12

BAB II

TINJAUAN PUSTAKA

Bab ini menguraikan tentang teori-teori penunjang yang dipakai dalam

melakukan penelitian data mining dengan metode asosiasi menggunakan algoritma

apriori yang terdiri dari state of the art, pengertian data mining, aplikasi data mining,

tahapan data mining, metode asosiasi serta teori tentang algoritma apriori.

2.1 State of the Art

Penelitian ini didasarkan atas penelitian sebelumnya yang berhubungan

dengan pengembangan data mining dengan metode asosiasi menggunakan algoritma

apriori. Penelitian yang dilakukan R. Agrawal, et al pada tahun 1993 yang berjudul

“Mining Association Rules Between Sets of Items in Large Databases” adalah awal

mula dikembangkannya data mining dengan metode asosiasi menggunakan algoritma

apriori. Pada tahun 1994, R. Agrawal dan R. Srikant kembali melakukan penelitian

mengenai metode asosiasi dengan judul “Fast Algorithms for Mining Association

Rules”. Penelitian ini kemudian difokuskan untuk menyempurnakan algoritma apriori

yang sudah dikembangkan sebelumnya dan dari situlah algoritma apriori dikenal

sebagai salah satu algoritma untuk metode asosiasi. Penelitian tentang metode apriori

terus berkembang. Para peneliti terus mencoba untuk melakukan optimasi terhadap

12

13

metode apriori agar mendapatkan kinerja yang lebih cepat dan menemukan aturan

asosiasi terbaik.

Jogi Suresh dan T. Ramanjaneyulu (2013) melakukan penelitian dengan judul

“Mining Frequent Itemsets Using Apriori Algorithm”. Penelitian Suresh dan

Ramanjaneyulu menggunakan algoritma apriori klasik yang sudah dikembangkan

sebelumnya dan belum menggunakan teknik optimasi untuk memperoleh aturan

asosiasi yang lebih efisien.

Sheila A. Abaya pada tahun 2012 dalam penelitiannya yang berjudul

“Association Rule Mining based on Apriori Algorithm in Minimizing Candidate

Generation” melakukan improvisasi terhadap algoritma apriori. Improvisasi

dilakukan dengan cara menentukan “set size” dan “set size frequency”. Set size adalah

jumlah item per transaksi sedangkan set size frequency adalah jumlah transaksi yang

setidaknya memiliki “set size” item. Set size dan set size frequency ini digunakan

untuk mengeliminasi kandidat kunci yang tidak signifikan.

Jiao Yabing (2013) dalam penelitiannya dengan judul “Research of an

Improved Apriori Algorithm in Data mining Association Rules” melakukan optimasi

terhadap algoritma apriori yaitu dengan cara mengurangi atau memangkas (pruning)

jumlah calon kandidat frequent itemset pada kandidat itemset Ck.

Jaishree Singh, et al pada tahun (2013) melakukan penelitian dengan judul

“Improving Efficiency of Apriori Algorithm Using Transaction Reduction”.

14

Penelitian Singh, dkk ini melakukan improvisasi algoritma apriori dengan cara

mengurangi jumlah transaksi (transaction reduction) yang jumlah item

pertransaksinya tidak memenuhi nilai batas yang ditentukan. Pengurangan transaksi

tersebut berdampak pada efisiensi waktu yang lebih cepat saat scanning database.

Tabel 2.1 Penelitian yang Sudah Dilakukan Sebelumnya

No Peneliti Judul Penelitian Metode

1 R. Agrawal, et al

(1993)

Mining Association

Rules between Sets of

Items in Large

Databases

Menemukan frequent itemset

dengan metode asosiasi. Awal

mula algoritma apriori

2 R. Agrawal & R. Srikant (1994)

Fast Algorithm for

Mining Association

Rules

Menyempurnakan algoritma

apriori sebelumnya

3 Sheila A. Abaya

(2012)

Association Rule

Mining based on

Apriori Algorithm in

Minimizing

Candidate

Generation

Modifikasi algoritma apriori

dengan mereduksi kandidat kunci

dengan nilai set size dan set size

frequency

4 Jiao Yabing

(2013)

Research of an

Improved Apriori

Algorithm in Data

mining Association

Rules

Modifikasi dengan cara

memangkas (pruning) jumlah

calon kandidat frequent itemset

pada kandidat itemset Ck

5 Jaishree Singh, et

al (2013)

Improving Efficiency

of Apriori Algorithm

Using Transaction

Reduction

Modifikasi algoritma apriori

dengan cara mengurangi jumlah

transaksi yang jumlah item

pertransaksinya tidak memenuhi

nilai batas yang ditentukan

6 Jogi Suresh dan T. Ramanjaneyulu

(2013)

Mining Frequent

itemsets Using

Apriori Algorithm

Menggunakan algoritma apriori

klasik yang sudah dikembangkan

sebelumnya dan belum

menggunakan teknik optimasi

15

Inti dari semua penelitan-penelitian terdahulu mengenai optimasi terhadap

algoritma apriori yang tercantum dalam tabel diatas adalah membatasi calon kandidat

frequent itemset yang dimunculkan. Pembatasan tersebut dilakukan dengan cara

memangkas item, kombinasi dan transaksi serta pembatasan iterasi yang tidak

diinginkan sehingga tidak terjadi perulangan scanning database yang berlebihan,

dengan begitu akan menghasilkan aturan asosiasi secara tepat dan dalam waktu yang

lebih cepat.

2.2 Pengertian Data mining

Secara harfiah, data mining sebenarnya adalah kesalahan penamaan atau

penyebutan. Jika mengacu kepada kegiatan penambangan emas dari sekumpulan batu

atau pasir, aktivitas itu lebih disebut dengan penggalian emas daripada penggalian

batu atau pasir. Jadi data mining seharusnya lebih pantas atau lebih cocok disebut

dengan penggalian pengetahuan dari data yang ada (knowledge mining from data).

Tetapi penggalian pengetahuan (knowledge mining) mempunyai pengertian yang

dangkal yang mungkin tidak mencerminkan kegiatan penggalian dari data yang

berjumlah besar dengan menggunakan pola atau metode yang diterapkan. Mining

(penggalian) sendiri diartikan sebagai proses untuk menemukan sebagian kecil

sesuatu yang sangat berharga dari sekumpulan material yang besar.

16

Han dan Kamber (2006) dalam bukunya yang berjudul “Data mining

Concepts and Techniques” mengatakan, secara singkat data mining dapat diartikan

sebagai mengekstraksi atau menggali pengetahuan dari data yang berjumlah besar.

Sedangkan menurut Daniel T. Larose (2005) ada beberapa definisi dari Data mining

yang diambil dari beberapa sumber. Secara umum data mining dapat didefinisikan

sebagai berikut :

- Data mining adalah proses menemukan sesuatu yang bermakna dari suatu korelasi

baru, pola dan tren yang ada dengan cara memilah-milah data berukuran besar

yang disimpan dalam repositori, menggunakan teknologi pengenalan pola serta

teknik matematika dan statistik.

- Data mining adalah analisis pengamatan database untuk menemukan hubungan

yang tidak terduga dan untuk meringkas data dengan cara atau metode baru yang

dapat dimengerti dan bermanfaat kepada pemilik data.

- Data mining merupakan bidang ilmu interdisipliner yang menyatukan teknik

pembelajaran dari mesin (machine learning), pengenalan pola (pattern

recognition), statistik, database, dan visualisasi untuk mengatasi masalah

ekstraksi informasi dari basis data yang besar.

- Data mining diartikan sebagai suatu proses ekstraksi informasi berguna dan

potensial dari sekumpulan data yang terdapat secara implisit dalam suatu basis

data.

17

Analisa data mining berjalan pada data yang cenderung terus membesar dan

teknik terbaik yang digunakan kemudian beorientasi kepada data berukuran sangat

besar untuk mendapatkan kesimpulan dan keputusan paling layak. Data mining

memiliki beberapa sebutan atau nama lain yaitu : Knowledge discovery in databases

(KDD), ekstraksi pengetahuan (knowledge extraction), Analisa data/pola

(data/pattern analysis), kecerdasan bisnis (business intelligence), data archaeology

dan data dredging (Daniel T. Larose, 2005).

2.3 Tahapan Data mining

Han dan Kamber (2006) mengatakan, bahwa data mining mempunyai

pengertian yang sama dengan knowledge discovery from data atau KDD. Tahapan

yang dilakukan pada proses data mining sama dengan proses yang dilakukan pada

knowledge discovery. Tahapan dimulai dari seleksi data dari data sumber ke data

target, tahap preprocessing untuk memperbaiki kualitas data, transformasi, data

mining serta tahap interpretasi dan evaluasi yang menghasilkan output berupa

pengetahuan baru yang diharapkan memberikan kontribusi yang lebih baik.

18

Data

DataData

Data

Seleksi

Transformasi

Data Mining

Preproses

Target Data

Persiapan

Pemilihan Data

Transfromasi Data

Pola / Model

Interpretasi

dan Evaluasi

Pengetahuan

Gambar 2.1 Tahapan Data mining

Tahapan-tahapan yang terjadi pada proses data mining atau knowledge

discovery menurut Kenneth Collier (1998) dibagi menjadi 5 tahapan yaitu :

1. Seleksi Data

Tujuan dari fase ini adalah ekstraksi dari gudang data yang besar menjadi data

yang relevan dengan analisis data mining. Proses ekstraksi data membantu

untuk merampingkan dan mempercepat proses.

2. Data Preprocessing

Fase ini berkaitan dengan pembersihan data dan persiapan tugas yang

diperlukan untuk memastikan hasil yang benar. Menghilangkan missing value

19

dalam data, memastikan bahwa nilai-nilai kode memiliki arti seragam dan

memastikan bahwa tidak ada nilai data palsu adalah tindakan khas yang

terjadi selama fase ini.

3. Transformasi Data

Tahap ini mengubah data ke dalam bentuk atau format yang sesuai untuk

kebutuhan data mining. Proses normalisasi biasanya diperlukan dalam tahap

data transformas.

4. Data mining

Tujuan dari tahap data mining adalah untuk menganalisis database sesuai

algoritma yang digunakan sehingga menemukan pola atau aturan yang

bermakna serta menghasilkan model prediksi. Data mining adalah elemen inti

dari siklus KDD.

5. Interpretasi dan Evaluasi

Sementara algoritma data mining memiliki potensi untuk menghasilkan

jumlah yang tidak terbatas dari pola tersembunyi dalam data, banyak hasil

dari proses tersebut mungkin tidak bermakna atau berguna. Tahap akhir ini

bertujuan untuk memilih model-model yang valid dan berguna untuk

membuat keputusan bisnis masa depan.

20

Proses KDD secara garis besar memang terdiri dari 5 tahap seperti yang telah

dijelaskan sebelumnya. Akan tetapi, dalam proses KDD yang sesungguhnya, dapat

saja terjadi iterasi atau pengulangan pada tahap-tahap tertentu. Pada setiap tahap

dalam proses KDD, seorang analis dapat saja kembali ke tahap sebelumnya. Sebagai

contoh, pada saat coding atau data mining, analis menyadari proses cleaning belum

dilakukan dengan sempurna, atau mungkin saja analis menemukan data atau

informasi baru untuk memperkaya data yang sudah ada sehingga harus mengulang

proses sebelumnya.

2.4 Tugas Utama Data mining

Pada umumnya tugas utama data mining dibagi menjadi: deskripsi, prediksi,

estimasi, klasifikasi, clustering dan asosiasi (Daniel T. Larose 2005).

2.4.1 Deskripsi

Deskripsi bertujuan untuk mengidentifikasi pola yang muncul secara berulang

pada suatu data dan mengubah pola tersebut menjadi aturan dan kriteria yang dapat

mudah dimengerti oleh para ahli pada domain aplikasinya. Aturan yang dihasilkan

harus mudah dimengerti agar dapat dengan efektif meningkatkan tingkat pengetahuan

(knowledge) pada sistem. Tugas deskriptif merupakan tugas data mining yang sering

dibutuhkan pada teknik postprocessing untuk melakukan validasi dan menjelaskan

hasil dari proses data mining. Postprocessing merupakan proses yang digunakan

21

untuk memastikan hanya hasil yang valid dan berguna yang dapat digunakan oleh

pihak yang berkepentingan.

2.4.2 Prediksi

Prediksi memiliki kemiripan dengan klasifikasi, akan tetapi data

diklasifikasikan berdasarkan perilaku atau nilai yang diperkirakan pada masa yang

akan datang. Contoh dari tugas prediksi misalnya untuk memprediksikan adanya

pengurangan jumlah pelanggan dalam waktu dekat dan prediksi harga saham dalam

tiga bulan yang akan datang.

Beberapa metode dan teknik yang digunakan untuk klasifikasi dan estimasi

juga dapat digunakan untuk prediksi dalam kondisi yang tepat. Hal ini termasuk

metode statistik tradisional dari estimasi titik dan interval keyakinan estimasi, simple

linear regression dan korelasi (correlation), dan multiple regression, serta metode

data mining dan knowledge discovery seperti jaringan saraf, decision tree, dan

metode k-nearest neighbor.

2.4.3 Estimasi

Estimasi hampir sama dengan prediksi, kecuali variabel target estimasi lebih

ke arah numerik dari pada ke arah kategori. Model dibangun menggunakan record

lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi.

22

Selanjutnya, pada peninjauan berikutnya estimasi nilai dari variabel target dibuat

berdasarkan nilai variabel prediksi. Sebagai contoh, akan dilakukan estimasi tekanan

darah sistolik pada pasien rumah sakit berdasarkan umur pasien, jenis kelamin, berat

badan, dan level sodium darah. Hubungan antara tekanan darah sistolik dan nilai

variabel prediksi dalam proses pembelajaran akan menghasilkan model estimasi.

Model estimasi yang dihasilkan dapat digunakan untuk kasus baru lainnya.

Bidang analisis statistik memberikan beberapa metode estimasi yang bernilai dan

banyak digunakan. Hal Ini termasuk estimasi titik dan interval keyakinan estimasi,

simple linear regression dan korelasi (correlation), dan multiple regression.

2.4.4 Klasifikasi

Klasifikasi merupakan proses menemukan sebuah model atau fungsi yang

mendeskripsikan dan membedakan data ke dalam kelas-kelas. Klasifikasi melibatkan

proses pemeriksaan karakteristik dari objek dan memasukkan objek ke dalam salah

satu kelas yang sudah didefinisikan sebelumnya (Han dan Kamber, 2006).

Menurut Han dan Kamber (2006) secara umum, klasifikasi terdiri dari dua

tahap. Tahap pertama yaitu learning (proses belajar), merupakan sebuah model

dibuat untuk menggambarkan himpunan kelas atau konsep data yang telah ditentukan

sebelumnya. Model tersebut dibangun dengan menganalisa record-record pada basis

23

data yang digambarkan dalam bentuk atribut. Setiap record diasumsikan masuk ke

dalam suatu kelas yang telah ditentukan sebelumnya, yang dinamakan atribut kelas.

Model itu sendiri bisa berupa aturan IF-THEN, decision tree, formula matematis atau

neural network.

Namun terkadang klasifikasi perlu didasarkan pada prediksi yang berbeda,

membutuhkan plot banyak dimensi. Oleh karena itu, perlu dilakukan peralihan ke

model yang lebih canggih untuk melakukan tugas klasifikasi. Metode data mining

yang umum digunakan untuk klasifikasi adalah k-nearest neighbor, decision tree, dan

jaringan saraf (neural network).

2.4.5 Clustering

Clustering merupakan pengelompokan data tanpa berdasarkan kelas data

tertentu ke dalam kelas objek yang sama. Sebuah kluster adalah kumpulan record

yang memiliki kemiripan suatu dengan yang lainnya dan memiliki ketidakmiripan

dengan record dalam kluster lain. Tujuannya adalah untuk menghasilkan

pengelompokan objek yang mirip satu sama lain dalam kelompok-kelompok.

Semakin besar kemiripan objek dalam suatu cluster dan semakin besar perbedaan tiap

cluster maka kualitas analisis cluster semakin baik.

24

Clustering berbeda dengan klasifikasi yaitu tidak adanya variabel target dalam

pengelompokkan. Clustering tidak mencoba untuk melakukan klasifikasi,

mengestimasi, atau memprediksi nilai dari variabel target. Akan tetapi, algoritma

pengklusteran mencoba untuk melakukan pembagian terhadap keseluruhan data

menjadi kelompok-kelompok yang memiliki kemiripan (homogen), yang mana

kemiripan dengan record dalam kelompok lain akan bernilai minimal.

Clustering sering dilakukan sebagai langkah awal dalam proses data mining,

dengan kluster yang dihasilkan digunakan sebagai masukan lebih lanjut ke hilir

teknik yang berbeda, seperti neural network. Beberapa metode clustering adalah k-

means clustering dan Kohonen networks.

2.4.6 Asosiasi

Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul

dalam suatu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang

belanja (market basket analisys). Tugas asosiasi berusaha untuk mengungkap aturan

untuk mengukur hubungan antara dua atau lebih atribut.

Aturan asosiasi adalah bentuk "Jika pendahuluan, maka konsekuen," (If

antecedent, then consequent) dengan ukuran dukungan dan kepercayaan yang

berhubungan dengan aturan. Sebagai contoh, supermarket tertentu mungkin

25

menemukan bahwa dari 1000 pelanggan yang berbelanja pada Kamis malam, 200

membeli popok dan 50 membeli bir. Dengan demikian, aturan asosiasi menjadi "Jika

membeli popok, kemudian membeli bir" dengan dukungan 200/1000 = 20% dan

kepercayaan 50/200 = 25%.

Contoh asosiasi dalam bisnis dan penelitian adalah:

a. Meneliti jumlah pelanggan dari perusahaan telekomunikasi seluler yang

diharapkan untuk memberikan respon positif terhadap penawaran upgrade

layanan yang diberikan.

b. Menemukan barang dalam supermarket yang dibeli secara bersamaan dan

barang yang tidak pernah dibeli bersamaan.

2.5 Aplikasi Data mining

Sebagai cabang ilmu baru di bidang sistem informasi cukup banyak penerapan

yang dapat dilakukan oleh data mining. Apalagi ditunjang kekayaan dan

keanekaragaman berbagai bidang ilmu (artificial intelligence, database, statistik,

pemodelan matematika, pengolahan citra dsb.) membuat penerapan data mining

menjadi makin luas. Salah satu penerapan proses data mining adalah pada Costumer

Relationship Management (CRM). Data mining dapat menggali informasi baru yang

26

berhubungan dengan manajemen pelanggan pada suatu proses transaksi. Informasi

tersebut nantinya dapat digunakan untuk meningkatkan pelanggan.

2.5.1 Penerapan Data mining pada CRM

Pelanggan (Customer) adalah aset paling penting dari suatu perusahaan. Tidak

akan terjadi prospek bisnis jika tanpa adanya pelanggan yang merasa puas dan tetap

setia menjalin hubungan dengan suatu organisasi. Itulah mengapa suatu organisasi

harus merencanakan dan menerapkan strategi yang jelas untuk memperlakukan

pelanggan. CRM (Customer Relationship Management) adalah strategi untuk

membangun, mengelola, dan memperkuat hubungan pelanggan yang setia dan

bertahan lama. CRM harus dilakukan dengan pendekatan Customer-centric

berdasarkan wawasan pelanggan (Tsiptsis dan Chorianopoulos 2009).

Sistem CRM merupakan alat yang digunakan untuk mendukung strategi

efektif mengelola pelanggan. Untuk melakukan sistem CRM tersebut organisasi perlu

mendapatkan informasi tentang pelanggan, seperti kebutuhan dan keinginan mereka

melalui analisis data. Di sinilah data mining dapat membantu dalam retensi

pelanggan karena memungkinkan identifikasi tepat waktu terhadap pelanggan yang

dianggap berharga (setia) dengan kemungkinan pelanggan yang akan pergi. Hal ini

dapat mendukung pengembangan pelanggan dengan mencocokkan produk dengan

27

pelanggan dan penargetan yang lebih baik dari kampanye promosi produk. Hal ini

juga dapat membantu untuk mengungkapkan segmen pelanggan yang berbeda,

memfasilitasi pengembangan produk baru disesuaikan dan penawaran produk yang

lebih baik mengatasi preferensi khusus dan prioritas dari pelanggan.

Menurut Tsiptsis dan Chorianopoulos (2009) data mining bertujuan untuk

mengekstrak pengetahuan dan wawasan melalui analisis data dalam jumlah besar

dengan menggunakan teknik pemodelan yang canggih. Data mining mengubah data

menjadi pengetahuan dan informasi yang ditindaklanjuti. Data yang akan dianalisis

mungkin berada dan terorganisir dalam data pasar dan gudang data atau dapat

diekstraksi dari berbagai sumber data terstruktur. Sebuah prosedur data mining

memiliki banyak tahapan. Prosedur ini biasanya melibatkan manajemen data yang

luas sebelum dilakukan penerapan algoritma pembelajaran statistik dan

pengembangan model yang tepat.

2.5.2 Data mining dalam Kerangka CRM

Data mining dapat memberikan wawasan pelanggan yang sangat penting

untuk membangun strategi CRM yang efektif. Hal ini dapat menyebabkan interaksi

personal dengan pelanggan, maka kepuasan meningkat. Hal ini dapat mendukung

manajemen terhadap pelanggan serta dioptimalkan pada seluruh tahapan siklus hidup

dari pelanggan tersebut, baik dari akuisisi dan pembentukan hubungan yang kuat

28

sehingga dapat mencegah pengurangan pelanggan atau kembali memenangkan

pelanggan yang telah hilang. Retailer berusaha untuk mendapatkan pangsa pasar

yang lebih besar dan pelanggan yang lebih besar dari target yang mereka tetapkan.

Lebih khusus, kegiatan pemasaran yang dapat didukung dengan penggunaan data

mining meliputi topik-topik berikut (Tsiptsis dan Chorianopoulos, 2009).

1. Segmentasi Pelanggan

Segmentasi pelanggan adalah proses membagi basis pelanggan ke dalam

kelompok-kelompok yang berbeda dan homogen dalam rangka untuk

mengembangkan strategi pemasaran yang berbeda sesuai dengan karakteristik

pelanggan. Ada beberapa jenis segmentasi yang berbeda yaitu berdasarkan

kriteria tertentu atau atribut yang digunakan untuk segmentasi. Dalam

segmentasi perilaku, pelanggan dikelompokkan berdasarkan karakteristik

perilaku dan penggunaan. Algoritma clustering dapat digunakan untuk

menganalisis data perilaku serta mengidentifikasi kelompok alami dari

pelanggan, dan menyarankan solusi yang didasarkan pada pola data yang

diamati. Data mining juga dapat digunakan untuk pengembangan skema

segmentasi berdasarkan situasi saat ini yang diharapkan atau perkiraan dari

nilai pelanggan. Segmen ini diperlukan dalam rangka untuk memprioritaskan

penanganan pelanggan dan intervensi pemasaran sesuai dengan pentingnya

setiap pelanggan.

29

2. Segmentasi Kampanye Pemasaran Langsung

Retailer menggunakan kampanye pemasaran langsung untuk melakukan

komunikasi dengan pelanggan mereka melalui surat, internet, e-mail, telepon,

dan saluran langsung lainnya. Hal ini dilakukan untuk mendorong akuisisi

pelanggan dan pembelian produk lainnya pada retailer tersebut. Lebih khusus

lagi, kampanye akuisisi bertujuan menarik pelanggan baru yang memiliki

potensi yang besar terhadap produk. Kampanye Cross-/deep-/up-selling

diterapkan untuk menjual produk tambahan, bisa lebih baik dari produk yang

sebelumnya, atau produk alternatif yang menguntungkan kepada pelanggan

yang ada. Akhirnya, kampanye bertujuan untuk mencegah retensi pelanggan

berharga dari mengakhiri hubungan mereka dengan retailer.

Data mining dan klasifikasi (kecenderungan) model pada khususnya dapat

mendukung pengembangan kampanye pemasaran bertarget. Mereka

menganalisis karakteristik pelanggan dan mengenali profil dari target

pelanggan. Kasus baru dengan profil serupa kemudian diidentifikasi, diberi

skor kecenderungan yang tinggi, dan termasuk dalam daftar target. Model

klasifikasi digunakan untuk mengoptimalkan kampanye pemasaran dapat

dijelaskan sebagai berikut:

30

a. Model Akuisisi: model ini digunakan untuk mengenali calon pelanggan

yang berpotensi menguntungkan dengan mencari “clones” dari pelanggan

yang sudah ada dalam daftar kontak eksternal,

b. Model Cross-/deep-/up-selling: model digunakan untuk mengungkapkan

potensi pembelian dari pelanggan yang sudah ada.

c. Model Pengurangan Sukarela (Voluntary attrition): model ini digunakan

untuk mengidentifikasi awal pelanggan dan melihat para pelanggan

tersebut dengan kemungkinan peningkatan untuk meninggalkan suatu

organisasi secara sukarela.

3. Segementasi Market Basket dan Sequence Analysis

Data mining dan model asosiasi pada khususnya dapat digunakan untuk

mengidentifikasi produk-produk terkait yang biasanya dibeli bersama-sama.

Model ini dapat digunakan untuk analisis market basket dan untuk

mengungkapkan jenis produk atau jasa yang dapat dijual bersama-sama

dengan produk yang dibeli oleh pelanggan. Model urutan (Sequence Analysis)

dilakukan dengan memperhitungkan urutan tindakan atau pembelian dari

pelanggan serta dapat mengidentifikasi urutan peristiwa yang akan terjadi.

31

2.6 Metode Asosiasi

Analisis asosiasi adalah teknik data mining untuk menemukan hubungan

menarik antara suatu kombinasi item yang tersembunyi dalam suatu database.

Hubungan ini dapat direpresentasikan dalam suatu bentuk aturan asosiasi (Tan,

Steinbach, Kumar, 2004). Analisis asosiasi akan berusaha mengungkap asosiasi

antara atribut, yaitu berusaha untuk mengungkap aturan untuk mengukur hubungan

antara dua atau lebih atribut. Secara umum aturan asosiasi mempunyai bentuk :

𝑰𝑭 𝒂𝒏𝒕𝒆𝒄𝒆𝒅𝒆𝒏𝒕 𝑻𝑯𝑬𝑵 𝒄𝒐𝒏𝒔𝒆𝒒𝒖𝒆𝒏𝒕

Kekuatan hubungan suatu aturan asosiatif dapat diukur dengan dua

parameter yaitu support dan confidence. Support (nilai penunjang) adalah persentase

kombinasi item tersebut dalam database dan confidence (nilai kepastian) yaitu

kuatnya hubungan antar item dalam aturan asosiatif.

Metode analisis asosiasi, juga dikenal sebagai market basket analysis, yaitu

analisis yang sering dipakai untuk menganalisa isi keranjang belanja konsumen dalam

suatu pasar swalayan. Contoh penerapan dari aturan asosiatif adalah analisa

pembelian produk pada sebuah toko alat tulis, pada analisa itu misalkan dapat

diketahui berapa besar kemungkinan seorang pelanggan membeli pensil bersamaan

dengan membeli penghapus. Penerapan aturan asosiasi dalam kasus tersebut dapat

membantu pemilik toko untuk dipakai sebagai pendukung keputusan dalam penjualan

32

seperti mengatur penempatan barang, mengatur persediaan atau membuat promosi

pemasaran dengan menerapkan diskon untuk kombinasi barang tertentu.

Analisis asosiasi didefinisikan sebagai suatu proses untuk menemukan

semua aturan asosiasi yang memenuhi syarat minimum untuk support (minimum

support) dan syarat minimum untuk confidence (minimum confidence). Dasar analisis

asosiasi terbagi menjadi dua tahap, yaitu:

1. Analisa pola frekuensi tinggi, pada tahap ini dicari kombinasi item yang

memenuhi syarat minimum dari nilai support dalam database. Nilai support

sebuah item diperoleh dengan rumus berikut :

𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴) =𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑢𝑛𝑡𝑢𝑘 𝐴

𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 ............................... (2.1)

Keterangan :

- Support A adalah nilai penunjang persentase kombinasi item A dalam

database.

- Jumlah transaksi untuk A adalah kemunculan item A dalam keseluruhan

transaksi.

- Total transaksi adalah jumlah total transaksi yang ada dalam database.

Sedangkan nilai support dari 2 item diperoleh dari rumus berikut :

33

𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴, 𝐵) = 𝑃 (𝐴 ∩ 𝐵)

.......................... (2.2)

𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴, 𝐵) =∑ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑢𝑛𝑡𝑢𝑘 𝐴 𝑑𝑎𝑛 𝐵

∑ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖

Keterangan :

- Support A,B adalah nilai penunjang (persentase) kombinasi dari dua item

yaitu item A dan item B dalam database.

- Ʃ transaksi untuk A dan B adalah jumlah kemunculan kombinasi item A dan B

dalam keseluruhan transaksi.

- Ʃ transaksi adalah jumlah total transaksi yang ada dalam database.

2. Pembentukan aturan Asosiasi, setelah semua pola frekuensi tinggi ditemukan,

barulah dicari aturan asosiasi yang memenuhi syarat minimum untuk confidence

dengan menghitung nilai confidence aturan assosiatif A B.

Nilai confidence dari aturan A B diperoleh dari rumus sebagai berikut:

𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 = 𝑃(𝐵|𝐴) =∑ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑢𝑛𝑡𝑢𝑘 𝐴 𝑑𝑎𝑛 𝐵

∑ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑢𝑛𝑡𝑢𝑘 𝐴 ............. (2.3)

Keterangan :

- Confidence P(A|B) adalah nilai kepastian kuatnya hubungan antar item A dan

item B dalam aturan asosiatif atau berapa kali item A muncul bersamaan

dengan item B.

34

- Ʃ transaksi untuk A dan B adalah jumlah kemunculan kombinasi item A dan B

dalam keseluruhan transaksi.

- Ʃ transaksi untuk A adalah jumlah total transaksi item A dalam keseluruhan

transaksi.

2.7 Algoritma Apriori

Algoritma apriori termasuk jenis aturan asosiasi pada data mining yang

dikembangkan pertama kali oleh R. Agrawal dan R. Srikant pada tahun 1994.

Algoritma ini didasarkan pada fakta bahwa apriori menggunakan pengetahuan

sebelumnya dari suatu itemset dengan frekuensi kemunculan yang sering atau disebut

frequent itemset. Apriori menggunakan pendekatan iteratif dimana k-itemset

digunakan untuk mengeksplorasi (k+1)-itemset berikutnya (Han&Kamber, 2006).

Prinsip metode apriori adalah jika suatu itemset sering muncul (frequent), maka

semua subset dari itemset tersebut juga harus sering muncul dalam suatu database

(Tan, Steinbach, Kumar, 2004).

Pada algoritma ini calon (k+1)-itemset dihasilkan oleh penggabungan dua

itemset pada domain / ukuran k. Calon (k+1)-itemset yang mengandung frekuensi

subset yang jarang muncul atau dibawah threshold akan dipangkas dan tidak dipakai

dalam menentukan aturan asosiasi (Tan, Steinbach, Kumar, 2004). Sesuai dengan

aturan asosiasi, algoritma apriori juga menggunakan minimum support dan minimum

35

confidence untuk menentukan aturan itemset mana yang sesuai untuk digunakan

dalam pengambilan keputusan.

1-itemset digunakan untuk menemukan 2-itemset yaitu kombinasi item yang

berjumlah 2, contohnya if buy pensil then buy penghapus, 2-itemset digunakan untuk

menemukan 3-itemset yaitu kombinasi item yang berjumlah 3, contohnya if buy

pensil and buy pulpen then buy penghapus dan seterusnya sampai tidak ada lagi

frequent k-itemset yang bisa ditemukan (Han&Kamber, 2006).

2.7.1 Struktur Kombinasi

Struktur dari itemset disini adalah mengikuti suatu bentuk dari kombinasi.

Pengertian kombinasi adalah menggabungkan beberapa objek dari suatu grup tanpa

memperhatikan urutan (Wikipedia, 2016). Di dalam kombinasi, urutan objek tidak

diperhatikan sebagai contoh dimana {1,2,3} adalah sama dengan {2,3,1} dan

{3,1,2}.

Kombinasi dapat dibagi menjadi dua yaitu kombinasi dengan pengulangan

dan kombinasi tanpa pengulangan. Kombinasi tanpa pengulangan ketika urutan tidak

diperhatikan akan tetapi setiap objek yang ada hanya bisa dipilih sekali maka jumlah

kombinasi yang ada adalah:

𝑛!

𝑟!(𝑛−𝑟)!= (𝑛

𝑟) ............................... (2.4)

36

Dimana n adalah jumlah objek yang bisa dipilih dan r adalah jumlah yang

harus dipilih. Sebagai contoh, terdapat 5 pensil warna dengan warna yang berbeda

yaitu; merah, kuning, hijau, biru dan ungu. Pensil warna tersebut hanya boleh dipilih

dua warna. Banyak cara untuk mengkombinasikan pensil warna yang ada dengan

menggunakan rumus di atas adalah 5!/(5-2)!(2)! = 10 kombinasi.

Kombinasi dengan pengulangan jika urutan tidak diperhatikan dan objek bisa

dipilih lebih dari sekali, maka jumlah kombinasi yang ada adalah ditunjukkan pada

rumus berikut :

(𝑛+𝑟−1)!

𝑟!(𝑛−1)!= (𝑛+𝑟−1

𝑟) = (𝑛+𝑟−1

𝑛−1) ............................... (2.5)

Di mana n adalah jumlah objek yang bisa dipilih dan r adalah jumlah yang

harus dipilih. Sebagai contoh adalah terdapat 10 jenis kue donat berbeda pada suatu

toko donat. Kombinasi yang dihasilkan jika ingin untuk membeli tiga buah donat

adalah (10+3-1)!/3!(10-1)! = 220 kombinasi.

Kombinasi yang digunakan dalam algoritma apriori pada penelitian ini adalah

kombinasi tanpa pengulangan. Urutan item dalam kombinasi yang dibentuk tidak

diperhatikan akan tetapi setiap item yang ada hanya boleh digunakan sekali dalam

satu kombinasi atau itemset.

37

2.7.2 Perhitungan Waktu Iterasi

Algoritma apriori melakukan scaning database berulang kali untuk

menemukan frequent itemset dalam membentuk aturan asosiasi. Waktu iterasi yang

ditempuh algoritma dapat dihitung dari waktu berakhirnya algoritma sampai

mendapatkan aturan asosiasi dikurangi dengan waktu awal algoritma dijalankan

sesuai dengan rumus berikut.

𝑡_𝑙𝑎𝑚𝑎 = 𝑡_𝑎𝑘ℎ𝑖𝑟 − 𝑡_𝑎𝑤𝑎𝑙 ............. (2.6)

Dimana

t_awal = mencatat waktu awal mulainya proses iterasi.

t_akhir = mencatat waktu berakhirnya proses iterasi.