analisis perubahan kelompok berdasarkan perubahan nilai jual ...

19
1 ANALISIS PERUBAHAN KELOMPOK BERDASARKAN PERUBAHAN NILAI JUAL PADA BLOOMBERG MARKET DATA DENGAN MENGGUNAKAN FORMAL CONCEPT ANALYSIS Dyah Anggraini / DR. TB. MAULANA KUSUMA Universitas Gunadarma, Jl. Margonda Raya No. 100, Pondok Cinia Depok 16424 ([email protected] ) ABSTRAK Para pelaku bisnis memiliki kebutuhan-kebutuhan untuk memanfaatkan gudang data yang sudah dimiliki untuk pengambilan keputusan. Salah satunya adalah perubahan nilai jual pada kelompok komoditi dalam pasar dunia karena sangat mempengaruhi dalam rumah tangga perusahaan maupun pasar. Teknologi yang menjawab kebutuhan ini, yaitu data mining. Bloomberg penyedia data, berita dan analitika untuk pasar keuangan yang mendunia terutama data nilai jual kelompok komoditi dunia yang bersifat terbuka dan diinformasi secara online serta uptodate. Dan data Bloomberg ini digunakan sebagai media informasi diberbagai kantor berita negara salah satunya kantor berita Antara sebagai kantor berita Indonesia. Alat yang digunakan adalah Lattice Miner, merupakan salah satu tools dari formal concept analysis prototype untuk membuat, memvisualisasikan dan mengeksplor konsep Lattice. Dengan Laticce Miner memungkinkan digeneralisasinya formal concepts and association rules sebagai salah satu konsep data mining. Dalam penulisan ini menggunakan tingkat confidence adalah 100%. Dengan formal context mendefinisikan 5 objek dan 24 kelompok komoditi sebagai atribut. Hasil dari penelitian ini menggunakan Association rules yang dihasilkan dari formal concept dan context lattice berjumlah 788 rules, dengan confidence 100% dan formal concept dari 4 periode waktu menghasilkan 24 rules. Kata kunci : Formal Context, Formal Concept, Lattice Miner PENDAHULUAN Para pelaku bisnis memiliki kebutuhan-kebutuhan untuk memanfaatkan gudang data yang sudah dimiliki, teknologi yang menjawab kebutuhan ini, yaitu data mining. Sejarah Data mining bukanlah suatu bidang yang sama sekali baru. Data mining mewarisi banyak aspek dan teknik dari bidang-bidang ilmu yang sudah mapan terlebih dulu. data mining memiliki akar yang panjang dari bidang ilmu seperti kecerdasan buatan (artificial intelligent), machine learning, statistik, basis data dan juga information retrieval. Hasil utama dari data mining adalah untuk membuat prediksi dan deskripsi. Prediksi menggunakan beberapa variabel atau field-field basis data untuk memprediksi

Transcript of analisis perubahan kelompok berdasarkan perubahan nilai jual ...

Page 1: analisis perubahan kelompok berdasarkan perubahan nilai jual ...

1

ANALISIS PERUBAHAN KELOMPOK BERDASARKANPERUBAHAN NILAI JUAL PADA BLOOMBERG MARKET DATA

DENGAN MENGGUNAKANFORMAL CONCEPT ANALYSIS

Dyah Anggraini / DR. TB. MAULANA KUSUMA

Universitas Gunadarma, Jl. Margonda Raya No. 100, Pondok Cinia – Depok 16424([email protected])

ABSTRAK

Para pelaku bisnis memiliki kebutuhan-kebutuhan untuk memanfaatkan gudangdata yang sudah dimiliki untuk pengambilan keputusan. Salah satunya adalahperubahan nilai jual pada kelompok komoditi dalam pasar dunia karena sangatmempengaruhi dalam rumah tangga perusahaan maupun pasar. Teknologi yangmenjawab kebutuhan ini, yaitu data mining.

Bloomberg penyedia data, berita dan analitika untuk pasar keuangan yangmendunia terutama data nilai jual kelompok komoditi dunia yang bersifat terbuka dandiinformasi secara online serta uptodate. Dan data Bloomberg ini digunakan sebagaimedia informasi diberbagai kantor berita negara salah satunya kantor berita Antarasebagai kantor berita Indonesia.

Alat yang digunakan adalah Lattice Miner, merupakan salah satu tools dariformal concept analysis prototype untuk membuat, memvisualisasikan dan mengeksplorkonsep Lattice. Dengan Laticce Miner memungkinkan digeneralisasinya formalconcepts and association rules sebagai salah satu konsep data mining.

Dalam penulisan ini menggunakan tingkat confidence adalah 100%. Denganformal context mendefinisikan 5 objek dan 24 kelompok komoditi sebagai atribut. Hasildari penelitian ini menggunakan Association rules yang dihasilkan dari formal conceptdan context lattice berjumlah 788 rules, dengan confidence 100% dan formal conceptdari 4 periode waktu menghasilkan 24 rules.

Kata kunci : Formal Context, Formal Concept, Lattice Miner

PENDAHULUAN

Para pelaku bisnis memiliki kebutuhan-kebutuhan untuk memanfaatkan gudangdata yang sudah dimiliki, teknologi yang menjawab kebutuhan ini, yaitu data mining.Sejarah Data mining bukanlah suatu bidang yang sama sekali baru. Data miningmewarisi banyak aspek dan teknik dari bidang-bidang ilmu yang sudah mapan terlebihdulu. data mining memiliki akar yang panjang dari bidang ilmu seperti kecerdasanbuatan (artificial intelligent), machine learning, statistik, basis data dan jugainformation retrieval.

Hasil utama dari data mining adalah untuk membuat prediksi dan deskripsi.Prediksi menggunakan beberapa variabel atau field-field basis data untuk memprediksi

Page 2: analisis perubahan kelompok berdasarkan perubahan nilai jual ...

2

nilai-nilai variabel masa mendatang yang diperlukan, yang belum diketahui saat ini.Deskripsi berfokus pada penemuan pola-pola tersembunyi dari data yang ditelaah.

Data Mining dapat digunakan untuk mengekstrak knowledge yang tersembunyididalam sebuah database yang besar. Knowledge yang di esktrak merupakan hasilanalisa yang biasanya di lakukan oleh manusia. Sangatlah sulit menganalisa data dariseluruh atribut yang ada pada suatu data set yang besar, sehingga komputer sangatdibutuhkan untuk menganalisa data set tersebut secara otomatis namun tetapmempertahankan apek pola pikir manusia (Machine Learning).

Salah satu teknik yang digunakan dalam data mining adalah Formal ConceptAnalysis. Formal Concept Analysis dapat diterapkan di berbagai bidang; psychology,sociology, anthropology, medicine, biology, linguistics, computer sciences, mathematicsdan industrial engineering [11]. Dengan FCA data set akan diuraikan menjadi elemen-elemen data yang akan dicek keterhubungannya menjadi assosiation rule. Assosiationrule merupakan suatu metode yang digunakan untuk menganalisa keterhubungan antaravariables (atribut-atribut) dari suatu data set yang besar.

Dalam bidang ekonomi, data mining dapat diterapkan untuk menganalisa pasardan manajemen serta digunakan untuk menganalisa perusahaan dan manajemen resiko.Beberapa solusi analisa pasar dan manajemen yang dapat diselesaikan dengan datamining adalah menebak target pasar, melihat pola beli pamakai dari waktu ke waktu,cross market analysis, profil customer, identifikasi kebutuhan customer, menilailoyalitas customer, informasi summary. Sedangkan bagi bidang analisa perusahaan danmanajemen resiko, data mining digunakan untuk merencanakan keuangan dan evaluasiasset, merencanakan sumber daya (resources planning) dan memonitor persaingan(kompetisi).

Dalam penulisan ini kasus yang akan diteliti adalah perubahan nilai penjualanterhadap kelompok komoditi dunia yang dirangkum oleh bloomberg New York.Perubahan nilai jual pada kelompok komoditi pada pasar dunia, bagi para pelaku bisnissangat berpengaruh dalam pengambilan keputusan untuk menentukan strategi bisnis.Karena hal ini akan mempengaruhi rumah tangga perusahaan dan pasar. Bloombergadalah penyedia berita keuangan dan informasi 24 jam terbesar di dunia yangmenyediakan data harga, data keuangan, berita perdagangan berikut dengan ulasananalisa termasuk berita umum dan olah raga. Akan tetapi yang menjadi permasalahanadalah data-data yang terdapat didalam bloomberg tidak menjelaskan keterhubunganantara perubahan pada tiap-tiap kelompok komoditinya, seperti contohnya kenaikanharga minyak mentah apakah akan mempengaruhi nilai dari gas alam. Data yangterdapat di dalam website Bloomberg selalu berubah setiap saat. Berdasarkanperubahan inilah yang akan dianalisa pada penelitian ini.Data yang diambil adalah datanilai penjualan kelompok komoditi pada Bloomberg periode dari tanggal 27 Januari2009 jam 02.40, 28 Januari 2009 jam 10.10, 28 Januari 2009 jam 14.55 dan 29 Januari2009 jam 06.55. Data tersebut didapat secara online darihttp://www.bloomberg.com/markets/commodities/cfutures.html. Data – data tersebutakan diolah dengan menggunakan salah satu tools yaitu Lattice Miner denganmenggunakan Market Basket Analysis, Formal Concept Analysis dan Association Rules.Hasil akhir dari penelitian ini adalah list rules kelompok komoditi berdasarkanperubahan nilai jual yang berpengaruh terhadap para pelaku bisnis.

Page 3: analisis perubahan kelompok berdasarkan perubahan nilai jual ...

3

TINJAUAN PUSTAKA

Sekilas Tentang Data Mining

Data Mining telah menarik perhatian industri informasi dan masyarakat padatahun tahun terakhir ini, hal ini disebabkan oleh ketersediaan data yang sangat besar dankebutuhan untuk mengubah data menjadi informasi dan pengetahuan yang bermanfaat[5]. Data Mining umumnya didefinisikan sebagai pola penemuan pada himpunan datakasar dalam jumlah yang besar sehingga beberapa pengetahuan yang tersembunyididalam data tersebut dapat ditemukan. Data mining dianggap sebagai langkah utamadalam proses penemuan pengetahuan di dalam database (KDD). Gambar 1.Menunjukkan proses penemuan pengetahuan ini. Proses penemuan pengetahuanmerupakan rangkaian dari langkah-langkah berikut ini:

1. Data cleaning and integration: Data cleaning berarti memindahkan noise dandata yang tidak konsisten dan menangani data yang hilang. Tujuan dari integrasidata ini adalah untuk memadukan data yang berasal dari sumber data yangberbeda (database yang berbeda, flat files).

2. Data selection and transformation: Data selection adalah tugas untukmemperoleh data yang relevan sampai ke tahap analisis dan transformasi datayang bertujuan untuk mentransformasikan data sampai ke bentuk yang sesuaiuntuk proses mining.

3. Data Mining: Data Mining adalah langkah utama dalam penemuan knowledgedan tujuan dari data mining adalah untuk mengekstrak pola data dengan caramenerapkan algoritma intelligent.

4. Pattern Evaluation: Pada langkah ini beberapa ukuran diterapkan untukmengevaluasi pola dan mengidentifikasi pola yang sangat menarik.

5. Knowledge Presentation: Tujuan dari langkah ini adalah untukmemvisualisasikan pola yang digali sampai kepada end user dalam bentuk yangsesuai dan bermanfaat.

Databases

Data Cleaning

Data Integration

Task-relevantData

Selection

Data Mining

Pattern Evaluation

DataWarehouse

Patterns

Knowledge

Databases

Data Cleaning

Data Integration

Task-relevantData

Selection

Data Mining

Pattern Evaluation

DataWarehouse

Patterns

Knowledge

Gambar 1.Data Mining as a step in the process of knowledge discovery

Metode Data MiningSecara umum, metode data mining dapat diklasifikasikan kedalam 2

pendekatan: pendekatan supervised dan pendekatan non-supervised, tergantung daripengetahuan global mana dari data itu yang digunakan atau tidak. Pendekatansupervised berasumsi bahwa representasi data parametric sudah diketahui sebelumnyadan tugas data mining yang terkait menjadi masalah dalam estimasi parameter.Pendekatan non-supervised sangat tergantung pada analisa keseringan atau prakiraandata di dalam identifikasi pola, misalnya, association rule mining merupakan salah satudari contoh yang mewaliki analisa statistic co-occurrrence dari atribut dalam repository

Page 4: analisis perubahan kelompok berdasarkan perubahan nilai jual ...

4

data (misalnya database relational). Hal utama pada pendekatan supervised dan non-supervised ini adalah kemampuannya didalam meninterpolasi ke data training.

Untuk data clustering, seperti clustering dokumen, umumnya menggunakanmetode supervised seperti k-means [5], ketika seseorang mengambil pendekatansupervised untuk menunjukan himpunan data dengan sebuah model yang sangatkompleks, proses estimasi parameter-parameter ini akan membutuhkan waktu yanglama bahkan terkadang menyebabkan menjadi tidak terlihat. Oleh karena itu,mengontrol kompleksitas model secara tepat menjadi sangat penting [5]. Dalam thesisini, pendekatan non-supervised untuk proses data mining dengan Formal ConceptAnalysis digunakan.

Tugas Data MiningTugas yang paling umum didalam data mining adalah classification,

clustering dan association rules mining.Classification adalah proses menemukan sebuah model yang

menggambarkan dan membedakan kelas data atau konsep, dengan cara ini, sesorangakan mampu menggunakan model ini untuk memprediksi kelas obyek yang label kelasnya tidak diketahui. Algoritma klasifiksai yang umum meliputi klasifikasi dengandecision tree induction dan neural network.

Clustering, merupakan sebuah klasifikasi dengan kelas yang tidakdidefinisikan sebelumnya sehingga algoritmanya akan mengelompokan obyek yangsama secara bersamaan berdasarkan prinsip maximizing persamaan intraclass danmiminizing persamaan interclass. Algoritma yang umum digunakan clustering inimeliputi k-means dan k- medoids.

Association rule mining terdiri dari proses pencarian keterhubunganhubungan antar variable. Misalnya, sebuah supermarket akan mengumpulkan data yangakan dibeli oleh setiap pelanggaan. Dengan menggunakan association rule learningsupermarket tersebut dapat menentukan produk mana yang sering dibeli oleh pelanggan.Hal ini sangat bermanfaat dalam bidang pemasaran, dan sering disebut dengan “marketbasket analysis “.

Association ruleMisalnya A merupakan himpunan dari item (himpunan item disebut sebagai

item set) dan D merupakan database transaksi, dimana setiap transaksi T bersifat unikdan berisi himpunan item (T adalah subset dari A). Association rule ini merupakanhubungan asosiasi dari bentuk XY dimana X A, Y A dan X Y =. Supportdari aturan XY ini didefinisikan sebagai prosentasi transaksi yang berisi X dan Ydidalam D. Confidence dari aturan XY definisikan sebagai prosentasi transaksi yangmengandung X dan juga mengandung Y didalam D. Jika aturan memiliki 90%confidence maka ini berarti 90% dari item set mengandung X dan juga mengandung Y.Tugas dari association rule mining ini untuk menemukan semua aturan strongassociation rule yang memenuhi threshold minimum support (min_sup) dan thresholdconfidence minimum (min_conf). Mining association rule terdiri dari 2 fase.

1. Semua item set yang sering muncul yang memenuhi min_sup dapat ditemukan2. Fase kedua, strong association rule diperoleh dari item set yang sering muncul

yang ditemukan di fase pertama. Kebanyakan penelitian hanya

Page 5: analisis perubahan kelompok berdasarkan perubahan nilai jual ...

5

mempertimbangkan fase pertama saja hal ini disebabkan ketika item set dapatditemukan, maka mining association rule menjadi sangat mudah. Dengan katalain , dalam term probability, sebuah support merupakan probabilitas pada suatutransaksi yang mengandung X Y dan sebuah confidence adalah conditionalprobability dimana suatu transaksi yang memiliki X juga mengandung Y.Pernyataan tersebut dapat ditulis dengan:

Support(XY) = P(X Y)Confidence (XY) = P (Y|X)

P (Y|X) adalah conditional probabilityHal ini dapat ditulis dengan P(Y|X) = support(X Y) / support (X).

Contoh berikut ini menggambarkan bagaimana menghitung association rule, supportdan confidence untuk setiap association rule.

Contoh:Tabel 2.1 Database Transaksi

Database of transactions: we have 5transactions and a total of 6 items.

Let min_sup = 50%, min_conf = 50% (Ini merupakan Threshold yang didefinikanoleh user)

Langkah pertama: Menemukan seluruh frequent itemsets that respect themin_sup = 2 ( 50%)

Tabel 2.2 Support dibawah 50%Itemset lain dihapus karena support mereka kurang 2 (50%).

Langkah kedua : Cari semua association rules

Transaction-id Items bought

10 A, B, D

20 A, C, D

30 A, D, E

40 B, E, F

50 B, C, D, E, F

Itemset support

A 3

B 3

D 4

E 3

Page 6: analisis perubahan kelompok berdasarkan perubahan nilai jual ...

6

Kita hanya mempunyai satu itemset {A,D} yang mempunyai support lebih dari 50%.Dengan itemset ini kita hanya dapat mempunyai 2 association rules, A D dan D A.

A D : support = 3/5 = 60% confidence = 3/3 = 100%D A : support = 3/5 = 60% confidence = 3/4 = 75%

Tantangan utama di dalam mining frequent itemsets dari dataset yang besar adalah faktabahwa mining tersebut kadang menghasilkan jumlah yang sangat besar dari itemsetsyang memenuhi batas minimum support (min_sup), terutama ketika min_sup disetrendah. Ini dikarenakan jika sebuah itemset frequent, setiap subset juga akan frequent.Itemset yang panjang akan mengandung angka kombinatorial yang pendek, sub itemsetfrequent.

Latar Belakang Sejarah Formal Concept AnalysisFormal Concept Analysis mendapatkan fondasi dari hasil pekerjaan

matematis dari Birkhoff [11] pada tahun 1941. Berdasarkan teori lattice, Birkhoffberhasil membuktikan bahwa lattice dapat dibangun untuk semua relasi biner antarobyek dan attribut yang mengungkap struktur dari hubungan awal yang implisit.Kekuatan dari teori lattice dibawa dari kesederhanaan konsep dasarnya dan perilakuumum yang meliputi seluruh aljabar modern. Selanjutnya, proyek FCA dimulai padaawal 80an ketika grup riset di Universitas Darmstadt di Jerman memulai pengembangansistematis framework aplikasi teori lattice. Istilah FCA dikenalkan oleh Rudolf Wille ditahun 1981. Rudolf Wille adalah ahli matematika asal jerman dan seorang profesorAljabar dari tahun 1970 sampai tahun 2003. Rudolf menjelaskan pada tulisanpertamanya tentang FCA, bahwa konsep sangat penting untuk mengekspresikanpengetahuan manusia dan FCA adalah formulasi matematika dari konsep “concept”.FCA bertujuan untuk mendefinisikan konsep dan menganalisa hirarkinya. Hirarki darikonsep disebut konsep lattice. Sejak 1981, beberapa ratus artikel telah dipublish padaFormal Concept Analysis dan Grup Darmstadt telah bepartisipasi di banyak proyekkolaborasi. Sepanjang 10 tahun, FCA telah tumbuh ke dalam komunitas penelitianinternasional dengan aplikasi-aplikasi di banyak disiplin ilmu, seperti bahasa, rekayasaperangkat lunak, psikologi, AI dan Information Retrieval.

Formal ContextFormal Concept Analysis (FCA) memodelkan dunia data ke dalam

penggunaan obyek dan atribut. Kumpulan obyek, kumpulan atribut dan relasi antaraobyek dan atribut di dalam sebuah data set membentuk Formal Context FCA. Inidirepresentasikan ke dalam bentuk triple (O, A, R) dimana R memetakan hubunganantara himpunan O dan A dari Obyek dan Atributs. Relasi R adalah bagian dari produkCartesian antara obyek dan atributs : R O X A. Jika obyek o O mempunyai atributa A, relasi diberikan oleh : (o,a) R atau oRa. Context di dalam FCA biasanyaditampilkan ke dalam bentuk tabel silang (matriks 2 dimensi) dimana kolom pertamadan baris pertama daftar obyek dan atribut dari context. Tanda silang di dalam tabelmengindikasikan bahwa obyek o mempunya atribut a. Tabel 3 menampilkan contoh darisebuah formal context.

Page 7: analisis perubahan kelompok berdasarkan perubahan nilai jual ...

7

Table 2.3. Contoh dari Formal ContextContext (O,A,R)

Atributs ASmall Medium Large Near Distant Moon No moon

Merkur X X XVenus X X XEarth X X XMars X X X

Jupiter X X XSaturn X X XUranus X X XNeptune X X X

Pluto X X X

Formal ConceptFormal concept dari suatu context (O, A, R) adalah pasangan (X, Y) dengan

X O dan Y A artinya semua atribut yang serupa ke obyek di X dan semua obyekserupa ke atribut di Y harus sama. Relasi dua arah diberikan oleh :

1. Himpunan atributs serupa ke obyek di XX’ = {a A | oRa o X}

2. Himpunan obyeks serupa ke atributs di YY’ = {o O | oRa a Y}

Dengan kata lain, X’ menunjukkan himpunan semua atribut serupa ke obyek di X danY’ menunjukkan semua himpunan obyek yang mempunyai semua atribut di Y. Jadi(X,Y) adalah concept dari formal context (O,A,R) jika dan hanya jika X O, Y A,X’ = Y dan Y’ = X. X disebut extent dan Y adalah intent dari concept (X,Y).

Tabel 4 melist semua concept dari context yang ditampilkan pada tabel 3.Setiap concept adalah himpunan obyek dengan atribut yang sama. Sebagai contoh,concept 3 adalah sepasang himpunan obyek {Uranus, Neptune}, dan himpunan atributsmengandung {moon, medium, distant}. Ini dapat diartikan bahwa bulan, medium dandistant adalah semua anggota dari himpunan atribut baik Uranus maupun Neptune.Seperti concept 8 adalah ({Earth, Mars, Pluto},{Moon, small}) mengindikasikan bahwahimpunan atribut Earth, Mars dan Pluto semua mengandung moon dan small.

Tabel 2.4. Set dari seluruh konsep dari context table 3Concept 1 ({},{moon, medium, distant, small, large, near, nomoon})Concept 2 ({Pluto},{moon, distant, small})Concept 3 ({Uranus, Neptune},{moon, medium, distant})Concept 4 ({Merkur, Venus },{small, near, nomoon})Concept 5 ({Jupiter, Saturn},{moon, distant, large})Concept 6 ({Jupiter, Saturn, Uranus, Neptune, Pluto},{moon, distant})Concept 7 ({Earth, Mars},{small, near, moon})Concept 8 ({Earth, Mars, pluto},{small, moon})Concept 9 ({Merkur, Venus, Earth, Mars},{small, near})Concept 10 ({Merkur, Venus, Earth, Mars, Pluto},{small})Concept 11 ({Earth, Mars, Jupiter, Saturn, Uranus, Neptune, Pluto},{moon})Concept 12 ({Merkur, Venus, Earth, Mars, Jupiter, Saturn, Uranus, Neptune, Pluto},{})

Concept LatticeSalah satu keuntungan terbesar dari FCA adalah kemampuan untuk

memvisualisasikan hubungan antara concept sebagai graph hierarki atau concept lattice.

Page 8: analisis perubahan kelompok berdasarkan perubahan nilai jual ...

8

Di dalam concept lattice, setiap node merepresentasikan concept yang berbeda.

Concepts di dalam concept lattice adalah urut berdasarkan relasi ≤ antar concepts.

Concept (X1, Y1) adalah subconcept dari concept (X2, Y2) jika X1X2 atau Y2 Y1.

Lattice memetakan urutan dari konsep yang paling umum sampai yang paling spesifik(atas ke bawah). Concept teratas, subconcept terbesar disebut supremum dan conceptterbawah , concept terkecil disebut infimum. Banyak algoritma diajukan untukmengekstrak semua concept dari context yang diberikan, dan satu yang paling efisienadalah algoritma Ganter’s “next closure” [7]. Algoritma “next closure” dapat secaraefisien memproses semua concept dari context (O, A, R) dengan waktu O(|O|2 x|A|x|C(O,A,R)|)

Gambar 2. Contoh diagram concept lattice

Gambar 2. menggambarkan contoh dari diagram concept lattice yang dibuatdari tabel context di tabel 3. Pada himpunan concept dari lattice, beberapa conceptmempunyai satu subconcept terbesar dan satu superconcept terbesar yang sama. Padagambar 2, elemen terbawah, concept 1, ({}, {moon, medium, distant, small, large, near,nomoon}) menunjukkan subconcept terbesar (disebut infimum) yang mengandunghimpunan kosong dari pasangan obyek dengan semua atribut. Elemen teratas, concept12 ({Merkur, Venus, Earth, Mars, Jupiter, Saturn, Uranus, Neptune, Pluto}, {})merepresentasikan superconcept terbesar (suprimum) yang mengandung himpunankosong dari pasangan atribut dengan semua obyek.

Secara garis besar, concept lattice dapat direpresentasikan dengan redundantlabelling ataupun dengan non-redundant labelling. Cocept lattice dengan redundantlabelling dapat dilihat pada gambar di bawah ini. Gambar 2 menggambarkan list obyeksdan atributs dari tiap tiap concepts secara lengkap. Meskipun redundant labelling darilattice memastikan bahwa setiap obyeks dan setiap atributs untuk setiap conceptsdiperlihatkan, hal ini dapat mengakibatkan permasalahan kelebihan informasi.Permasalahan ini dapat terlihat dengan digunakannya non-redundant labelling yangdipresentasikan oleh tiap obyek dan tiap atribut hanya satu kali. Gambar 3menunjukkan concept lattice dari gambar 2 yang telah dikurangi labellingnya.

Ketika suatu concept lattice diartikan, seluruh atributs akan digambarkan kebawah dan seluruh objct dgambarkan ke atas. Sebagai contoh, Tabel 4 dapat di

Page 9: analisis perubahan kelompok berdasarkan perubahan nilai jual ...

9

gambarkan dengan meletakan atributs small, near dan moon, dan untuk diatas obyekEarth dan Mars

Gambar 3. Contoh dari concept lattice graph with reduced labelling

Context dengan Banyak NilaiPada dunia nyata, obyek dapat memiliki atribut-atribut yang memiliki banyak

nilai nilai yang berbeda. Nilai yang merepresentasikan atribut-atribut ini dapat berkisarantara nol hingga angka yang tidak terbatas. Dalam FCA, atribut-atribut ini sangatbebeda dengan keberadaan dan kekurangan dari atribut-atribut dalam binary-atributFCA. Sebuah context dengan nilai banyak direpresentasikan dengan (O, A, V, R)[4],dimana O adalah set dari obyek dan A adalah set dari atributs dengan nilai set V dan R O x A x V adalah relasi untuk (o,a,v1) R and (o, a, v2) R ==> v1=v2

Batasan ini serupa dengan dugaan nilai atomic di dalam database relasional, setiapatribut untuk tiap obyek mempunyai hanya satu nilai. Seringkali ditulis a(0) = vdaripada (o,a,v) R. Himpunan semua nilai yang memungkinkan untuk atribut semuanilai yang diberikan mengacu ke domain dari atribut tersebut, Karena itu dom(a). Inididefinisikan dari : dom(a) = { o O | (o, a, v) R for some v V }. Atribut a disebutkomplit jika dom(a) = O. context yang mempunyai banyak nilai disebut komplit jikasemua atribut nya komplit.

ScalingAgar dapat mengolah concept dari context yang mempunyai banyak nilai, tiap

atribut harus di “scaled”. Skala untuk atribut dari context bernilai banyak diberikan dari: Sm = (Om, Am, Rm)

Dimana a(O) Om, Am adalah himpunan atribut baru dan Rm adalah relasi antar atribut.Om dan atributs baru Am. Skala itu sendiri merupakan formal contex. Gambar 2mengilustrasikan contoh dari konseptual skala (transformasi dari contact bernilaibanyak ke context bernilai satu). Tabel pada sebelah kiri mengilustrasikan context hargabuku, sementara pada sisi kanan adalah skala untuk atributs. Skala dari kategorisasiharga buku berdasarkan apakah harganya lebih besar dari atau sama dengan nol dolaratau lebih besar dari dan sama dengan dua puluh lima dollar.

Page 10: analisis perubahan kelompok berdasarkan perubahan nilai jual ...

10

Tabel 2.5. Conceptual Scale (right) for the `Price' atribut (left)

Book Price

Book A$25.95

Book B$19.80

Book C $74.25

Pemilihan dari skala konseptual berdasarkan pada penerjemahan seseorang akan suatucontext. Oleh sebab itu, tugas ini biasanya di berikan untuk seseorang yang memangahli dalam bidangnya. Langkah terakhir pada proses transformasi meliputi pemakaianskala konseptual pada atribut. Context yang diperoleh untuk attribut hargamenggunakan skala dari tabel 2.5 dapat dilihat pada tabel dibawah ini :

Tabel 2.6. Derived contexts resulting from applying the scales to the many-Valued context

Book Price

$0 $25

Book A X

Book B X

Book C X

Survey dari Beberapa Alat Bantu Formal Concept AnalysisBeberapa alat Bantu Formal Concept Analysis telah dikembangkan khususnya

untuk kebutuhan penelitian dan juga sebagai alat pembelajaran pada materi-materi ilmukomputer. Kebanyakan alat-alat tersebut berguna sebagai editor context, kalkulatorconcept dan alat gambar concept lattice. Alat Bantu dari FCA berupa ToscanaJ [12],ConExp atau Concept Explorer , Galicia [15] dan Lattice Miner. Lattice Miner adalahprototype FCA untuk membuat, memvisualiasikan dan mengeksplor concept lattice.Lattice Miner memungkinan beberapa generasi formal concept dan association rules.Sifatnya open source dan dapat didownload dari website sourceforge [8].Dikembangkan di laboratorium LARIM [7] Universitas Quebec di Outaouis (UQO)dibawah pimpinan Prof. Rokia Missaoui yang merupakan pelopor di bidang DataMining dan FCA yang paling aktif. Input yang dibutuhkan lattice miner adalah formalcontext, formal context dapat dibuat dari alat eksternal seperti ConExp, Galicia,ToscanaJ dan alat FCA lainnya. Lattice Miner menyediakan interface yang ramah bagiuser untuk mengedit formal context secara manual. Dari inputan lattice miner dapatmembuat diagram lattice (concept lattice) dan association rules. Pada gambar 4 dan 5interface utama dari lattice miner ditampilkan.

Price

$0 $25$25.95

X$19.80

X$74.25

X

Page 11: analisis perubahan kelompok berdasarkan perubahan nilai jual ...

11

Gambar 4. Main interface of lattice miner: editing a formal context

Gambar 5. Main interface of lattice miner: generating the concept lattice

Aplikasi formal concept analysisFCA telah diaplikasikan di beberapa bidang seperti kedokteran, bahasa,

psikologi, matematika, teknik industri dan ilmu komputer. Lebih spesifik, aplikasiberbasiskan FCA digunakan untuk clustering, teknik ontology, information retrievaldan rekayasa perangkat lunak [2] [1].

Batasan dari Formal concept analysisFCA mempunyai banyak keunggulan di dalam memproses knowledge termasukeksplorasi concept dan data mining. Ketika FCA berhubungan dengan aplikasi yangmempunyai obyek dan atribut dalam jumlah kecil, kompleksitas dari algoritma yangdigunakan untuk mengindex dan memanggil data tidak menjadi isu yang penting.Bagaimanapun, ketika FCA diaplikasikan untuk mengeksplor data dengan obyek danatribut yang besar, ukuran data membuat isu kompleksitas dan skalabilitas menjadikrusial [3]. Ini sebabnya konsep scaling memperlihatkan kegunaannya.

Batasan lain termasuk kurangnya cara menangkap relasi terdahulu antara titik sementaradan interval yang ditampilkan oleh lattice sementara. Dengan kata lain, FCA dapatberhubungan dengan struktur data statis tetapi tidak dapat menganalisa perilaku dinamisdari data.

FCA merupakan Penggambaran dari association rulesBanyak penelitian yang telah dilakuakan untuk mengekstraksi association rule

dari concepts lattice. Formal Concept Analysis dapat secara efisien digunakan untukmemproses association rule. Suatu association rule X Y (with X, Y A) dikatakanexact jika conf(XY) = 1 dan approximate bila sebaliknya. Suatu exact associationrule dapat pula disebut dengan suatu implication. Untuk X, Y A, suatu implicationXY dikatakan seperti itu jika dan hanya jika concepts terbesar yang berada dibawah

Page 12: analisis perubahan kelompok berdasarkan perubahan nilai jual ...

12

seluruh concepts yang di generate oleh atributs X dibawah seluruh concepts yang digenerate oleh atributs Y. Dengan kata lain, implication terjadi bila tiap obyek yangmemiliki seluruh atributs di X juga memiliki seluruh atributs di Y; suatu implicationadalah sebuah association rule dengan 100% confidence. Pada concepts lattice, exactassociation rule dapat secara langsung di baca dan di visualisasikan dalam diagram.Gambar 2.6 merupakan contoh dari implications yang degenerate secara otomatis olehLattice Miner tools (Gambar ini berdasarkan data sebelumnya).

Gambar 6. Implications in concept lattice

Metode Formal Concept Analysis hanya menghitung concept hierarki yang terhubungdalam struktur lattice. Selain itu, metode FCA juga dapat mengurangi jumlah dariassociation rule

METODE PENELITIAN

Untuk memperoleh data yang dibutuhkan guna mendukung penelitian yang akandilakukan, metode yang digunakan penulis dengan metode penelitian kepustakaan.Metode penelitian ini digunakan untuk mendapatkan landasan teori yang digunakanuntuk memecahkan masalah secara teori. Bahan bacaan yang digunakan adalah bukudan fasilitas internet yang ada hubungannya dengan objek penulisan tesis. Disini penulismelakukan studi literatur tentang teori dan konsep Data Mining, Market FormalConcept Analysis dan Lattice Miner. Selain itu metode penelitian lapangan jugadigunakan. Disini penulis mengadakan pengamatan pada data online yang disediakanoleh Boomberg Market periode 27 Januari sampai dengan 29 Januari 2009.

Tempat dan Waktu PenelitianData dalam penelitiaan ini diperoleh oleh penulis dengan melakukan

pengamatan data terhadap penyedia data, berita dan analitika untuk pasar keuanganyang mendunia terutama data nilai jual kelompok komoditi dunia yang bersifat terbukadan diinformasi secara online serta uptodate. Dan akhirnya penulis menggunakan dataBloomberg yang memang juga informasi pada Bloomberg ini digunakan sebagai mediainformasi diberbagai kantor berita negara salah satunya kantor berita Antara sebagaikantor berita Indonesia. Data Bloomberg dapat diakses secara online dan free melaluialamat http://www.bloomberg.com/markets/commodities/cfutures.html. dan waktupenelitian dilakukan pada bulan Januari 2009.

Page 13: analisis perubahan kelompok berdasarkan perubahan nilai jual ...

13

Analisis Data PenelitianPada penulisan ini yang menjadi fokus penulis adalah perubahan dan

keterhubungan antara nilai jual kelompok komoditi dunia pada data Bloomberg. Teknikpenganalisaan data yang dilakukan oleh penulis dalam penyusunan penulisan ini adalahdengan menggunakan analisis kualitatif dikarenakan sampling merupakan pilihanpenulis, dalam hal ini data yang dianalisis adalah perubahan nilai jual kelompokkomoditi dunia yang terdapat pada Bloomberg.

Dengan data ini bertujuan untuk mencakup sebanyak mungkin informasi yangbersifat holistic kontekstual atau merepresentatif terhadap informasi holistik. Dalammerencanakan sampling yang mempengaruhi terhadap harga komoditi dipertimbangkanlangkah-langkah berikut;a. Menyiapkan identifikasi unsur - unsur awalb. Menyiapkan munculnya sample secara teratur dan purposifc. Menyiapkan penghalusan atau pemfokusan sample secara terus-menerusd. Menyiapkan penghentian sampling.

Berdasarkan langkah tersebut diatas data dalam penelitian ini terbagi dalam 2kategori yaitu :

a. Data Bloomberg sebagai objek dan data Bloomberg sebagai property dari objek(atribut), meliputi; raise > 10 , raise <= 10, not change, down >= -10 dan down <= -10

b. Data Bloomber sebagai property dari objek (atribut) terdiri dari ; Brent Crude Futr,Gas oil Fut (ICE), Gasoline RBOB FUT, Heating Oil FUTR, Natural Gas FUTR,WTI Crude Future, Cocoa Future – LI, Cocoa Future, Coffee ’C’ Future , CornFuture, Cotton No.2 FUTR, Live Cattle FUTR , FCOJ-A Future, Soybean Future,Soybean Meal FUTR, Soybean Oil FUTR, Sugar #11 , Wheat Future (CBT), WheatFuture (KCB), Copper Future, Gold 100 OZ FUTR, Silver Future dan Cattle FeederFUT

Penggunaan Alat PerancanganAlat yang digunakan untuk memvisualusasikan keterhubungan dengan jelas dan

mudah adalah Lattice Miner. Lattice Miner adalah salah satu tools dari formal conceptanalysis prototype untuk membuat, memvisualisasikan dan mengeksplor konsepLattice. Laticce Miner memungkinkan di generalisasinya formal concepts andassociation rules. Lattice Miner merupakan open source dan dapat di download dariwebsite source forge [03]. Lattice Miner di kembangkan di laboratory LARIM [7] padauniversity of Quebec in Outaouais dibawah pimpinan Professor Missaoui Rokia.Professor Rokia adalah salah seorang pelopor di bidang data mining dan formal conceptanalysis.

Tahapan PenelitianTahapan penelitian yang dilakukan dalam penulisan ini sebagai berikut :

a. Studi Literatur dan Pengumpulan Data- Penulis melakukan studi literatur tentang teori dan konsep Data Mining, Market

Basket Analysis, Formal Concept Analysis dan Lattice Miner Pada tahap inipenulis melakukan mengadakan pengamatan pada data secara online yangdisediakan oleh Boomberg. Data yang digunakan berupa 4 periode waktu.

b. Pendefinisian

Page 14: analisis perubahan kelompok berdasarkan perubahan nilai jual ...

14

Penulis melakukan pendefinisian dengan lattice miner membuat Formal Contextterhadap data Bloomberg dengan metode scaling. Pendefinisian yang dilakukan ada2 yaitu :- Objek dengan menentukan objek - objek yang mempengaruhi harga pasar

komoditi dunia.- Variabel dengan merubah data ke dalam bentuk tabel biner.

c. Pengelompokan (clustering)Penulis melakukan pengelompokan data pada Lattice Miner dengan membuatFormal Concept berdasarkan keterhubungan antar data set.

d. VisualisasiFormal lattice divisualisasikan agar mempermudah dalam proses analisa denganconcept lattice dalam bentuk diagram hasse.

e. Pengambilan kesimpulan dari hasil Lattice MinerHasil (output) dari Lattice Miner berupa list rules yang dihasilkan dari tipa – tiapdiagram lattice. List Rules yang dihasilkan dari Lattice Miner menggunakanAssociation Rules. Terdapat dua ukuran kepercayaan (interestingness measure) yangdigunakan dalam menentukan suatu association rule. yang menghasilkan list rulesyaitu support dan confidence. Support dan confidence merupakan indikator dalammenentukan sebuah rules.

HASIL DAN PEMBAHASAN

Sekilas Tentang BloombergBloomberg adalah penyedia data, berita dan analitika untuk pasar keuangan

yang mendunia. Bloomberg Professional memberikan pelayanan dan jasa, seperti datakeuangan dan pasar, harga, perdagangan, berita serta peralatan komunikasi yangseketika dan terarsipkan dalam paket tunggal dan terpadu kepada perusahaan, organisasiberita, profesional bidang keuangan dan hukum dan perorangan di seluruh dunia.Layanan media Bloomberg mencakup jasa mendunia; Bloomberg News, BloombergTelevision dan Bloomberg Radio. Di samping itu, Bloomberg menerbitkan majalahBloomberg Markets dan buku Bloomberg Press bagi para profesional bidangpenanaman modal [2]. Data Bloomberg ini juga digunakan sebagai media informasidiberbagai kantor berita negara salah satunya kantor berita Antara sebagai kantor beritaIndonesia.

Analisa PermasalahanAsosiasi dan korelasi antar nilai data komoditi pada Bloomberg tidak dapat

dilihat dengan detail secara kasat mata. Pengaruh atas kenaikan atau penurunan hargadari satu komoditi tidak dapat terlihat apakah akan mempengaruhi harga komoditi yanglain; apakah komoditi yang lain tersebut menjadi akan meningkat harga jualnya, balanceatau menurun. Selain itu, ide yang tersembunyi dari trend pasar juga tidak terlihat(sebagai contoh; perusahaan atau individu yang membeli alumunium pasti akanmembeli live_cattle). Hal ini sesuai dengan teori Market Basket Analysis yangmerupakan suatu analisis terhadap kebiasaan customer berbelanja pada supermarketdengan cara menemukan asosiasi dan korelasi diantara berbagai item yang dimasukancustomer di dalam shopping basket mereka. Secara lebih spesifik, Market BasketAnalysis bertujuan untuk mengetahui item (pengertian item disini adalah berbagai

Page 15: analisis perubahan kelompok berdasarkan perubahan nilai jual ...

15

macam produk atau barang pada supermarket) apa saja yang sering dibeli bersamaanoleh customer.

Formal ContextData dari Bloomberg Market yang digunakan diambil dari

www.bloomberg.com, untuk 4 periode waktu, yaitu :- Tanggal 27 Januari 2009 jam 02.40 - Tanggal 28 Januari 2009 jam 10.10- Tanggal 28 Januari 2009 jam 14.55 - Tanggal 29 Januari 2009 jam 06.55

Tujuan formal context ini adalah menentukan objek dan atribut untukmendapatkan data set relasi antara objek dan atribut. Dalam hal ini merepresentasikantriple (O, A, R) dimana R merupakan pemetaan-pemetaan relasi antara sets O and Adari objek dan atribut. Relasi R merupakan subset Cartesian product antara objek danatribut: R O x A. Jika object oO dengan atribut a A, maka relasi ini dinyatakan:(o,a) R or oRa.

Dalam pembuat formal context menggunakan lattice miner dengan metodescaling. Dalam pembuat formal context menggunakan lattice miner dengan metodescaling. Agar menghasilkan concept dari berbagai macam context, setiap atribut adalah"scaled". Scale sebuah atribut dari berbagai macam context dinyatakan Sm = (Om, Am,Rm) Dimana a(O) Om, Am adalah set atribut baru dan Rm relasi antar atribut Om andatribut baru Am.

Dengan menggunakan lattice miner langkah utama yang dilakukan adalahmengkonversi data dikonversi ke dalam bentuk tabel biner, dengan ketentuan sebagaiberikut :1. Kolom pada tabel biner merupakan Atribut (A), dari data bloomberg diambil data

jenis kelompok komoditi sebagai atribut. Terdapat 24 kelompok komoditi yang akandianalisa.

2. Baris pada tabel biner merupakan Object (O), data yang digunakan adalahperubahan nilai harga jual kelompok komoditas (change), dengan scaling didapat 5obyek.

3. Relasi antara atribut dan objek yang mempunyai nilai – nilai yang mempunyaiketerhubungan diberi tanda silang (cross)

Berikut ini merupakan salah satu contoh tabel berdasarkan waktu pengambilandari Bloomberg tabel yang dibuat menurut waktu pengambilan data dikonvesi ke tabelbiner dengan lattice miner.

Page 16: analisis perubahan kelompok berdasarkan perubahan nilai jual ...

16

Gambar 7. Konversi Tabel Biner Data Bloomberg Market tanggal26 January 2009 2009 jam 21:40

Formal ConceptTujuan dari Formal Concept Analysis adalah untuk menganalisa keterhubungan

dengan clustering (unsupervised clasiffication). Dalam metode ini ada pola tersembunyidari pengelompokan data. Data akan dikelompokan secara otomatis tanpa didefinisikanterlebih dahulu (berdasarkan indikatornya, dalam hal ini berdasarkan objeknya). Relasiyang ada dalam tabel biner pada formal context menunjukan hubungan/relasi antarakomoditi dan indikatornya.

Setiap formal konsep dari komoditas yang saling berhubungan membentuk satunode pada diagram lattice. Node pada diagram lattice menunjukan clustering. Didalamtiap node itu terdapat objek dan atribut, semua objek yang mempunyai atribut-atrbutyang sama akan saling mengumpul dalam satu node, sehingga keterhubungan antaraperubahan nilai komoditas dapat dilihat pada node tersebut.

Berikut ini adalah Lattices dari formal context yang telah dijelaskan sebelumnya:

Gambar 8. Lattice pada Komoditi 1

Node teratas dari lattice merupakan kumpulan semua objek dan node terbawahmerupakan kumpulan dari semua atribut. Semakin suatu node menurun, objeknya akansemakin berkurang (spesification) dan semakin node merangkak naik ke atas makaatributnya yang akan bertambah (generalization).

Node teratas terdiri dari ke 5 objek dan node paling bawah terdiri dari 24 atribut.Ke semua object dan atribut ini telah didefinisikan terlebih dahulu. Kalimat yang tertulisdengan warna biru menunjukan atribut sedangkan yang berwarna merah menunjukkanobjek. Node yang berada dibawah merupakan node yang objeknya merupakan bagiandari objek diatasnya.

Page 17: analisis perubahan kelompok berdasarkan perubahan nilai jual ...

17

Association RulesDari diagram lattice yang terbentuk, selanjutnya mengenerate association rule.

Association rule analysis adalah suatu prosedur dalam market basket analysis untukmencari hubungan antara item dalam suatu data set. Association rule meliputi dua tahapyaitu :1. Mencari kombinasi yang paling sering terjadi dari suatu itemset.2. Mendefinsikan Condition dan Result (untuk conditional association rule).Dalam association rule yang dihasilkan dari tiap - tiap diagram lattice, terdapat duaukuran kepercayaan (interestingness measure) yang digunakan dalam menentukan suatuassociation rule, yaitu :- Support: suatu ukuran yang menunjukkan seberapa besar tingkat dominasi suatu

item / itemset dari keseluruhan transaksi. Ukuran ini menentukan apakah suatu item /itemset layak untuk dicari confidence factor-nya.

Support (A →B[ s,c ]) = p(A B) = support({A,B})- Confidence: suatu ukuran yang menunjukkan hubungan antar 2 item secara

conditional (misal, seberapa sering item B terjadi perubahan jika terjadi jugaperubahan item A).

Confidence (A → B[ s,c ]) = p(B|A) = p(AB) / p(A)= support ({A,B}) / support({A})

Kedua ukuran ini diguna dalam menentukan interesting association rules, yaituuntuk dibandingkan dengan batasan (treshold) yang ditentukan oleh user. Batasantersebut pada penelitian ini menggunakan nilai confidence yang akan dianalisa adalahketergantungan nilai dari kelompok komoditi. Bila memenuhi batasan maka sebuah ruledapat disebut interesting rule.

Dengan tingkat confidence yang digunakan adalah 100%. Semua associationrule yang mempunyai confidence 100% disebut dengan fix rule, artinya keterhubunganantar tiap datanya pasti.

Keterhubungan yang terjadi bila suatu single atau kombinasi dari atribut tertentunaik maka ada beberapa atribut yang lain yang akan naik pula nilai jual danperubahannya, begitu pula sebaliknya, Dan pasangan item apa yang dapat menyebabkansuatu komoditi tersebut dapat naik. Untuk lebih jelas mengenai keterhubungan antaritem dapat dilihat pada lampiran. Dengan diketahuinya behaviour yang terjadi di pasar,maka para pelaku bisnis dapat memiliki informasi untuk menentukan langkah bisnisnya.Karena hal ini akan mempengaruhi rumah tangga perusahaan dan pasar.

Hasil akhir dari penelitian ini menggunakan Association rules yang dihasilkandari formal concept dan context lattice berjumlah 788 rules, dengan confidence 100%dan formal concept dari 4 periode waktu menghasilkan 24 rules.

Berikut ini merupakan contoh dari association rule viewer dari lattice miner darikomoditi 1.

Page 18: analisis perubahan kelompok berdasarkan perubahan nilai jual ...

18

Gambar 9. Association Rule Komoditi 1 dalam Lattice Miner

KESIMPULAN DAN SARAN

Perubahan nilai jual pada kelompok komoditi dalam pasar dunia, bagi parapelaku bisnis sangat berpengaruh dalam pengambilan keputusan untuk menentukanstrategi bisnis mereka. Karena hal ini akan mempengaruhi rumah tangga perusahaandan pasar. Bloomberg penyedia data, berita dan analitika untuk pasar keuangan yangmendunia terutama data nilai jual kelompok komoditi dunia yang bersifat terbuka dandiinformasi secara online serta uptodate. Dan data Bloomberg ini digunakan sebagaimedia informasi diberbagai kantor berita negara salah satunya kantor berita Antarasebagai kantor berita Indonesia.

Analisa dilakukan terhadap perubahan data nilai jual kelompok komoditi padabloomberg. Data yang digunakan berupa 4 periode waktu yang terjadi pada tanggal 27sampai dengan 29 Januari 2009. Alat yang digunakan untuk memvisualisasikanketerhubungan dengan jelas dan mudah adalah Lattice Miner. Lattice Miner adalahsalah satu tools dari formal concept analysis prototype untuk membuat,memvisualisasikan dan mengeksplor konsep Lattice. Laticce Miner memungkinkan digeneralisasinya formal concepts and association rules.

Dalam penulisan ini menggunakan tingkat confidence adalah 100%. Denganformal context mendefinisikan 6 objek dan 24 kelompok komoditi sebagai atribut. Hasildari penelitian ini menggunakan Association rules yang dihasilkan dari formal conceptdan context lattice berjumlah 788 rules, dengan confidence 100% dan formal conceptdari 4 periode waktu menghasilkan 24 rules.

Saat ini penelitian ini hanya menggunakan data Bloomberg Market yang terdiridari 4 waktu yang berbeda. Diharapkan periode data yang lebih lama (seperti dataBloomberg Market selama 1 tahun) dapat dianalisa untuk memastikan tingkatketerhubungan antar komoditi dari suatu data set (dalam hal ini pangsa pasar) secaralebih jelas dan pasti.

FCA dapat pula dapat diterapkan untuk menganalisa pasar dan manajemenseperti memprediksi target pasar, melihat pola pembelian dari waktu ke waktu, crossmarket analysis, profil customer, identifikasi kebutuhan customer, menilai loyalitascustomer, dan informasi summary. Selain itu bagi bidang analisa perusahaan danmanajemen resiko, dengan formal concept analysis digunakan untuk merencanakankeuangan dan evaluasi asset, merencanakan sumber daya (resources planning) danmemonitor persaingan (kompetisi) dan bidang lainnya.

Page 19: analisis perubahan kelompok berdasarkan perubahan nilai jual ...

19

DAFTAR PUSTAKA

[1] A Formal Concept Analysis Homepage: http://www.upriss.org.uk/fca/fca.html[2] Claudio Carpineto, Giovanni Romano, Concept data Analysis: theory andapplication, willy, 2004[3] Cole, R. and Eklund, P.W. Scalability in formal concept analysis., computationalintelligence, vol.15, no.1 Blackwell Publishers, USA, pp.11-27, 1999[4] cole, R.J., and Eklund, P. W.. Text retrieval for medical discharge summaries usingSNOMED and formal concept analysis. In Australian Document ComputingSymposium (ADCS), pp.50-58, 1996.[5] Jiawei Han and Micheline Kamber, Data Mining: Concepts and Techniques,Second Edition, Morgan Kaufmann, 2006.[6] Gerd Stumme, Efficient Data Mining Based on Formal Concept Analysis, 2002[7] Ganter, B. and Wille, R. Formal Concept Analysis: Mathematical[8] Lattice Miner, http://sourceforge.net/project/showfiles.php?group_id=203563[9] LARIM, http://larim.uqo.ca/index.html

Foundations , Springer, Berlin, Germany.1999[10] Uta Priss, Formal Concept Analysis in Information Science, 2004[11]R. Wille, "Formal Concept Analysis as Mathematical Theory Concepts and Concept

Hierarchies," in Formal Concept Analysis, Benhard Ganter et.al LNAI 3626 ed,2005, pp. 1-33.

[12] ToscanaJ project web site: http://toscanaj.sourceforge.net/[13] Valtchev, P., Grosser, D., Roume, C., and Hacene, M. R. GALICIA: an openplatform for lattices. In Using Conceptual Structures: Contributions to the 11thInternational Conference on Conceptual Structures (ICCS’03) (Dresde (DE)), Shaker-Verlag, pp. 241–254. http://www.iro.umontreal.ca/~galicia/