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.
Perbandingan algoritma brute force , divide and conquerohohervin
comparing brute force algorithms, divide and conquer algorithm, and decrease and conquer algorithms.
advantage and weakness each algorithm
indonesian version.
Kriptograf - Algoritma Kriptografi Klasik (bagian 1)KuliahKita
Materi pengenalan algoritma kriptografi klasik seperti caesar cipher, dan cipher-cipher sederhana lain yang juga pernah dipakai di jaman perang dulu di http://kuliahkita.com/kelas/kriptografi/
Perbandingan algoritma brute force , divide and conquerohohervin
comparing brute force algorithms, divide and conquer algorithm, and decrease and conquer algorithms.
advantage and weakness each algorithm
indonesian version.
Kriptograf - Algoritma Kriptografi Klasik (bagian 1)KuliahKita
Materi pengenalan algoritma kriptografi klasik seperti caesar cipher, dan cipher-cipher sederhana lain yang juga pernah dipakai di jaman perang dulu di http://kuliahkita.com/kelas/kriptografi/
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.
Teknik Audit Berbantuan Komputer Dengan Ms.Excel (Dasar pemahaman)gifariwk
Teks ini menjelaskan aplikasi fungsi CONCATENATE, INDEX, dan MATCH dalam fungsi nested IF untuk menguji kesesuaian data-data transaksi terkait berdasarkan beberapa kriteria sekaligus. Teks ini bertujuan untuk memberikan pengetahuan dasar terkait teknis pemeriksaan data transaksi menggunakkan ms.excel.
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.
Slide ini berisi mengenai data pribadi dari perspektif teknis/teknologi. Disampaikan pada webinar perlindungan data pribadi di Fakultas Ilmu Sosial dan Humaniora, UIN Sunan Kalijaga Yogyakarta
Materi ini berisi pengenalan dasar-dasar Social Network Analysis. Disampaikan pada workshop yang diselenggarakan oleh Fakultas Ilmu Sosial dan Humaniora, UIN Sunan Kalijaga Yogyakarta di bulan November 2020
This presentation talks about basic principle and techniques of social media analytics. Covering basic data representation of social media, content analysis and network data analysis
Modul Ajar Seni Rupa - Melukis Pemandangan - Fase B.pdf
Market Basket Analisis dengan R
1. Market Basket Analysis
konsep dan implementasi dengan Bahasa R
Muhammad Rifqi Ma’arif, M.Eng
Matakuliah Ilmu Data Industrial
Program Studi Teknik Industri
Fakultas Teknik & Teknologi Informasi
Universitas Jenderal Achmad Yani Yogyakarta
2020
2. Pengantar Market Basket Analysis
• Salah satu inovasi bisnis di bidang ritel dan supply chain adalah mencari
asosiasi atau hubungan antar produk dari data transaksi penjualan yang
bertujuan untuk:
• dipaketkan dan dijual bersamaan.
• memberikan rekomendasi produk kepada seseorang.
• menyusun rak display.
• menyusun halaman produk e-commerce.
• Semua hal ini bertujuan untuk meningkatkan penjualan sekaligus
memecahkan masalah inventory – karena produk yang tidak begitu laku
jika dipasangkan dengan tepat akan lebih menarik dan punya kemungkinan
besar dibeli dalam satu paket. Proses ini merupakan proses analisa yang
disebut dengan Market Basket Analysis (MBA).
3. Tujuan Market Basket Analysis
• Market Basket Analysis bertujuan untuk mencari
rekomendasi paket produk berdasarkan pola unik dari
data transaksi/pembelian pelanggan.
• Aplikasi MBA
• Optimaliasi strategi retail yang dapat meningkatkan
penjualan.
• Sebagai dasar prediksi kebutuhan barang di masa depan
untuk meningkatkan manajemen inventory pada proses
supply chain
• Inovasi pengembangan produk
• Supply chain risk analysis & management
• Dan lain sebagainya
4. Market Basket Analysis di R
• Penerapan Market Basket Analysis
(MBA) di R dapat menggunakan
algoritma apriori – yang
merupakan salah satu algoritma
terpopuler di area machine
learning - pada package arules.
• Arules sendiri adalah singkatan
dari association rules - kategori
machine learning. Untuk
menjalankan algoritma ini
diperlukan dibutukan dua data,
yaitu data produk dan data
transaksi.
#Menggunakan library arules
library(arules)
#Membaca transaksi dari file data_transaksi.txt
transaksi <- read.transactions(file="data_transaksi.txt",
format="single", sep="t", cols=c(1,2), skip=1)
#Menampilkan data transaksi dengan print dan inspect
inspect(transaksi)
#Menghasilkan model Market Basket Analysis
mba <- apriori(transaksi,parameter = list(supp = 0.1,
confidence = 0.5))
#Menampilkan paket produk
inspect(subset(mba, lift>1))
6. Association Rule
• Association rule adalah representasi keterkaitan
antar entitas tertentu (e.g produk) yang memiliki
hubungan atau asosiasi kuat di dalam transaksi.
• Hubungan "kuat" disini akan dilihat berdasarkan
proporsi jumlah kemunculan kombinasi entitas dalam
keseluruhan data transaksi.
• Mari kita lihat contoh pada gambar disamping.
• Asd
• Asd
• Asd
• Asd
• Asd
• Asd
7. Algoritma Apriori
• Algoritma apriori adalah salah satu algoritma yang merupakan penerapan praktis dari Market
Basket Analysis (MBA). Algoritma ini digunakan untuk menganalisa banyaknya kombinasi produk
yang terjadi di dalam transaksi ritel, yang akan sulit dan lama jika dilakukan secara manual.
• Secara teknis, algoritma apriori akan mencari tingkat asosiasi antar item di dalam banyak
kombinasi kelompok data secara otomatis. Kombinasi ini juga bisa disusun dengan suatu aturan
(rule) asosiasi "Jika membeli ini produk A maka akan membeli produk B", sehingga algoritma ini
dikategorikan sebagai Association Rules di ranah machine learning.
• Dengan menemukan paket produk yang asosiasinya kuat, Anda sebagai seorang data scientist
dapat menyarankan kepada bisnis dapat melakukan berbagai action item seperti membuat paket
produk dengan penawaran khusus, mendekatkan produk-produk tersebut saling berdekatan
dalam satu rak, mengeluarkan rekomendasi produk di sistem e-commerce, mengurangi masalah
stok, dan lain-lain.
8. Algoritma Apriori di R
• Menampilkan kombinasi transaksi
#Membaca transaksi dari file data_transaksi.txt
transaksi <- read.transactions(file="data_transaksi.txt", format="single",
sep="t", cols=c(1,2), skip=1)
#Menampilkan jumlah kombinasi dari produk yang terdapat pada daftar transaksi yang ada
inspect(apriori(transaksi, parameter = list(support=.1, minlen=2, target='frequent itemsets')))
9. Item dan Trasaction
• item, itemset dan rules dihasilkan dari
transaksi atau transaction
• Transaction (transaksi) adalah.....
• Output disamping adalah tampilan dari
dataset yang berjumlah sepuluh transaksi,
dengan dua kolom yang terdiri dari:
• Kolom pertama adalah itemset yang berisi
item-item yang dibeli pada transaksi
tertentu.
• Kolom kedua berisi kode struk transaksi
yang menjadi penanda unik untuk tiap
transaksi.
10. Membaca Item & Transaction di R
• Dibaca sebagai dataframe
• Dibaca sebagai transaksi
transaksi_dataframe <-
read.csv("data_transaksi.txt", sep="t")
print(transaksi_dataframe)
read.transactions(file="data_transaksi.txt",
format="single", sep="t", cols=c(1,2), skip=1)
12. Item, Itemset dan Rules
• Perhatikan output dari pengolahan algoritma apriori berikut
• Keterangan
• Item adalah produk tunggal yang terdapat dalam suatu transaksi.
Contoh: Pet Food, Sirup, Gula, dan Teh Celup.
• Itemset adalah kombinasi satu atau lebih item yang terdapat dalam satu transaksi.
Contoh: {Pet Food}, {Gula, Pet Food}, {Sirup}, dan lain-lain.
• Rule adalah pernyataan hubungan antar Itemset. Biasanya dapat diformulasikan menjadi
"Jika membeli itemset A, maka akan membeli itemset B".
Contoh: {Pet Food} => {Sirup}, {Pet Food, Teh Celup} => {Sirup}, dan lain-lain.
13. Itemset
• Tiap transaksi terdiri atas beberapa item atau itemset. Untuk melihat notasi itemset yang lebih
baik dan mudah dimengerti kita bisa menggunakan function inspect, yang tersedia di arules.
library(arules)
transaksi <- read.transactions
(file="data_transaksi.txt",
format="single",
sep="t",
cols=c(1,2),
skip=1)
inspect(transaksi)
14. Rules
• rule adalah formula yang
menyatakan kombinasi dari dua
itemset. Satu itemset ada di bagian
kiri rule (left hand side) dan satunya
di bagian kanan (right hand side)
dalam format berikut.
{itemset lhs} => {itemset rhs}
• Untuk menghasilkan rules, dapat
digunakan fungsi apriori yang
tersedia dalam arules.
apriori(transaksi)
15. Rules
• Melihat Rules dengan fungsi inspect
• Apa makna dari rule jika ingin kita aplikasikan?
• terlihat rule kedua yaitu {Pet Food} => {Sirup} cukup menarik Karena support 0.4
menunjukkan bahwa kombinasi ini terdapat di 40 persen populasi, sehingga:
• rekomendasikan kepada setiap pelanggan yang membeli Pet Food untuk membeli Sirup.
• rak display Pet Food dan Sirup bisa didekatkan.
• Pet Food dan Sirup dipaketkan bersama dan dijual dengan harga khusus.
library(arules)
transaksi <- read.transactions
(file="data_transaksi.txt",
format="single", sep="t",
cols=c(1,2), skip=1)
mba <- apriori(transaksi)
inspect(mba)
16. Filter RHS
• Dari hasil inspect objek mba yang bertipe association rules diketahui bahwa objek tersebut
mengandung banyak informasi termasuk itemset yang terdapat di left hand side dan right hand
side.
• Ini penting untuk bisnis, misalkan untuk inventory. Kita ingin menjawab, adakah item yang kurang laku
sebelumnya ada di dalam itemset dari rules yang dihasilkan oleh apriori? Jika ada, mungkin saya bisa paketkan
bersama sehingga kemungkinan besar terjual lebih banyak.
• Untuk melakukan ini kita akan melakukan filter atau subsetting dari rules. Banyak cara, salah satunya adalah
dengan menggunakan gabungan function inspect, subset dan operator %in% dengan contoh berikut.
19. Scoring & Evaluation
• Support (nilai penunjang) adalah presentase kombinasi item tersebut
dalam database. Support dari suatu itemset A adalah proporsi dari
kejadian semua item di himpunan A terbeli secara bersamaan.
• Confidence (nilai kepastian) adalah kuatnya hubungan antar-item
dalam aturan asosiasi. Confidence dari suatu itemset A dan B adalah
jumlah dari itemset A,B dari jumlah itemset yang mengandung A.
• Lift adalah sebuah angka ratio yang menunjukkan berapa banyak
kemungkinan menemukan sebuah atribut yang muncul bersamaan
dengan atribut lainnya dibandingkan dengan seluruh kejadian
adanya atribut yang terpenuhi. Lift menunjukkan adanya tingkat
kekuatan ruleatas kejadian acak dari antecedent dan consequent
berdasarkan pada supportnya masing-masing.