMA APRIORI PADA PERUSAHAAN RETAILDwi Putra Asana
Sering terjadinya kekosongan salah satu stok barang yang sering dibeli secara bersamaan oleh pelanggan merupakan akibat dari tidak adanya informasi mengenai kebiasaan belanja pelanggan. Sehingga perlu dilakukan penggalian informasi pada data transaksi dengan teknik association rule mining (aturan asosiasi) untuk mengetahui barang yang sering dibeli secara bersamaan oleh pelanggan. association rule mining juga sering dinamakan market basket analysis (analisis keranjang belanja). Algoritma yang digunakan dalam association rule mining pada penelitian ini adalah algoritma apriori. Kombinasi barang dicari berdasarkan nilai minimum support, nilai minimum confidence, dan rentang data transaksi penjualan yang dimasukan. Salah satu informasi yang dihasilkan adalah Jika membeli Cakra Kembar 25 Kg maka akan membeli Segitiga Biru 25 Kg dengan nilai support 11,76 % dan nilai confidence 43,24 %. Berdasarkan beberapa hasil uji coba dapat diketahui bahwa nilai minimum support yang dimasukan mempengaruhi banyak frequent itemset yang dihasilkan. Nilai minimum support dan minimum confidence yang dimasukan mempengaruhi waktu proses sistem dalam penggalian informasi.
Dokumen tersebut membahas konsep dan cara kerja Algoritma Apriori untuk menemukan pola asosiasi antar item dalam dataset transaksi menggunakan parameter support dan confidence. Algoritma ini melakukan iterasi untuk menemukan itemset frekuen yang memenuhi batas minimum support, kemudian menghasilkan aturan asosiasi antar item dalam itemset tersebut beserta tingkat keyakinnya (confidence). Contoh penerapannya pada dataset transaksi membeli sayuran dijelaskan secara ter
Analisis asosiasi digunakan untuk menemukan hubungan antara item-item dalam basis data transaksi besar. Metode ini menghasilkan aturan asosiasi berdasarkan frekuensi kemunculan itemset. Algoritma Apriori dan FP-Growth digunakan untuk menghasilkan itemset frekuen dan aturan asosiasi dengan menerapkan prinsip anti-monotonik untuk mengurangi kompleksitas.
ANALISIS KERANJANG BELANJA DENGAN ALGORITMA APRIORI PADA PERUSAHAAN RETAILDwi Putra Asana
Sering terjadinya kekosongan salah satu stok barang yang sering dibeli secara bersamaan oleh pelanggan merupakan akibat dari tidak adanya informasi mengenai kebiasaan belanja pelanggan. Sehingga perlu dilakukan penggalian informasi pada data transaksi dengan teknik association rule mining (aturan asosiasi) untuk mengetahui barang yang sering dibeli secara bersamaan oleh pelanggan. association rule mining juga sering dinamakan market basket analysis (analisis keranjang belanja). Algoritma yang digunakan dalam association rule mining pada penelitian ini adalah algoritma apriori. Kombinasi barang dicari berdasarkan nilai minimum support, nilai minimum confidence, dan rentang data transaksi penjualan yang dimasukan. Salah satu informasi yang dihasilkan adalah Jika membeli Cakra Kembar 25 Kg maka akan membeli Segitiga Biru 25 Kg dengan nilai support 11,76 % dan nilai confidence 43,24 %. Berdasarkan beberapa hasil uji coba dapat diketahui bahwa nilai minimum support yang dimasukan mempengaruhi banyak frequent itemset yang dihasilkan. Nilai minimum support dan minimum confidence yang dimasukan mempengaruhi waktu proses sistem dalam penggalian informasi.
Dokumen tersebut membahas konsep dan cara kerja Algoritma Apriori untuk menemukan pola asosiasi antar item dalam dataset transaksi menggunakan parameter support dan confidence. Algoritma ini melakukan iterasi untuk menemukan itemset frekuen yang memenuhi batas minimum support, kemudian menghasilkan aturan asosiasi antar item dalam itemset tersebut beserta tingkat keyakinnya (confidence). Contoh penerapannya pada dataset transaksi membeli sayuran dijelaskan secara ter
Market Basket Analysis merupakan analisis untuk menemukan hubungan antar produk berdasarkan data transaksi penjualan dengan tujuan meningkatkan penjualan. Algoritma Apriori digunakan untuk menemukan aturan asosiasi antar produk secara otomatis dari data transaksi menggunakan library arules di R. Hasilnya berupa itemset dan rules yang dapat digunakan untuk merekomendasikan produk, menata rak, dan meningkatkan penjualan.
Penerapan Metode Apriori Untuk Identifikasi Pola Data Transaksi Pada Customer...ferisulianta.com
Supermarket merpuakan tempat berbelanja dari seseorang terhadap suatu daerah masyarakat setempat. Dengan pelayanan yang maksimal untuk mengetahui pola data pembelian yang diberikan dan mengantisipasi persediaan bahan pokok didaerah tertentu agar tidak mengalami keterlambatan kesediaan barangt. Maka diperlukan pencarian pola atau hubungan Association rule (aturan asosiatif). Association rule merupakan salah satu teknik data mining yang sangat penting, dapat diartikan bahwa hubungan antara sejumlah item dengan menentukan nilai support dan confidence pada basis data, penting tidaknya aturan asosiasi dapat diketahui dengan nilai support atau nilai penunjang dan confidence (nilai kepastian) algoritma apriori menghitung seringnnya item-set yang muncul dalam database melalui beberapa iterasi, setiap iterasi tersebut memiliki dua tahapan yaitu menentukan kandidat dan menghitung kandidat. Tahap pertama pada iterasi pertama , himpunan yang dihasilkan dari kandidat item-set berisikan seluruh 1-item-set. Tahap kedua algoritma apriori menghitung support-nya melalui seluruh item-set dengan batas minimum tertentu saja yang dianggap sering muncul (frequent), sehingga dapat diketahui item-set yang sering muncul.. Penghapusan ini berdasarkan pengamatan yaitu apakah item-set tersebut sering muncul atau tidak. Dari hasil penelitian dengan menggunakan nilai minimum support dan minimum confident tertinggi akan membentuk nilai akhir, yaitu nilai paling besar yang melebihi batas minimal support dan confidence. Dalam penelitian ini dengan menggunakan kombinasi 2 item set dengan minimum support 2 dan minimum confidence 35 pada super market di daerah tebet selatan adalah “jika pembeli membeli Telur dan daging giling maka pembeli akan membeli air mineral ” dengan Support 7,333% dan confidence 50,66%
Kata Kunci : super market, association rule, algoritma apriori
Dokumen tersebut membahas tentang data warehouse, termasuk pengertian, konsep, dan perancangan data warehouse. Secara ringkas, data warehouse digunakan untuk mengintegrasikan dan menyimpan data dari berbagai sumber agar mudah diakses dan dianalisis guna pengambilan keputusan bisnis."
Proses untuk menemukan aturan asosiasi yang memenuhi syarat minimum untuk support dan confidence dari data transaksi penjualan sayuran meliputi (1) menemukan kombinasi item yang paling sering terjadi, dan (2) mendefinisikan kondisi dan hasil untuk membentuk aturan asosiasi."
4 langkah proses desain model multidimensi meliputi pemilihan proses bisnis, penetapan grain terkecil, pemilihan dimensi, dan identifikasi fakta numerik. Langkah-langkah ini diterapkan pada studi kasus jaringan grosir besar untuk membangun skema data penjualan ritel yang mencakup tabel fakta dan tabel dimensi seperti tanggal, produk, toko, dan promosi.
Analisis asosiasi digunakan untuk menemukan pola hubungan antara item-item yang sering dibeli bersama dalam suatu transaksi belanja. Algoritma Apriori digunakan untuk menemukan kombinasi item yang memenuhi nilai minimum support dari database transaksi untuk kemudian membentuk aturan asosiasi berdasarkan nilai confidence. Aturan asosiasi yang kuat adalah aturan dengan support dan confidence di atas batas minimum.
Dokumen ini membahas algoritme Apriori untuk menemukan aturan asosiasi dalam data mining. Algoritme ini bekerja dengan menghasilkan itemset yang sering muncul, melakukan join untuk menciptakan kandidat baru, dan menghasilkan aturan dengan menghitung dukungan dan keyakinan. Beberapa masalah yang dijelaskan termasuk keterbatasan skalabilitas dan representasi data transaksi.
Konsumen Sebagai Co-Creation untuk Menentukan Strategi.pdfferisulianta.com
Industri retail skala internasional menjual banyak variasi produk yang didapat dari berbagai vendor, transaksi penjualan yang terjadi membentuk gudang data yang tersimpan pada basis data Sistem Enterprise Resource Planning. Ketersediaan data historis hasil transaksi yang terdokumentasi dapat manfaaatkan lebih lanjut untuk ditambang dengan menganalisa keranjang belanja konsumen. dengan mencari korelasi antara produk-produk dalam kumpulan transaksi penjualan yang sudah terjadi dalam kurun waktu tertentu. Algoritma apriori digunakan untuk membangun aturan asosiasi yang berfokus pada memetakan perilaku konsumen retail sebagai co-creation manajemen startegi perusahaan dan dapat menghasilkan hubungan dan aturan yang akan mengungkapkan pola preferensi pelanggan terhadap berbagai jenis produk, yang sebelumnya tersembunyi dan sulit diukur. Aturan asosiasi yang dihasilkan melalui serangkaian proses teknik data mining diujikan lebih lanjut untuk mengukur keberhasilkan aturan asosiasi menggunakan data transaksional pada periode berikutnya. Hasil pengujian aturan asosiasi dengan nilai minimum confidence 70% digunakan sebagai dasar membangun strategi bisnis diantaranya: memperkuat penjualan paket, strategi penempatan produk, segmentasi pasar berdasarkan preferensi warna,
mengelola stok dan ketersediaan produk.
Secara umum logika fuzzy sugeno adalah suatu logika yang digunakan untuk menghasilkan keputusan tunggal/crisp saat defuzzyfikasi, penggunaannya tergantung dari domain masalah yang terjadi
Estetika Humanisme Diskusi Modul Part Ke-7.pdfHendroGunawan8
Anger management adalah belajar mengenali tanda-tanda pada diri saat marah dan mengambil tindakan yang “sehat” dalam meluapkan kemarahan.
Secara sederhana, dapat diartikan bahwa anger management adalah mengendalikan rasa marah, bukan mencegah atau menahan rasa marah.
Estetika Humanisme Diskusi Video Sesi Ke-7.pdfHendroGunawan8
Anger Management adalah suatu kemampuan atau teknik untuk melakukan tindakan mengatur pikiran, perasaan, nafsu amarah dengan cara yang tepat dan posistif serta dapat diterima di lingkungan, sehingga dapat mencegah sesuatu yang buruk atau merugikan diri sendiri dan orang lain.
Jaringan VOIP Ringkasan Modul Pertemuan Ke-6.pdfHendroGunawan8
Cisco Unified Communications (UC) adalah sistem komunikasi berbasis IP yang mengintegrasikan produk dan aplikasi suara, video, data, dan mobilitas. Ini memungkinkan komunikasi yang lebih efektif dan aman dan dapat mengubah cara kita berkomunikasi
Di dalam pengolahan citra, sebuah citra sering dilakukan proses penapisan (image filtering) untuk memperoleh citra sesuai dengan tujuan yang diinginkan.
Market Basket Analysis merupakan analisis untuk menemukan hubungan antar produk berdasarkan data transaksi penjualan dengan tujuan meningkatkan penjualan. Algoritma Apriori digunakan untuk menemukan aturan asosiasi antar produk secara otomatis dari data transaksi menggunakan library arules di R. Hasilnya berupa itemset dan rules yang dapat digunakan untuk merekomendasikan produk, menata rak, dan meningkatkan penjualan.
Penerapan Metode Apriori Untuk Identifikasi Pola Data Transaksi Pada Customer...ferisulianta.com
Supermarket merpuakan tempat berbelanja dari seseorang terhadap suatu daerah masyarakat setempat. Dengan pelayanan yang maksimal untuk mengetahui pola data pembelian yang diberikan dan mengantisipasi persediaan bahan pokok didaerah tertentu agar tidak mengalami keterlambatan kesediaan barangt. Maka diperlukan pencarian pola atau hubungan Association rule (aturan asosiatif). Association rule merupakan salah satu teknik data mining yang sangat penting, dapat diartikan bahwa hubungan antara sejumlah item dengan menentukan nilai support dan confidence pada basis data, penting tidaknya aturan asosiasi dapat diketahui dengan nilai support atau nilai penunjang dan confidence (nilai kepastian) algoritma apriori menghitung seringnnya item-set yang muncul dalam database melalui beberapa iterasi, setiap iterasi tersebut memiliki dua tahapan yaitu menentukan kandidat dan menghitung kandidat. Tahap pertama pada iterasi pertama , himpunan yang dihasilkan dari kandidat item-set berisikan seluruh 1-item-set. Tahap kedua algoritma apriori menghitung support-nya melalui seluruh item-set dengan batas minimum tertentu saja yang dianggap sering muncul (frequent), sehingga dapat diketahui item-set yang sering muncul.. Penghapusan ini berdasarkan pengamatan yaitu apakah item-set tersebut sering muncul atau tidak. Dari hasil penelitian dengan menggunakan nilai minimum support dan minimum confident tertinggi akan membentuk nilai akhir, yaitu nilai paling besar yang melebihi batas minimal support dan confidence. Dalam penelitian ini dengan menggunakan kombinasi 2 item set dengan minimum support 2 dan minimum confidence 35 pada super market di daerah tebet selatan adalah “jika pembeli membeli Telur dan daging giling maka pembeli akan membeli air mineral ” dengan Support 7,333% dan confidence 50,66%
Kata Kunci : super market, association rule, algoritma apriori
Dokumen tersebut membahas tentang data warehouse, termasuk pengertian, konsep, dan perancangan data warehouse. Secara ringkas, data warehouse digunakan untuk mengintegrasikan dan menyimpan data dari berbagai sumber agar mudah diakses dan dianalisis guna pengambilan keputusan bisnis."
Proses untuk menemukan aturan asosiasi yang memenuhi syarat minimum untuk support dan confidence dari data transaksi penjualan sayuran meliputi (1) menemukan kombinasi item yang paling sering terjadi, dan (2) mendefinisikan kondisi dan hasil untuk membentuk aturan asosiasi."
4 langkah proses desain model multidimensi meliputi pemilihan proses bisnis, penetapan grain terkecil, pemilihan dimensi, dan identifikasi fakta numerik. Langkah-langkah ini diterapkan pada studi kasus jaringan grosir besar untuk membangun skema data penjualan ritel yang mencakup tabel fakta dan tabel dimensi seperti tanggal, produk, toko, dan promosi.
Analisis asosiasi digunakan untuk menemukan pola hubungan antara item-item yang sering dibeli bersama dalam suatu transaksi belanja. Algoritma Apriori digunakan untuk menemukan kombinasi item yang memenuhi nilai minimum support dari database transaksi untuk kemudian membentuk aturan asosiasi berdasarkan nilai confidence. Aturan asosiasi yang kuat adalah aturan dengan support dan confidence di atas batas minimum.
Dokumen ini membahas algoritme Apriori untuk menemukan aturan asosiasi dalam data mining. Algoritme ini bekerja dengan menghasilkan itemset yang sering muncul, melakukan join untuk menciptakan kandidat baru, dan menghasilkan aturan dengan menghitung dukungan dan keyakinan. Beberapa masalah yang dijelaskan termasuk keterbatasan skalabilitas dan representasi data transaksi.
Konsumen Sebagai Co-Creation untuk Menentukan Strategi.pdfferisulianta.com
Industri retail skala internasional menjual banyak variasi produk yang didapat dari berbagai vendor, transaksi penjualan yang terjadi membentuk gudang data yang tersimpan pada basis data Sistem Enterprise Resource Planning. Ketersediaan data historis hasil transaksi yang terdokumentasi dapat manfaaatkan lebih lanjut untuk ditambang dengan menganalisa keranjang belanja konsumen. dengan mencari korelasi antara produk-produk dalam kumpulan transaksi penjualan yang sudah terjadi dalam kurun waktu tertentu. Algoritma apriori digunakan untuk membangun aturan asosiasi yang berfokus pada memetakan perilaku konsumen retail sebagai co-creation manajemen startegi perusahaan dan dapat menghasilkan hubungan dan aturan yang akan mengungkapkan pola preferensi pelanggan terhadap berbagai jenis produk, yang sebelumnya tersembunyi dan sulit diukur. Aturan asosiasi yang dihasilkan melalui serangkaian proses teknik data mining diujikan lebih lanjut untuk mengukur keberhasilkan aturan asosiasi menggunakan data transaksional pada periode berikutnya. Hasil pengujian aturan asosiasi dengan nilai minimum confidence 70% digunakan sebagai dasar membangun strategi bisnis diantaranya: memperkuat penjualan paket, strategi penempatan produk, segmentasi pasar berdasarkan preferensi warna,
mengelola stok dan ketersediaan produk.
Secara umum logika fuzzy sugeno adalah suatu logika yang digunakan untuk menghasilkan keputusan tunggal/crisp saat defuzzyfikasi, penggunaannya tergantung dari domain masalah yang terjadi
Estetika Humanisme Diskusi Modul Part Ke-7.pdfHendroGunawan8
Anger management adalah belajar mengenali tanda-tanda pada diri saat marah dan mengambil tindakan yang “sehat” dalam meluapkan kemarahan.
Secara sederhana, dapat diartikan bahwa anger management adalah mengendalikan rasa marah, bukan mencegah atau menahan rasa marah.
Estetika Humanisme Diskusi Video Sesi Ke-7.pdfHendroGunawan8
Anger Management adalah suatu kemampuan atau teknik untuk melakukan tindakan mengatur pikiran, perasaan, nafsu amarah dengan cara yang tepat dan posistif serta dapat diterima di lingkungan, sehingga dapat mencegah sesuatu yang buruk atau merugikan diri sendiri dan orang lain.
Jaringan VOIP Ringkasan Modul Pertemuan Ke-6.pdfHendroGunawan8
Cisco Unified Communications (UC) adalah sistem komunikasi berbasis IP yang mengintegrasikan produk dan aplikasi suara, video, data, dan mobilitas. Ini memungkinkan komunikasi yang lebih efektif dan aman dan dapat mengubah cara kita berkomunikasi
Di dalam pengolahan citra, sebuah citra sering dilakukan proses penapisan (image filtering) untuk memperoleh citra sesuai dengan tujuan yang diinginkan.
Diskusi Modul Sistem Pakar Sesi Ke-6 - Salin.pdfHendroGunawan8
Metode Fuzzy Mamdani merupakan salah satu bagian dari Fuzzy Inference System yang berguna untuk penarikan kesimpulan atau suatu keputusan terbaik dalam permasalahan yang tidak pasti
Mindfulness adalah sikap berkesadaran penuh akan peristiwa yang sedang dijalani saat ini, dengan penuh perhatian, memiliki tujuan yang jelas, dan tanpa menghakimi.
Logika Fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh pada tahun 1965. Teori ini banyak diterapkan di berbagai bidang, antara lain representasi pikiran manusia ke dalam suatu sistem. Banyak alasan mengapa penggunaan logika Fuzzy ini sering dipergunakan antara lain, konsep logika Fuzzy yang mirip dengan konsep berpikir manusia. Sistem Fuzzy dapat merepresentasikan pengetahuan manusia ke dalam bentuk matematis dengan lebih menyerupai cara berpikir manusia ke dalam bentuk matematis. Selain itu, informasi berupa pengetahuan dan pengalaman mempunyai peranan penting dalam mengenali perilaku sistem di dunia nyata.
Kecerdasan emosional (Emotional Intelligence ) merupakan konsep baru yang dikembangkan oleh Daniel Goleman dalam karyanya pada tahun 1995 berjudul “Emotional Intelligence”.
PPT RENCANA AKSI 2 modul ajar matematika berdiferensiasi kelas 1Arumdwikinasih
Pembelajaran berdiferensiasi merupakan pembelajaran yang mengakomodasi dari semua perbedaan murid, terbuka untuk semua dan memberikan kebutuhan-kebutuhan yang dibutuhkan oleh setiap individu.kelas 1 ........
Modul Ajar Bahasa Indonesia Kelas 7 Fase D Kurikulum Merdeka - [abdiera.com]Fathan Emran
Modul Ajar Bahasa Indonesia Kelas 7 SMP/MTs Fase D Kurikulum Merdeka - abdiera.com. Modul Ajar Bahasa Indonesia Kelas 7 SMP/MTs Fase D Kurikulum Merdeka. Modul Ajar Bahasa Indonesia Kelas 7 SMP/MTs Fase D Kurikulum Merdeka. Modul Ajar Bahasa Indonesia Kelas 7 SMP/MTs Fase D Kurikulum Merdeka. Modul Ajar Bahasa Indonesia Kelas 7 SMP/MTs Fase D Kurikulum Merdeka. Modul Ajar Bahasa Indonesia Kelas 7 SMP/MTs Fase D Kurikulum Merdeka.
AKSI NYATA TRANSISI PAUD-SD : PENGUATAN DI TAHUN AJARAN BARU
Machine Learning Diskusi 11.pdf
1. 1
Machine Learning
Pertemuan 11
Aturan Asosiasi ( Algoritma Apriori)
Gambar 1. Ilustrasi metode apriori
11.1 Pendahuluan
• Aturan asosiasi (association rules) sering juga disebut analisis afinitas (affinity analysis) –
analisis pertalian.
• Studi mengenai ‘apa bersama apa’ atau “sesuatu memiliki pertalian dengan sesuatu”.
• Misal transaksi di supermarket:
▪ Jika seseorang membeli susu bayi biasanya seseorang juga membeli diapers, dapat
dikatakan susu bayi bersama diapers atau susu bayi memiliki pertalian dengan diapers.
• Karena studi ini diawali pada database transaksi pelanggan, mak studi ini juga disebut
“market basket analysis”
11.2 Aturan Asosiasi dalam Penjualan
• Tersedianya database market basket/transaksi pembelian pada pusat-pusat penjualan
(apapun) mendorong pengembangan teknik-teknik yang secara otomatis menemukan
asosiasi produk atau item-item yang tersimpan dalam database tersebut.
• Market basket database tersebut mengandung record dalam jumlah yang yang amat besar.
• Tiap record mencatat semua item yang dibeli oleh pelanggan dalam transaksi tunggal.
• Pengambilan keputusan memerlukan data mengenai pola transaksi.
• Manfaat bagi manajer:
▪ Dapat ditentukannya penempatan barang-barang dalam layout dengan lebih tepat.
Misal susu diletakkan berdekatan dengan diapers.
▪ Promosi produk.
▪ Segmentasi pembeli.
2. 2
▪ Pembuatan katalog.
▪ Melihat pola kecenderungan pola belanja pelanggan.
• Aturan asosiasi juga dapat diterapkan dalam bentuk sistem rekomendasi, misal:
▪ Sistem rekomendasi pembelian buku atau dvd online (www.amazon.com).
▪ Sistem rekomendasi pencarian artikel dalam search engine.
▪ Sistem rekomendasi peminjaman atau pengadaan buku pada perpustakaan.
• Hal penting yang dilakukan oleh aturan asosiasi adalah:
▪ Penyajian informasi transaksi ke dalam bentuk “if-then” atau “jika maka”.
▪ Aturan ini dihitung dari sifat probabilistik yang dimiliki oleh data yang ada.
11.3 Association Rule Mining
• Jika diberikan sekumpulan data transaksi, tentukan suatu aturan yang akan memprediksi
kemunculan suatu item berdasar kemunculan item yang lain dalam transaksi tersebut.
Tabel 1. Market-Basket transactions
Contoh dari association Rules
{Diaper} → {Beers},
{Milk, Bread} → {Eggs, Coke},
{Beer, Bread} → {Milk},
Pengertian dari pernyataan tersebut adalah co-occurrence, bukan sebab akibat (kausalitas)!
11.4 Definisi: Frequent Itemset
• Itemset
• Sekumpulan satu atau lebih item
• Misal: { Milk, Bread, Diaper}
• K-itemset
• Suatu item set yang terdiri dari k item
• Support count (𝜎)
• Frekuensi kemunculan suatu itemset
• Misal: 𝜎 ({Milk, Bread, Diaper}) = 2
TID Items
1 Bread, Milk
2 Bread, Diaper, Beer, Eggs
3 Milk, Diaper, Beer, Coke
4 Bread, Milk, Diaper, Beer
5 Bread, Milk, Diaper, Coke
3. 3
• Suport
• Pecahan transaksi yang terdiri dari suatu itemset
• Misal: s({Milk, Bread, Diaper}) = 2/5
• Frequent Itemset
• Suatu itemset yang memiliki nilai support lebih tinggi atau sama dengan batas minimum
support (minsup)
• Association Rule
• Persamaan dalam bentuk X → Y, di mana X dan Y merupakan itemset
• Misal: {Milk, Diaper} → {Beer}
• Rule Evaluation Metrics
• Support (s)
• Pecahan transaksi yang terdiri dari kedua item X dan Y
• Confidence (c)
• Ukuran seberapa sering item dalam y muncul dalam transaksi yang terdiri dari X
Tabel 2. Market-Basket transactions
Misal: {Milk, Diaper} → Beer
s =
𝜎 (Milk, Diaper, Beer)
|T|
=
2
5
= 0.4
c =
𝜎 (Milk, Diaper, Beer)
(Milk, Diaper)
=
2
3
= 0.67 = 0.7
11.5 Tugas Association Rule Mining
• Jika diberikan sekumpulan transaksi T, tujuan dari association rule mining adalah
menemukan semua aturan yang memiliki:
• Support ≥ batas minsup
• Confidence ≥ batas minconf
• Pendekatan Brute-force:
• Daftar semua association rules yang mungkin
TID Items
1 Bread, Milk
2 Bread, Diaper, Beer, Eggs
3 Milk, Diaper, Beer, Coke
4 Bread, Milk, Diaper, Beer
5 Bread, Milk, Diaper, Coke
4. 4
• Hitung support dan confidence untuk masing-masing
• Pangkas (Prune) aturan yang tidak memenuhi batas minsup dan minconf
➔ Computationally prohibitive!
11.6 Mining Association Rules
Tabel 3. Market-Basket transactions
Contoh dari aturan:
{Milk, Diaper} → {Beer} (s = 0.4, c = 0.67)
{Milk, Beer} → {Diaper} ( s = 0.4, c = 1.0)
{Diaper, Beer} → {Milk} ( s = 0.4, c = 0.67)
{Diaper} → {Milk, Beer} ( s = 0.4, c = 0.5)
{Milk} → { Diaper, Beer} ( s = 0.4, c = 0.5)
Pengamatan:
• Semua aturan di atas merupakan partisi biner dari itemset yang sama:
{Milk, Diaper, Beer}
• Aturan yang dibentuk dari itemset yang sama memiliki support yang identik tetapi dapat
memiliki nilai confidence yang berbeda.
• Dengan demikian kita dapat memisahkan persyaratan support dan confidence.
• Dua tahap pendekatan dalam proses mendapatkan aturan asosiasi, yaitu:
• Frequent Itemset Generation
• Membentuk semua itemset yang memiliki support ≥ minsup
• Rule Generation
• Membentuk high confidence rule dari masing-masing frequent itemset, di mana setiap
rule merupakan binary partitioning dari suatu frequent itemset.
• Pembentukan frequent itemset masih merupakan proses komputasi yang mahal.
TID Items
1 Bread, Milk
2 Bread, Diaper, Beer, Eggs
3 Milk, Diaper, Beer, Coke
4 Bread, Milk, Diaper, Beer
5 Bread, Milk, Diaper, Coke
5. 5
11.7 Frequent Itemset Generation
Gambar 2. Frequent Itemset Generation
Jika diberikan d item, maka akan terdapat 2𝑑
kemungkinan kandidat itemset.
• Brute-force approach:
• Masing-masing itemset dalam kisi-kisi tersebut merupakan candidate frequent itemset.
• Hitung support untuk masing-masing candidate dengan mencarinya dalam database.
Tabel 4. Market-Basket transaction and List of candidate
• Cocokkan masing-masing transaksi dengan setiap kandidat yang ada.
• Kompleksitas adalah ekuivalen dengan O (NMw) => Expensive karena M = 2𝑑
!!!
11.8 Strategi Pembentukan Frequent Itemset
• Kurangi jumlah kandidat (M)
• Complete search: M = 2𝑑
6. 6
• Gunakan teknik pemangkasan (pruning) untuk mengurangi M.
• Kurangi jumlah transaksi (N)
• Kurangi ukuran N saat ukuran dari itemset meningkat.
• Kurangi jumlah proses pencocokan (NM)
• Gunakan struktur data yang efisien untuk menyimpan kandidat ataupun transaksi.
• Tidak diperlukan untuk mencocokkan setiap candidate dengan tiap-tiap transaksi yang
ada.
11.9 Mengurangi Jumlah Kandidat
• Prinsip Apriori:
• Jika suatu itemset seringkali muncul, maka semua himpunan bagiannya semestinya juga
sering muncul.
• Prinsip apriori memiliki kecenderungan sifat ukuran support sebagai berikut:
∀ 𝑿, 𝒀 ∶ (𝑿 ⊆ Y) s(X) ≥ s (Y)
• Support dari suatu itemset tidak pernah melampaui support dari subsetnya.
• Hal ini dikenal sebagai sifat anti-monotone dari support.
11.10 Gambar Prinsip Apriori
Gambar 3. Gambaran prinsip apriori
8. 8
11.12 Algoritma Apriori
• Langkah penggabungan: 𝐶𝑘 dibangun dengan menggabungkan 𝐿𝑘−1 dengan dirinya sendiri.
• Langkah pemangkasan: Setiap (k-1) itemset yang tidak sering muncul (not frequent) tidak
dapat menjadi subset dari frequent k-itemset
• Pseudo-Code:
𝐶𝑘 : Candidate itemset of size k
𝐿𝑘 : Frequent itemset of size k
𝐿1 : {frequent items};
𝑓𝑜𝑟 ( 𝑘 = 1; 𝐿𝑘 ! = ⊘; k ++) do begin
𝐶𝑘+1 = candidates generated from 𝐿𝑘;
for each transaction t in database do
increment the count of all candidates in 𝐶𝑘+1 that are contained in t
𝐿𝑘+1 = candidates in 𝐶𝑘+1 with min_support
𝑒𝑛𝑑
Return ∪𝑘 𝐿𝑘;
11.13 Bagaimana Membentuk Kandidat?
• Andaikan item dalam 𝐿𝑘−1 terdaftar dalam suatu transaksi.
• Langkah 1: self-joining 𝐿𝑘−1
insert into 𝐶𝑘
select p.𝒊𝒕𝒆𝒎𝟏, p.𝒊𝒕𝒆𝒎𝟐, … p.𝒊𝒕𝒆𝒎𝒌−𝟏, q.𝒊𝒕𝒆𝒎𝒌−𝟏
from 𝑳𝒌−𝟏 p, 𝑳𝒌−𝟏 q
where p.𝒊𝒕𝒆𝒎𝟏= q.𝒊𝒕𝒆𝒎𝟏, …, p.𝒊𝒕𝒆𝒎𝒌−𝟐 = q.𝒊𝒕𝒆𝒎𝒌−𝟐, p.𝒊𝒕𝒆𝒎𝒌−𝟏 < q.𝒊𝒕𝒆𝒎𝒌−𝟏
• Langkah 2: pruning
for all itemsets c in 𝑪𝒌 do
for all (k-1)-subsets s of c do
if (s is not in 𝐿𝑘−1) then delete c from 𝐶𝑘
11.14 Contoh Pembentukan Kandidat
• 𝐿3 = { abc, acd, ace, bcd }
• Self-joining: 𝐿3 * 𝐿3
• abcd dari abc dan abd
• acde dari acd dan ace
• Pruning:
• acde dihapus karena ade tidak dalam 𝐿3
• 𝐶4 = {abcd}
9. 9
11.15 Kelebihan dan Kekurangan Association rule learning
Beberapa kelebihan Association rule learning:
1. Mudah dipahami.
2. Mendukung penambangan data tidak terarah
3. Bekerja pada catatan data panjang variabel dan perhitungan sederhana.
4. Pemahaman pola hubungan : Association Rule Learning dapat membantu dalam pemahaman
pola hubungan antara item atau variabel dalam data. Hal ini dapat mengungkapkan hubungan
yang mungkin tidak terlihat secara intuitif atau terdapat dalam data yang kompleks.
5. Pengambilan keputusan: Aturan asosiasi dapat digunakan untuk pengambilan keputusan yang
lebih baik dalam berbagai bidang seperti pemasaran, manajemen rantai pasokan, dan
rekomendasi produk. Dengan memahami hubungan antara item, organisasi atau bisnis dapat
mengoptimalkan strategi mereka dan meningkatkan kinerja.
6. Identifikasi Peluang Bisnis: Dengan menggunakan Association Rule Learning, bisnis dapat
mengidentifikasi peluang baru, peningkatan penjualan lintas produk, dan peluang lintas
penjualan. Ini memungkinkan mereka untuk mengembangkan strategi pemasaran yang lebih
efektif dan meningkatkan pendapatan.
7. Efisiensi Operasional: Dengan pemahaman yang lebih baik tentang pola pembelian
pelanggan, bisnis dapat mengatur stok dan rantai pasokan dengan lebih efisien. Ini dapat
mengurangi biaya operasional, menghindari kelebihan persediaan, dan memastikan
ketersediaan produk yang tepat pada waktu yang tepat.
Kekurangan Association rule learning:
1. Peningkatan eksponensial dalam komputasi dengan sejumlah item (algoritma Apriori)
2. Keterbatasan pada Data Terstruktur: Association Rule Learning umumnya bekerja lebih baik
dengan data terstruktur yang memiliki atribut diskrit atau kategorik. Data yang kontinu atau
memiliki atribut berkelanjutan mungkin membutuhkan pra-pemrosesan atau pendekatan lain
sebelum dapat dianalisis dengan baik menggunakan aturan asosiasi.
3. Masalah Spuriosity: Aturan asosiasi dapat menghasilkan aturan yang terlihat signifikan
tetapi sebenarnya tidak bermakna atau hanya kebetulan. Ini dapat terjadi ketika terdapat
hubungan yang tidak terduga dalam data yang tidak relevan secara praktis.
4. Masalah skala dan efisiensi: Analisis aturan asosiasi dapat menjadi sulit untuk data yang
sangat besar dan kompleks. Pencarian aturan yang valid dapat memakan waktu dan
membutuhkan sumber daya komputasi yang signifikan.
5. Tidak memberikan penjelasan Sebab-akibat: Aturan asosiasi hanya menunjukkan hubungan
antara item atau variabel, tetapi tidak memberikan penjelasan sebab akibat mengapa
10. 10
hubungan tersebut ada. Oleh karena itu, informasi yang lebih mendalam mungkin diperlukan
untuk memahami hubungan yang terungkap oleh aturan asosiasi.
Penting untuk mempertimbangkan kelebihan dan kekurangan ini ketika menggunakan
Association Rule Learning dan memastikan bahwa pendekatan ini sesuai dengan konteks dan
tujuan analisis data yang dilakukan.
11.16 Diskusi
Pertanyaan diskusi:
Berikanlah salah satu contoh dari penerapan aturan asosiasi yang bisa ditemui di kehidupan
sehari-hari, kemudian jelaskan secara singkat!
Jawaban:
Salah satu contoh penerapan aturan asosiasi yang bisa ditemui di kehidupan sehari-hari adalah
dalam industri ritel dan penjualan, terutama di supermarket atau toko serba ada. Misalnya,
dalam hal ini, aturan asosiasi dapat membantu toko untuk menganalisis pola pembelian
pelanggan dan mengidentifikasi hubungan antara produk yang sering dibeli bersamaan.
Contohnya, jika analisis data menunjukkan adanya aturan asosiasi yang kuat antara pembelian
roti dengan mentega, toko dapat menggunakan informasi ini untuk meningkatkan strategi
penjualan. Mereka dapat menempatkan roti dan mentega di dekat satu sama lain di rak agar
pelanggan lebih cenderung membeli keduanya. Dengan cara ini, pelanggan akan terdorong
untuk membeli produk yang terkait secara bersamaan, meningkatkan penjualan kedua produk
dan meningkatkan pendapatan toko.
Aturan asosiasi juga dapat digunakan untuk menyusun promosi paket atau diskon khusus.
Misalnya jika data menunjukkan adanya keterkaitan antara pembelian sereal, susu, dan buah-
buahan, toko dapat membuat paket diskon yang mencakup ketiga item ini untuk mendorong
pelanggan membeli semuanya secara bersamaan. Hal ini dapat meningkatkan penjualan semua
produk yang terkait, serta memberikan kepuasan dan nilai tambah bagi pelanggan.
Dengan menerapkan aturan asosiasi ini, toko dapat memahami kebiasaan pembelian pelanggan
dan merancang strategi yang lebih efektif untuk meningkatkan penjualan, memperluas
keranjang belanja pelanggan, dan meningkatkan kepuasan pelanggan.
Terima kasih.
Terima kasih
Referensi
Syahid Abdullah, S. M. (2023). Machine Learning. Dalam S. M. Syahid Abdullah, Sesi 11-Aturan
Asosiasi (Algoritma Apriori) (hal. 1 - 22). Jakarta: Informatika UNSIA.
Irwansyah Saputra, D. A. (2022). MACHINE LEARNING UNTUK PEMULA. Bandung:
INFORMATIKA