Algoritma Data Mining Menggunakan Aturan Asosiasi Dengan Metode Apriori

Algoritma Data Mining Menggunakan Aturan Asosiasi dengan Metode Apriori

MAKALAH

diajukan untuk memenuhi salah satu tugas Mata Kuliah Data Mining

Kelas 6A

Anggota Kelompok :

Asep Sudirman 107006001

Erna Haerani 107006005

Asep Kurniawan 107006023

Firman Cahyana 107006025

Kicep Sutisna 107006026

Isna Nur Khoerani 107006035

Bayu Gumilar 107006039

Ramma Yudha 107006046

FAKULTAS TEKNIK

JURUSAN TEKNIK INFORMATIKA

UNIVERSITAS SILIWANGI

TASIKMALAYA

2013

KATA PENGANTAR

Puji dan syukur Tim Penulis panjatkan kepada Tuhan Yang Maha Esa atas rahmat-

Nya yang telah dilimpahkan kepada Tim Penulis sehingga Tim Penulis dapat

menyelesaikan makalah yang berjudul Algoritma Data Mining Asosiasi dengan

menggunakan Metode Apriori yang merupakan salah satu tugas Mata Kuliah Data Mining.

Dalam menyelesaikan makalah ini, Tim Penulis telah banyak mendapat bantuan

dan masukan dari berbagai pihak. Oleh karena itu, dalam kesempatan ini Tim Penulis ingin

menyampaikan terimakasih kepada :

1. Bapak Acep Irham, Gufroni, M,Eng. selaku Dosen Mata Kuliah Data Mining yang

telah mmbimbing kami dalam pengerjaan makalah ini.

2. Kedua Orangtua yang telah membina, mendidik dan membesarkan saya.

3. Teman-teman sekelompok dan juga teman sekelas, serta Pihak-pihak lainnya yang

tidak dapat Penulis sebutkan satu persatu yang telah turut membantu sehingga makalah ini

dapat terselesaikan dengan baik dalam waktu yang tepat.

Penulis menyadari bahwa penyusunan makalah ini masih jauh dari kesempurnaan, mudah-

mudahan dapat memberikan manfaat bagi Tim Penulis khususnya dan umumnya kepada

para pembaca sekalian. Akhir kata Tim Penulis berharap mendapatkan kritik dan saran

yang bersifat membangun untuk pembuatan makalah selanjutnya yang lebih baik lagi.

Tasikmalaya, April 2013

Penulis

i

DAFTAR ISI

Kata Pengantar................................................................................................................ i

Daftar Isi......................................................................................................................... ii

Bab I Pendahuluan

A. Latar Belakang ................................................................................................... 1

B. Rumusan Masalah............................................................................................... 2

C. Tujuan Makalah.................................................................................................. 3

Bab II Pembahasan

A. Algoritma Apriori .............................................................................................. 1

B. Rumusan Masalah............................................................................................... 1

C. Tujuan Makalah.................................................................................................. 2

D. Latar Belakang ................................................................................................... 1

Bab III Contoh Kasus

A. Rumusan Masalah............................................................................................... 1

B. Tujuan Makalah.................................................................................................. 2

C. Latar Belakang ................................................................................................... 1

D. Rumusan Masalah............................................................................................... 1

Bab IV Simpulan dan Saran

A. Tujuan Makalah.................................................................................................. 2

B. Tujuan Makalah.................................................................................................. 2

C. Latar Belakang ................................................................................................... 1

D. Rumusan Masalah............................................................................................... 1

Daftar Pustaka ................................................................................................................ 4

ii

BAB I

PENDAHULUAN

A. Latar Belakang

Ketersediaan data sudah bukan hal yang sulit diperoleh lagi dewasa ini apalagi

ditunjang dengan banyaknya kegiatan yang sudah dilakukan secara komputerisasi.

Namun data ini seringkali diperlakukan hanya sebagai rekaman tanpa pengolahan

lebih lanjut sehingga tidak mempunyai nilai guna lebih untuk keperluan masa

mendatang. Analisa dari tiap koleksi data tersebut akan menghasilkan pengetahuan

atau informasi, misalnya berupa pola dan kaidah asosiasi yang terjadi pada data. Pola

dan kaidah asosiasi bisa terjadi pada berbagai jenis data baik data ekonomi, keuangan,

kesehatan dan lain-lain.

Penggalian kaidah asosiasi mempunyai peranan penting dalam proses pengambilan

keputusan. Tahapan besar dari proses Data Mining adalah mengidentifikasikan

frequent itemset dan membentuk kaidah asosiasi dari itemset tersebut. Kaidah

asosiasi digunakan untuk menggambarkan hubungan antar item pada tabel data

transaksional.

Tapi semakin berkembangnya teknologi komputer di dunia industri, semakin pesat

pula perkembangan ukuran data tabel transaksional yang dihasilkan. Dan pada data

tabel transaksional yang besar (VLDB, Very Large Database) tersebut, proses

pencarian frequent itemset sangatlah sulit. Dari kondisi tersebut, sudah banyak

algoritma yang dibentuk untuk mencari kaidah asosiasi. Tetapi keterbatasan tetap saja

ada. Keterbatasan yang paling mencolok adalah diperlukannya pembacaan basis data

secara berulang yang mengurangi kinerja algoritma tersebut. Sehingga diperlukan

suatu algoritma yang sangat efisien yang bisa meminimalisasi pembacaan basis data,

sehingga bisa mengoptimasi waktu yang dibutuhkan.

Perangkat lunak yang dibuat ini menggunakan suatu algoritma yang menyimpan data

tabel transaksional di memory pada pembacaan awal. Sehingga untuk proses

selanjutnya pembacaan basis data dapat dikurangi. Sifat ini tentu saja menguntungkan

algoritma tersebut.

Banyak teori dan pendekatan yang dikembangkan untuk memperoleh hasil penemuan

kaidah asosiasi dan pola. Salah satu metode yang dikembangkan yaitu dengan

menggunakan metode apriori. Beberapa dari metode sebelumnya melakukan pencarian

3

itemset dengan pendekatan graf asosiasi yang memiliki kelemahan pada

penggunaan memori yang besar. Keterbatasan memori jelas akan mempengaruhi

banyaknya item yang bisa diproses. Lebih jauh lagi, sebagian besar pendekatan

menggunakan struktur data internal sangat rumit yang tidak bersifat lokal dan

membutuhkan tambahan sumber daya dan banyak komputasi.

Pada riset ini, metode apriori digunakan untuk memperoleh kaidah asosiasi yang

menggambarkan hubungan antar item pada database transaksional. Database yang

digunakan ada tiga buah yang masing-masing memiliki jumlah transaksi yang

berbeda.

Dari hasil pengujian empiris dapat ditarik kesimpulan bahwa waktu komputasi untuk

menghasilkan kaidah asosiasi dipengaruhi oleh jumlah transaksi dan Penggunaan

struktur data “tidlist” pada algoritma apriori menyebabkan waktu komputasi yang

dibutuhkan relatif berkurang karena hanya memerlukan pembacaan basis data sekali

saja

B. Rumusan Masalah

Masalah yang akan dibahas dalam makalah ini adalah :

1. Apa Deskripsi Organisasi?

2. Bagaimana Investigasi Situasi dan Stakeholder?

3. Bagaimana Analisis Lingkungan Eksternal Bisnis Organisasi?

4. Bagaimana Analisis Lingkungan Internal Bisnis Organisasi?

5. Bagaimana Analisis Lingkungan Internal dan Eksternal Sistem dan Teknologi

Informasi?

6. Bagaimana Penetapan Target Sistem dan Teknologi Informasi?

4

C. Tujuan Makalah

Tujuan dari penulisan makalah ini adalah untuk :

1. Mengetahui Deskripsi Organisasi.

2. Mengetahui Investigasi Situasi dan Stakeholder.

3. Mengetahui Analisis Lingkungan Eksternal Bisnis Organisasi.

4. Mengetahui Analisis Lingkungan Internal Bisnis Organisasi.

5. Mengetahui Analisis Lingkungan Internal dan Eksternal Sistem dan Teknologi

Informasi.

6. Mengetahui Penetapan Target Sistem dan Teknologi Informasi.

5

BAB II

PEMBAHASAN

A. Algoritma A Priori

Algoritma a priori termasuk jenis aturan assosiasi pada data mining. Selain a priori

yang termasuk pada golongan ini adalah metode Generalized Rule Induction dan

Algoritma Hash Based. Aturan yang menyatakan asosiasi antara beberapa atribut

sering disebut sebagai affinity analysis atau market basket analysis.

Analisis asosiasi atau association rule mining adalah teknik data mining untuk

menemukan aturan assosiatif antara suatu kombinasi item. Contoh dari aturan assosiatif

dari analisa pembelian di suatu pasar swalayan adalah dapat diketahuinya berapa besar

kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan

pengetahuan tersebut pemilik pasar swalayan dapat mengatur penempatan barangnya

atau merancang kampanye pemasaran dengan memakai kupon diskon untuk

kombinasi barang tertentu. Karena analisis asosiasi menjadi terkenal karena aplikasinya

untuk menganalisa isi keranjang belanja di pasar swalayan, analisis asosiasi juga sering

disebut dengan istilah market basket analysis.

Analisis asosiasi dikenal juga sebagai salah satu teknik data mining yang menjadi

dasar dari berbagai teknik data mining lainnya. Khususnya salah satu tahap dari

analisis asosiasi yang disebut analisis pola frequensi tinggi (frequent pattern

mining) menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien.

Penting tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter,

support (nilai penunjang) yaitu persentase kombinasi item tersebut dalam database

dan confidence (nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan

asosiasi.

Aturan asosiasi biasanya dinyatakan dalam bentuk :

{roti, mentega} -> {susu} (support = 40%, confidence = 50%)

Yang artinya : "50% dari transaksi di database yang memuat item roti dan mentega

juga memuat item susu. Sedangkan 40% dari seluruh transaksi yang ada di database

memuat ketiga item itu."

Dapat juga diartikan : "Seorang konsumen yang membeli roti dan mentega punya

kemungkinan 50% untuk juga membeli susu. Aturan ini cukup signifikan karena

mewakili 40% dari catatan transaksi selama ini."

6

Analisis asosiasi didefinisikan suatu proses untuk menemukan semua aturan asosiasi

yang memenuhi syarat minimum untuk support (minimum support) dan syarat

minimum untuk confidence (minimum confidence).

Metodologi dasar analisis asosiasi terbagi menjadi dua tahap :

1. Analisa pola frekuensi tinggi

Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support

dalam database. Nilai support sebuah item diperoleh dengan rumus berikut:

Support( A) J u m lah transa k si me ngandung A

Total Transaksi

sedangkan nilai support dari 2 item diperoleh dari rumus 2 berikut :

Support ( A, B) P( A B)

Support ( A, B) ∑ Transaksi

∑

mengandung

Transaksi

A dan B

Tabel 5.1. Transaksi

Transaksi Item yang dibeli1 Susu, Teh, Gula2 Teh, Gula, Roti3 Teh, Gula4 Susu, Roti5 Susu, Gula, Roti6 Teh, Gula7 Gula, Kopi, Susu8 Gula, Kopi, Susu9 Susu, Roti, Kopi10 Gula, Teh, Kopi

Sebagai contoh, ada database dari transaksi belanja pasar swalayan seperti

ditunjukkan dalam Tabel 5.1

7

Data pada Tabel 5.1 dalam database transaksional biasa direpresentasikan dalam

bentuk seperti tampak pada Tabel 5.2

Representasi Data Transaksi dalam Database Transaksional

Transaksi Item yang dibeli1 Susu1 Teh1 Gula2 Teh2 Gula2 Roti3 Teh3 Gula4 Susu4 Roti5 Susu5 Gula5 Roti6 Teh6 Gula7 Gula7 Kopi7 Susu8 Gula8 Kopi8 Susu9 Susu9 Roti9 Kopi10 Gula10 Teh10 Kopi

8

Dan bila kita bentuk dalam bentuk tabular, data transaksi akan tampak seperti pada

Tabel 5.3.

Format Tabular Data Transaksi

Transaksi Teh Gula Kopi Susu Roti1 1 1 0 1 02 1 1 0 0 13 1 1 0 0 04 0 0 0 1 15 0 1 0 1 16 1 1 0 0 07 0 1 1 1 08 0 1 1 1 09 0 0 1 1 110 1 1 1 0 0

Misalkan D adalah himpunan transaksi yang direperesentasikan dalam Tabel 5.1,

dimana masing-masing transaksi T dalam D merepresentasikan himpunan item yang

berada dalam I. I adalah himpunan iterm yang dijual {Teh, Gula, Kopi, Susu, Roti}.

Misalkan kita memiliki himpunan items A (misal Susu dan Gula) dan himpunan item

lain B (misal Kopi). Kemudian aturan asosiasi akan berbentuk

Jika A, maka B ( A-7B)

Dimana antecedent A dan consequent B merupakan subset dari I, dan A dan B

merupakan mutually exclusive dimana aturan

Jika A maka B

tidak berarti

Jika B maka A

Definisi ini tidak berlaku untuk aturan trivial seperti :

Jika beans dan Squash Maka beans

Seorang analis mungkin hanya akan mengambil aturan yang memiliki support

dan/atau confidence yang tinggi. Aturan yang kuat adalah aturan-aturan yang melebihi

kriteria support dan/atau confidence minimum. Misalnya seorang analist

menginginkan aturan yang memiliki support lebih dari 20% dan confidence lebih

dari 35%.

9

Sebuah itemset adalah himpunan item-item yang ada dalam I, dan k-itemset adalah

itemset yang berisi k item. Misalnya {Teh, Gula) adalah sebuah 2-itemset dan {Teh,

Gula, Roti) merupakan 3- itemset.

Frequent Itemset menunjukkan itemset yang memiliki frekuensi kemunculan lebih dari

nilai minimum yang telah ditentukan (ф). Misalkan ф = 2, maka semua itemset yang

frekuensi kemunculannya lebih dari atau sama dengan 2 kali disebut frequent.

Himpunan dari frequent k-itemset dilambangkan dengan Fk.

Tabel 5.4 berikut ini menujukkan calon 2-itemset

dari data transaksi pada Tabel 5.1.

10

Calon 2-itemset

Kombinasi JumlahTeh, Gula 5Teh, Kopi 1Teh, Susu 1Teh, Roti 1Gula, Kopi 3Gula, Susu 4Gula, Roti 2Kopi, Susu 3Kopi, Roti 1Susu, Roti 3

Dari data tersebut diatas, jika ditetapkan nilai ф = 3 maka

F2 = { {Teh, Gula}, {Gula, Kopi}, {Gula,

Susu}, {Gula, Roti}, {Kopi, Susu},

{Susu, Roti}}

Calon 3-itemset

Kombinasi JumlahTeh, Gula, Kopi 1Teh, Gula, Susu 1Gula, Susu, Kopi 2Gula, Susu, Roti 0Gula, Kopi, Roti 0Kopi, Susu, Roti 1

Kombinasi dari itemset dalam F2 dapat kita gabungkan menjadi calon 3-itemset.

Itemset- itemset dari F2 yang dapat digabungkan adalah itemset-itemset yang memiliki

kesamaan dalam k-1

item pertama. Calon 3-itemset yang dapat dibentuk dari F2 seperti tampak pada Tabel

5.5.

Dengan demikian F3 = {{Gula, Susu, Kopi}}, karena hanya kombinasi inilah yang

memiliki frekeunsi

11

kemunculan >= ф.

2. Pembentukan aturan Asosiasi

Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yang

memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan

assosiatif A -7 B

Nilai confidence dari aturan A-7 B diperoleh dari rumus berikut:

12

Dari F3 yang telah ditemukan, dapat dilihat besarnya nilai support dan confidence dari

calon aturan asosiasi seperti tampak pada Tabel 5.6.

Calon Aturan Asosiasi dari F3

Aturan ConfidenceJika membeli Gula dan Susu

Maka akan membeli Kopi

2/4 50%

Jika membeli Gula dan Kopi

Maka akan membeli Susu

2/3 67%

Jika membeli Kopi dan Susu

Maka akan membeli Gula

2/3 67%

Misalkan ditetapkan nilai confidence minimal adalah 60% maka aturan yang bisa

terbentuk adalah aturan dengan 2 antecedent berikut:

Jika membeli Gula dan Kopi Maka akan membeli Susu

Jika membeli Kopi dan Susu Maka akan membeli Gula

Sementara itu calon aturan asosiasi dari F2 bisa dilihat pada tabel 5.7

Aturan Asosiasi

Aturan ConfidenceJika membeli Teh 5/5 100%

Jila membeli Gula 5/8 62.5%

Jika membeli Gula 3/8 37.5%

Jika membeli Kopi 3/4 75%

Jika membeli Gula 4/8 50%

Jika membeli Susu 4/6 67%

Jika membeli Gula 2/8 25%

13

Jika membeli Roti 2/4 50%

Jika membeli Kopi 3/4 75%

Jika membeli Susu 3/6 50%

Jika membeli Susu Maka akan

membeli Roti

3/6 50%

Jika membeli Roti 3/4 75%

14

dan aturan asosiasi final terurut berdasarkan Support x Confidence terbesar dapat

dilihat pada Table 5.8.

Aturan Asosiasi Final

SUPPORT x

Jika membeli Teh

Maka akan membeli

50% 100%

Jila membeli Gula

Maka akan membeli

Teh

50% 62.50%

Jika membeli Susu

Maka akan membeli

Gula

40% 67%

Jika membeli Kopi

Maka akan membeli

30% 75%

Jika membeli Kopi

Maka akan membeli

Susu

30% 75%

Jika membeli Roti

Maka akan membeli

30% 75%

Jika membeli Gula

dan Kopi Maka akan

membeli Susu

20% 67%

Jika membeli Kopi

dan Susu Maka akan

membeli Gula

20% 67%

B. Contoh Aplikasi

Dalam mengimplementasikan algoritma apriori untuk mencari aturan asosiasi, penulis

menggunakan database default saat instalasi SQL server 2000 yaitu database

Northwind, dimana dalam database tersebut terdapat diantaranya 2 tabel dengan relasi

seperti tampak pada Gambar 5.1.

15

Gambar 5.1 Relasi Tabel

Tabel Orders menyimpan transaksi yang terjadi dalam suatu perusahaan sedangkan

tabel Order Details menjelaskan prodecur apa saja yang terbeli dalam masing-masing

transaksi pada tabel Orders.

Dalam menerapkan algoritma apriori, kami menggunakan tabel-tabel dalam database

untuk menyimpan frequent itemset. Selain itu fasilitas query dalam database juga

dimanfaatkan untuk mendapatkan kombinasi item yang mungkin dalam itemset.

Langkah yang dilakukan dalam pembuatan aplikasi mining aturan asosisasi dengan

algoritma apriori pada penelitian ini dijelaskan dalam flowchart yang tampak pada

Gambar 5.2, Gambar 5.3, Gambar 5.4

dan Gambar 5.5

16

Gambar 5.2 Flowchart Program untuk mendapatkan kombinasi yang memenuhi (1)

18

Gambar 5.3. Flowchart Program untuk mendapatkan kombinasi yang memenuhi(2)

19

Gambar 5.4 Flowchart Program untuk mendapatkan kombinasi yang memenuhi(3)

20

Gambar 5.5 Flowchart Program untuk mendapatkan kombinasi yang memenuhi(4)

Gambar 5.6 menunjukkan Rancangan Form yang digunakan dalam impelementasi

algoritma apriori.

21

Gambar 5.6. Rancangan Form

File aplikasi dan source code dapat di peroleh dalam CD yang disertakan dalam

buku ini. Untuk dapat menjalankan aplikasi ini, komputer harus terinstal SQL Server

2000.

Kode program ditulis dengan bahasa pemrograman Borland Delphi 6. Aplikasi ini

berjalan diatas sistem operasi Microsoft Windows.

Aplikasi ini membutuhkan database Northwind, yaitu database default saat menginstal

SQL Server 2000. Setelah SQL Server terinstal, masukkan database Northwind

22

dalam ODBC. Berikut ini adalah langkah yang harus dilakukan untuk menambahkan

database Northwind dalam ODBC:

1. Buka Control Panel – Administrative Tool –Data Source (ODBC).

Fasilitas ini dapat dilihat pada Gambar 5.7

Gambar 5.7 Adminiatrative Tools

2. Pada form ODBC, tekan tombol Add. Form ini dapat dilihat pada

Gambar 5.8

23

Gambar 5.8. Form ODBC

3. Pada Form Create New Data Source pilih Driver SQL Server

dan tekan Tombol Finish. Form ini dapat dilihat pada gambar 5.9.

Gambar 5.9 Form Create New Data Source

4. Pada Form Create a New Data Source to SQL Server masukkan

24

name Northwind dan pilih server dimana databasenya diletakkan kemudian tekan

Tombol Next dan pada halaman selanjutnya tekan Tombol Next lagi. Form ini

dapat dilihat pada Gambar 5.10

Gambar 5.10 Form Create a New Data Source

to SQL Server

5. Pada halaman pemilihan database, ganti

database default dengan database Northwind

seperti tampak pada Gambar 5.11, kemudian tekan Tombol Next dan di halaman

berikutnya

tekan Tombol Finish.

Gambar 5.11. Halaman Pemilihan Database

25

Setelah database Northwind terdaftar dalam ODBC, langkah selanjutnya adalah

membuat form seperti tampak pada Gambar 5.6. Properti yang paling penting dalam

rancangan form tersebut adalah properti database pada komponen Query dan Query1.

properti tersebut harus diisi dengan Northwind untuk menghubungkan aplikasi

dengan databasenya.

Gambar 5.12 berikut ini adalah tampilan hasil running program

aplikasi untuk mengimplementasikan algoritma apriori.

Gambar 5.12 Aplikasi Aturan Asosiasi dengan algoritma apriori

26

Aturan asosiasi yang diperoleh adalah sebagai berikut:

27

1. JIKA membeli 21 MAKA akan membeli 61 dengan SUPPORT 0.96 %

dan CONFIDENCE 20.51 %

2. JIKA membeli 61 MAKA akan membeli 21

dengan SUPPORT 0.96 % dan CONFIDENCE

33.33 %



16.28 %


dan CONFIDENCE

13.73 %


dan CONFIDENCE

13.95 %



12.76 %



13.95 %



12.50 %


dan CONFIDENCE

18.75 %

28


dan CONFIDENCE

16.67 %



12.76 %



15.79 %


dan CONFIDENCE

12.76 %

29

14. JIKA membeli 71 MAKA akan membeli 60 dengan SUPPORT 0.72 % dan

CONFIDENCE

14.29 %

Aturan-aturan tersebut diperoleh dengan langkah- langkah sebagai berikut:

1. Mengambil ProductId dan frekunesi transaksi

terhadap produk tersebut dari tabel Order Details yang memenuhi minimum transaksi

dan dimasukkan ke dalam tabel C1. Tabel Order Details dan tabel C1 dapat dilihat

pada lampiran 2, sedangkan minimum transaksi ditentukan oleh user pada form

aplikasi, dan dalam hal ini diambil nilai minimum transaksi sebesar 5.

2. Membuat kombinasi item-item pada tabel C1 dan

dimasukkan ke dalam tabel C2 menjadi

calon 2-itemset. Pada langkah ini dilakukan pula penghitungan frekuensi transaksi

yang

mengandung kombinasi item-item tersebut. Kombinasi item yang memiliki frekuensi

transaksi kurang dari nilai minimum_transaksi

dihapus dari tabel C2. Isi dari tabel C2 dapat dilihat pada lampiran 2.

3. Membuat kombinasi item-item pada tabel C2 dan

dimasukkan ke tabel C3 menjadi calon 3- itemset. Seperti pada langkah 2, dilakukan

penghitungan frekuensi transaksi yang mengandung kombinasi item dari calon k-

itemset, dan kombinasi yang tidak memenuhi nilai minimum transaksi dihapus dari tabel

C3.

Isi dari tabel C3 kosong, yang artinya tidak ada kombinasi item yang memuhi syarat

minimum transaksi.

4. Dari tabel C2 dibentuk aturan asosiasi yang berbentuk

jika nilai[item1] maka nilai[item2] dan sebaliknya

jika nilai[item2] maka nilai[item1]

1

5. dari masing-masing bentuk aturan asosiasi pada seluruh record

yang ada di tabel C2 di lakukang perhitungan nilai confidence. Bagi aturan yang

memenuhi syarat minimum confidence akan ditampilkan, sedangkan yang tidak

memenuhi tidak ditampilkan. Dalam hal ini, minimum confidence ditentukan sebesar

10%

Aplikasi ini sudah dapat digunakan untuk mencari aturan asosiasi sampai tingkat n-

antecedent. Tetapi karena data dalam database belum terlalu banyak, maka aturan

asosiasi yang ditemukan baru sampai 1-anteced

BAB III

PEMBAHASAN CONTOH KASUS

Data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan

pengetahuan di dalam database. Data mining merupakan bagian integral dari

Knowledge Discovery in Database (KDD), dimana mencakup keseluruhan

proses konversi data mentah menjadi informasi yang berguna. Data mining

adalah proses yang menggunakan teknik statistic, matematika, kecerdasan buatan,

dan machine learn- ing untuk mengekstraksi dan mengidentifikasi informasi

yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar [4].

Dengan adanya sistem komputerisasi pada setiap transaksi di semua bidang saat

ini dan tersedianya suatu perangkat keras untuk menyimpan data yang besar, data

mining dapat digunakan untuk menam- bang suatu informasi penting yang dapat

2

dihasilkan dari basis data tersebut. Proses ini dapat membantu dalam pengambilan

keputusan bagi pengguna.

Analisis Keranjang Belanja (Market Basket

Analysis)

Analisis keranjang belanja merupakan sebuah analisis terhadap kebiasaan

berbelanja customer[5]. Analisis dilakukan dengan menemukan hubungan antara

barang-barang yang telah dibeli. Data keranjang pasar di analisis untuk

mendapatkan aturan asosiasi dari kombinasi barang yang ada.

Analisis Asosiasi (Association Analysis)

Analisis asosiasi adalah suatu proses untuk menemukan semua aturan asosiasi

yang memenuhi syarat minimum untuk support (minimum support) dan syarat

minimum untuk confidence (minimum confidence).

Untuk beberapa simbol, I adalah himpunan item, D adalah data transaksi, dimana

setiap transaksi mempunyai ID unik (tid) dan terdiri dari beberapa item.

Sebuah itemset adalah himpunan item-item yang ada di dalam I. K-itemset adalah

itemset yang berisis k item. Support dari itemset X, dinotasikan sebagai σ(X),

adalah jumlah transaksi dimana X berada sebagai subset. Sebuah subset dari

itemset yang mempunyai panjang k disebut k-subset. Item- set disebut maksimal

bila bukan merupakan subset dari itemset lainnya. Frequent itemset menunjukkan

itemset yang memiliki frekuensi kemunculan lebih

3

dari nilai minimum support (minsup) yang telah ditentukan sebelumnya.

Himpunan dari frequent k- itemset dilambangkan dengan Fk .

Aturan asosiasi merupakan ekspresi AB, dengan A

dan B adalah itemset.

Support=

jumlah transaksi mengandung A dan B T otal transaksi

Confidence=

jumlah transaksi mengandung A dan B jumlah transaksi mengandung A

Tugas dari Data Mining adalah untuk menghasilkan semua aturan asosiasi pada

suatu tabel transaksional, yang mempunyai nilai support lebih dari minsup.

Aturan tersebut juga harus mempunyai confidence yang lebih besar dari

mincof.

Data yang diambil sebagai contoh adalah data transaksi penjualan obat disuatu

apotek. Terdapat 5 jenis obat yang berbeda, yang dianggap sebagai 5 item.

Setiap item dinotasikan dengan inisial yang berbeda. Misalnya jenis obat

Antibiotik diberi inisial huruf ‘A’, seperti terlihat pada tabel 1. Kemudian semua

inisial tersebut di masukkan ke dalam himpunan I = A,B,C,D,E. Data tabel

transaksional D (table 2) terdiri dari 7 transaksi penjualan obat dimana tiap

transaksi penjualan terdiri dari beberapa obat yang terdapat pada table 1.

4

Transaksi Item yang Dibeli1 AB2 ACDE3 BCD4 ABCD5 ABC6 ABE7 D

Tabel 1: Keterangan Jenis Obat beserta inisialnya

Jenis Obat InisialAntibiotik AEkspektoran BV CHemostatik DPsikofarmaka E

Tabel 1

Tabel 3 berikut ini menunjukkan salon 2-itemset dari data transaksi pada tabel 2.

Dari data di atas jika ditetapkan nilai frequent itemset = 2, maka :

Tabel 2: Data Tabel Transaksional

Ta bel 3: Calon 2-itemset

F2= A,B, A,C, A,D, A,E, B,C, B,D, C,D

Kombinasi dari itemset dalam F2 dapat digabungkan menjadi calon 3-itemset.

5

Aturan ConfidenceAB→C 02/04/2010 50%AC→B 02/03/2010 67%BC→A 02/03/2010 67%AC→D 02/03/2010 67%AD→C 02/02/2010 100%CD→A 02/03/2010 67%

Calon 3-itemset

yang dapat dibentuk dari F2 tampak pada tabel 5.

Dengan demikian F3= A,B,C, A,C,D , karena hanya kombinasi ini yang memiliki

frekuensi kemu-

nculan >= 2.

Dari F3 yang telah ditemukan, dapat dilihat besarnya nilai support dan

confidence dari calon aturan asosiasi seperti terlihat pada tabel 5.

Association Rules (mincof=60%)

Selama frequent itemset yang lain adalah subset dari salah satu maksimal

frequent itemset, maka proses pencarian itemset dapat dikurangi dengan hanya

mencari maksimal frequent itemset saja. Un- tuk membentuk semua aturan

asosiasi, diperlukan nilai support dari semua frequent itemset. Proses ini mudah

dilakukan selama maksimal frequent itemset sudah ditemukan.

Algoritma Apriori

Tabel 4: Calon 3-itemset

Tabel 5: Calon Aturan Asosiasi dari F3

6

Algoritma apriori adalah algoritma yang dikenal untuk menemukan pola

frekuensi tinggi. Arti apriori secara umum adalah anggapan atau sikap yang

sudah ditentukan sebelum (melihat,menyelidiki) terhadap sesuatu [4].

Algoritma Apriori dibagi menjadi beberapa tahap yang disebut iterasi.

1. Pembentukan kandidat itemset, kandidat k- itemset dibentuk dari

kombinasi (k-1)-itemset yang didapat dari iterasi sebelumnya. Satu ciri dari

algoritma Apriori adalah adanya pe- mangkasan kandidat k-itemset yang

subsetnya yang berisi k-1 item tidak termasuk dalam pola frekuensi tinggi

dengan panjang k-1.

2. Perhitungan support dari tiap kandidat k- itemset. Support dari tiap

kandidat k-itemset didapat dengan menscan database untuk menghitung

jumlah transaksi yang memuat semua item di dalam kandidat k-itemset

tersebut. Ini juga merupakan ciri dari algoritma apriori dimana diperlukan

perhitungan dengan scan seluruh database sebanyak k-itemset terpanjang.

3. Tetapkan pola frekuensi tinggi. Pola frekuensi tinggi yang memuat k item

atau k-itemset ditetapkan dari kandidat k-itemset yang supportnya lebih besar

dari minimum support.

Tabel 6: Tabel Frequent Itemset(minsup=25%)

support Itemset57,14% A,B42,86% AC, BC, CD28,57% AD, AE, ABC,

7

Gambar 1: Data Aturan Asosiasi

4. Bila tidak didapat pola frekuensi tinggi maka seluruh proses dihentikan.

Bila tidak, maka k tambah satu dan kembali ke bagian 1.

Contoh dari penerapan algoritma Apriori dapat di- ilustrasikan seperti pada

Gambar 2.

Gambar 2: Ilustrasi Algoritma Apriori

Uji Coba dan Analisa

8

Pengujian pada aplikasi keranjang pasar ini menggunakan 61 buah transaksi yang

diambil dari sebuah apotek. Data yang diambil berasal dari transaksi laporan

penjualan selama dua bulan, yaitu bulan Maret dan April. Data terse- but berupa

data obat yang terdiri dari 31 jenis obat dan 554 buah nama obat beserta kode

obatnya. Da- ta akhir ini disimpan pada database dengan nama ‘transaksi penjualan’.

Sebelum proses analisis dilakukan, nama-nama jenis obat yang digunakan di

ganti dengan sebuah inisial dengan tujuan agar lebih ringkas dalam

penulisannya. Pada tabel 7 merupakan tabel yang berisi keterangan dari inisial

yang akan digunakan untuk menggantikan nama-nama jenis obat yang ada.

Tabel 7: Keterangan Inisial yang akan Digunakan

9

Pada penelitian ini beberapa nilai awal maupun asumsi yang digunakan analisis

data sebagai berikut

:

minsup : 20%

mincof : 50%

Dari hasil pengolahan terhadap 61 transaksi, dengan menggunakan algoritma

apriori untuk masalah penggalian asosiasi didapat hasil sebagai berikut :

10

Iterasi 1 :

1. menentukan kandidat untuk 1-itemset dengan menentukan

support_count dan support. Data support disajikan dalam tabel

7. Misal pada baris 1 tabel 7 dibaca sebagai jumlah pembelian obat analgetika

yang diberi inisial dengan X1sebanyak 25 buah atau 40,98%.

Tabel 8: Support untuk kandidat 1-itemset

No Jenis Obat Jumlah1 X1 252 X2 163 X3 144 X4 145 X5 206 X6 57 X7 88 X8 29 X9 23

10 X10 2111 X11 212 X12 313 X13 214 X14 1415 X15 216 X16 117 X17 4918 X18 719 X19 1420 X20 321 X21 2222 X22 723 X23 324 X24 325 X25 326 X26 427 X27 328 X28 829 X29 2230 X30 431 X31 27

Keterangan :

Font Normal : Item yang tidak memenuhi minsup.

11

No Jenis Obat Jumlah Support (%)1 X1 →X5 12 20%2 X1 →X17 21 34%3 X1 →X31 14 23%4 X2 →X17 13 21%5 X5 →X9 13 21%6 X5 → X17 17 28%7 X5→X21 14 23%8 X9 →X17 21 34%9 X10→X17 16 26%10 X14 →X17 12 20%11 X17→X19 14 23%12 X17→ X21 20 33%13 X17→X29 19 31%14 X17→X31 24 39%

Font Bold : Item yang memenuhi minsup.

2. menentukan frequent 1-itemset, dengan membuang itemset yang tidak

memenuhi minsup 20%. Tampak dari tabel 8, item yang tidak diberi warna

adalah item yang tidak memenuhi minsup sehingga dapat dipangkas. Frequent1-

itemset yang didapat berjumlah 13 buah jenis obat.

Tabel 9: Support_count untuk kandidat 1-itemset, minsup 20%

Iterasi 2 :

1. menentukan kandidat 2-itemset dengan menentukan support dan confidence.

Da- ta untuk kandidat frequent 2-itemset disajikan dalam tabel 9, berisi data

yang telah dipangkas pada pencarian frequent 2- itemset dengan memenuhi syarat

minsup sebesar 20%.

Tabel 10: Support_count untuk kandidat 2-itemset, minsup 20%

12

No Jenis Obat Jml Sup (%)1 X1 X17→X 31 11 18%2 X1 X2→X17 6 9.8%3 X5 X19→X31 5 8.2%4 X17 X19→X21 7 11.5%5 X17 X19→X31 7 11.5%6 X17 X21 →X31 10 16.4%

Iterasi 3 :

1. menentukan kandidat 3-

itemset beserta nilai support dan confidence. Data untuk kandidat frequent 3-

itemset dapat dilihat pada tabel 10, pada iterasi ke-3 tidak di- dapatkan itemset

yang memiliki nilai support >= minsupdan confidence >= mincof. Karena

tidak diperoleh data yang sesuai dengan aturan asosiasi pencarian berhenti pada

iterasi ke-3.

Tabel 11: Hasil Uji Data 3-itemset

Setelah dibandingkan dengan minsup = 20% dan mincof 50%, maka asosiasi

yang memenuhi syarat hanya ada 8 asosiasi, seperti terlihat pada tabel 11. Ke-8

asosiasi tersebut dapat diterjemahkan sebagai berikut :

1. Support 34%, artinya 34%dari semua transaksi yang dianalisis

menunjukkan bahwa analgetik dan antibiotika dibeli bersamaan, sedangkan

confidence sebesar 84% menyatakan tingkat kepercayaan atau dapat dikatakan

jika seorang konsumen membeli jenis obat analgetika maka terdapat 84%

kemungkinan dia akan membeli jenis obat antibiotik juga.

2. Support 23%, artinya 23% dari semua transaksi yang dianalisis menunjukkan

bahwa analgetika dan vitamin&mineral dibeli bersamaan, sedangkan confidence

sebesar 56% menyatakan tingkat kepercayaan atau dapat dikatakan jika seorang

13

konsumen membeli jenis obat analgetika maka terdapat 56% kemungkinan dia akan

membeli jenis obat vitamin&mineral juga.

3. Support 21%, artinya 21% dari semua transaksi yang dianalisis menunjukkan

bahwa analgetik anti piretik dan antibiotika dibeli bersamaan, sedangkan

confidence sebesar 81.3% menyatakan tingkat kepercayaan atau dapat dikatakan

jika seorang konsumen membeli jenis obat analgetik anti piretik maka terdapat

81.3% kemungkinan dia akan membeli jenis obat antibiotika juga.

4. Support 21%, artinya 21% dari semua transaksi yang dianalisis

menunjukkan bahwa anti asma&bronchodilator dan anti histamin dibeli

bersamaan, sedangkan confidence sebesar 65% menyatakan tingkat kepercayaan

atau dapat dikatakan jika seorang konsumen membeli jenis obat anti

asma&bronchodilator maka terdapat 65% kemungkinan dia akan membeli jenis

obat anti histamin juga.


menunjukkan bahwa anti asma&bronchodilator dan antibiotika dibeli


atau dapat

dikatakan jika seorang konsumen membeli jenis obat anti


obat antibiotika juga.


menunjukkan bahwa anti asma&bronchodilator dan ekspektoran dibeli

14

No Jenis Obat Jml Sup (%)1 X1 → X17 21 34%2 X1 →X31 14 23%3 X1→X17 13 21%4 X5→X9 13 21%5 X5→X17 17 28%6 X5→X21 14 23%7 X9→X17 21 34%8 X10→X17 16 26%


atau dapat dikatakan jika seorang konsumen membeli jenis obat anti


obat ekspektoran juga.


menunjukkan bahwa anti histamin dan antibiotika dibeli bersamaan, sedan-

gkan confidence sebesar 91.3% menyatakan tingkat kepercayaan atau dapat

dikatakan jika seorang konsumen membeli jenis obat anti histamin maka

terdapat 91.3% kemungkinan dia akan membeli jenis obat antibiotika juga.


menunjukkan bahwa anti parasitik dan antibiotika dibeli bersamaan, sedan-

gkan confidence sebesar 76.2% menyatakan tingkat kepercayaan atau dapat

dikatakan jika seorang konsumen membeli jenis obat anti parasitik maka

terdapat 76.2% kemungkinan dia akan membeli jenis obat antibiotika juga.

Tabel 12: Hasil Akhir Uji Data

Aturan asosiasi yang diperoleh adalah sebagai berikut :

1. Jika membeli obat analgetika maka akan membeli obat antibiotika dengan

support 34% dan confidence 84%

15

2. Jika membeli obat analgetika maka akan membeli obat vitamin&mineral

dengan support 23% dan confidence 56%

3. Jika membeli obat analgetik anti piretik maka akan membeli antibiotika

dengan support 21% dan confidence 81.3%

4. Jika membeli obat anti asma&bronchodilator maka akan membeli obat anti

histamin dengan support 21% dan confidence 65%

5. Jika membeli obat anti asma&bronchodilator maka akan membeli

antibiotika dengan support 28% dan confidence 85%

6. Jika membeli obat anti asma&bronchodilator maka akan membeli obat

ekspektoran dengan support 23% dan confidence 70%

7. Jika membeli obat anti histamin maka akan membeli antibiotika dengan

support 34% dan confidence 91.3%

8. Jika membeli obat anti parasitik maka akan membeli antibiotika dengan

support 26% dan confidence 76.2%

Pengetahuan yang dapat ditarik dari ke-8 aturan asosiasi pada tabel 12 adalah

sebagai berikut :

Kesatu, digunakan dalam membantu apotek untuk menyusun layout sebaik

mungkin dan sesuai ke- butuhan konsumen serta membantu pihak apoteker dalam

memudahkan mencari kombinasi obat yang sering di beli. Sebagai contoh

16

(antibiotika anti histamin). Maka analisa yang mungkin didapat adalah kebiasaan

pelanggan selain membeli obat antibiotika juga sering kali membeli jenis obat

anti histamin secara bersamaan. Sehingga efeknya pada tata letak apotek adalah

letak obat antibiotika tidak jauh dari obat anti histamin.

Kedua, hasil asosiasi yang didapat juga bisa digunakan dalam membantu

apotek untuk menetukan keputusan persediaan. Sebagai contoh data yang di-

pakai adalah (antibiotika anti histamin). Dari data tersebut, dapat diambil

kesimpulan seandainya pelanggan biasa membeli obat antibiotika dan anti

histamine secara bersamaan, maka apotek seti- daknya harus menyediakan

kedua obat tersebut dalam jumlah yang lebih banyak dan dengan jumlah yang

sama.

Ketiga, digunakan untuk melihat hubungan antara penjualan satu produk obat

dengan produk obat lainnya, misalkan pencarian pola penjualan obat antibi-

otika sedemikian rupa sehingga kita dapat mengetahui obat apa saja yang

juga dibeli oleh pembeli antibiotika. Dengan demikian kita bisa mengetahui

bahwa antibiotika sering dikonsumsi oleh banyak masyarakat pada saat mereka

sakit dan antibiotika dapat di kombinasikan dengan obat lain sesuai aturan dari

dokter atau pihak apoteker.

Gambar 6: Tampilan Awal program

17

BAB IV

KESIMPULAN DAN SARAN

A. Kesimpulan

Setelah proses dijalankan dengan memberikan nilai support sebesar 20% dan

confidence sebesar 50%, maka asosiasi yang memenuhi syarat hanya ada 5

asosiasi yang terbentuk. Salah satu nilai support dan confidence tertinggi dari

aturan asosiasi yang didapat adalah [anti histamine][antibiotika] yaitu dengan

nilai support sebesar 34% dan nilai confidence 91.3%. Sehingga dapat

disimpulkan 91.3% dari seorang konsumen yang membeli obat anti histamine

juga membeli obat antibiotika dan 34% dari semua konsumen membeli keduanya.

Dari aturan asosiasi yang didapat diharapkan dapat membantu pengembang

untuk mengetahui kebiasaan berbelanja masyarakat dan merancang strategi

penjualan berdasarkan jenis obat yang tingkat kon- sumsinya tinggi.

B. Saran

Volume data yang digunakan untuk uji coba dis- arankan ditambah serta

penggunaan nilai support dan nilai confidence yang bervariasi sehingga dapat

menghasilkan lebih banyak asosiasi antar data yang dapat mengandung

informasi penting yang lebih bermanfaat.

Dari hasil pengolahan data beberapa saran atau usul tindakan saran

kepada pihak manajemen apotek dalam rangka meningkatkan penjualan, yaitu

dapat menambah persediaan obat yang ada sesuai jenis obat apa saja yang sering

di beli bersamaan oleh konsumen.

18

DAFTAR PUSTAKA

[1] Leni Meiwati dan Metty Mustikasari. Aplikasi data mining menggunakan aturan

asosiasi dengan metode apriori untuk analisis keranjang pasar pada data transaksi penjualan

apotek. Jurnal Ilmiah, Jurusan Sistem Informasi Fakultas Ilmu Komputer dan

Teknologi Informasi, Universitas Gunadarma, Depok, 2013.

[2] Data mining : Analisis keranjang pasar, 16 Juli 2010.

[3] Budi Agustianingsih. Analisis keranjang pasar menggunakan algoritma

predictive apriori untuk mendapatkan aturan asosiasi di suatu minimart di kelapa

dua. Skripsi, Fakultas Teknologi Indus- tri, Universitas Gunadarma, Depok, 2008.

[4] Kusrini dan Emha Taufiq Luthfi. Algoritma Data Mining. ANDI, Yogyakarta,

2009.

[5] Leo Willyanto Santoso. Pembuatan perangkat lunak data mining untuk

pengalian kaidah asosiasi menggunakan metode apriori. Universitas Kris- ten

Petra.

[6] Steinbach M. Kumar V. Tan, P. N.. Introdution to Data Mining. Pearson

Education, 1 edition, 2006.

[7] member IEEE Zaki. M.J. Scalable algorithm for association mining. In IEEE

Transaction on Knowledge and Data engineering, volume 12, May/June 2000.

Algoritma Data Mining Menggunakan Aturan Asosiasi Dengan Metode Apriori

Documents

Transcript of Algoritma Data Mining Menggunakan Aturan Asosiasi Dengan Metode Apriori