Manajemen

DATAAdamMukharil Bachtiar, M.T.

Data Mining Association Rule

Pemahaman Awal Data Mining

apa itu Data Mining?

Ekstraksi pengetahuan yang menarik dalam bentuk rule, regularities, pola, constraint, dan lain-lain dari data yang

tersimpan dalam sejumlah besar basis data

Gambaran Umum Data Mining

Data mining atau dikenal juga sebagai KDD (Knowledge Discovery in Databases) menggunakan data historical untukmengekstraksi pengetahuan

Bagaimana proses untukmelakukan Data Mining?

Fungsional data mining adadua, yaitu fungsi predictive dan fungsi descriptive

Fungsi Predictive

Memprediksi nilai suatu atribut berdasarkan atribut-atribut lainnya

Fungsi Descriptive

Memperoleh pola yang merangkum relasi pokok pada data yang digunakan

What is Know Your Customer (KYC)(https://www.youtube.com/watch?v=vLeC6khWzpM)

Business Analytics: Data Trends Let Businesses Spot New Opportunities

(https://www.youtube.com/watch?v=HbHTvqZE3D8)

Metode data mining adatiga, yaitu Association Rule, Classification, dan Clustering

Dalam bab ini akan dijelaskandata mining menggunakanmetode Association Rule

Penjelasan Association Rule

Metode Association Rule sering juga disebut sebagaiMarket Basket Analysis

Association Rule digunakanuntuk mengekstraksiketerhubungan asosiatif ataukorelasi yang menarik antar item

Gambaran Hubungan Asosiatif Antar Item

if then

Sebagai contoh:

if antecedent then consequent

Artinya:1.Adahubunganasosiatifantararotidenganselai.2.Jikaseseorangmembelirotimakadiaberkemungkinan jugasebesarn%untukmembeliselaidalamsatupembelian

Ada dua parameter yang perludiketahui pada metodeAssociation Rule, yaitu nilaisupport dan nilai confidence

Nilai support:Rasio antara jumlah transaksi yang memuat antecedent dan consequent terhadap jumlah transaksi

Nilai confidence:Rasio antara jumlah transaksi yang memuat antecedent dan consequent terhadap jumlah transaksi yang meliputisemua item dalam antecedent

IF A THEN B,CSupport = 0.5 (50%)Confidence = 1 (100%)

IF B THEN CSupport = 1 (100%)Confidence = 1 (100%)

IF B THEN C,ASupport = 0.5 (50%)Confidence = 0.5 (50%)

Cara menghitung nilai support dan confidence

Terdapat dua transaksi yang terjadi:

Terdapat beberapa algoritmayang bisa digunakan untukassociation rule di antaranyaalgoritma apriori dan FP-Growth

Section 1:Algoritma Apriori

Ide dasar:Mengembangkan frequent itemset danmemangkas item yang tingkatfrekuensinya di bawah minimum support (Support >= Minimal Support)

Pseudocode algoritma apriori

Bagaimana cara kerjanya?

Contoh Kasus Algoritma Apriori

Terdapat 9 transaksi yang terjadi:

Langkah 1:Tentukan nilai minimum support danminimum confidence

Minimum support:Menyatakan nilai minimum kemunculan itemset padasuatu kumpulan transaksi

Minimum confidence:Menyatakan nilai minimum kepercayaan terhadap rule yang dihasilkan

Dalam kasus ini, ditentukannilai minimum support = 2 (22%) dan minimum confidence = 70%

Langkah 2:Generate frequent pattern 1-itemset

Pada iterasi pertama ini, semua itemset memenuhi aturan minimum supportnyasehingga semua item menjadi kandidat.

Langkah 3:Generate frequent pattern 2-itemset

1. C2 adalah hasil dari L1 join L12. L2 adalah itemset C2 yang memenuhi aturan minimum support

L1

Langkah 4:Generate frequent pattern 3-itemset. Lakukan untuk n-itemset apabila masihmungkin terbentuk itemset.

1. Algoritma apriori mulai berjalan di langkah ini

2. Join step: {{I1, I2, I3}, {I1, I2, I5}, {I1, I3, I5}, {I2, I3, I4}, {I2, I3, I5}, {I2, I4, I5}}

3. {I1, I3, I5}, {I2, I3, I4}, {I2, I3, I5}, {I2, I4, I5} tidak dijadikan itemset karena ada

subset dari set tersebut yang tidak memenuhi minimum support (prune)

Langkah 5:Bentuk Association Rule dari frequent itemset yang sudah dibentuk. Rule yang nilai confidencenya lebih dari minimum confidence akan digunakan (Strong Association Rule).

Itemset terpilih:{{I1}, {I2}, {I3}, {I4}, {I5}, {I1,I2}, {I1,I3}, {I1,I5}, {I2,I3}, {I2,I4}, {I2,I5}, {I1,I2,I3}, {I1,I2,I5}}

Sebagai contoh dipilih{I1,I2,I5} untuk mencariStrong Association Rule

{I1,I2,I5} à Subset = {{I1,I2}, {I1,I5}, {I2,I5}, {I1}, {I2}, {I5}} Minimum confidence: 70%

• IF {I1,I2} THEN {I5} Confidence: sc{I1,I2,I5}/sc {I1,I2} = 2/4 = 50% (Rule Rejected!)

• IF {I1,I5} THEN {I2} Confidence: sc{I1,I2,I5}/sc {I1,I5} = 2/2 = 100%(Rule Selected!)

• IF {I2,I5} THEN {I1} Confidence: sc{I1,I2,I5}/sc {I2,I5} = 2/2 = 100% (Rule Selected!)

• IF {I1} THEN {I2,I5} Confidence: sc{I1,I2,I5}/sc {I1} = 2/6 = 33% (Rule Rejected!)

• IF {I2} THEN {I1,I5} Confidence: sc{I1,I2,I5}/sc {I2} = 2/7 = 29% (Rule Rejected!)

• IF {I5} THEN {I1,I2} Confidence: sc{I1,I2,I5}/sc {I5} = 2/2 = 100% (Rule Selected!)

Setelah Strong Association Rule terbentuk maka langkahselanjutnya adalahmerepresentasikan pengetahuan

Bentuk representasipengetahuan didasarkanpada tujuan data mining yang dideskripsikan berdasarkankebutuhan pengguna

Representasi pengetahuan

No. Strong Association Rule Representasi Pengetahuan

1 if {I1,I2} then {I5} Item I1, I2, dan I5 harus ditempatkan pada rak yang berdekatan/pada satu lorong rak

2 if {I3} then {I1,I2} Item I3, I1, dan I2 harus ditempatkan pada rak yang berdekatan/pada satu lorong rak

.. .. ..

Misalkan tujuan data mining adalah penempatan item yang memiliki hubungan asosiatif harus ditempatkan berdekatan agar keuntungan lebih optimal

Section 2:Algoritma FP-Growth

Ide dasar:Mengembangkan FP-Tree danConditional FP-Tree sebagai penggantiFrequent Itemset

Bagaimana cara kerjanya?

Langkah 1:Tentukan nilai minimum support danminimum confidence

Dalam kasus ini, ditentukannilai minimum support = 2 (22%) dan minimum confidence = 70%

Langkah 2:Generate frequent pattern 1-itemset seperti yang dilakukan pada algoritmaapriori

Langkah 3:Urutkan tabel transaksi berdasarkanfrequent 1-itemset yang sudah diurutkansupport count-nya secara descending

Apabila ada dua item atau lebih yang memiliki support count yang sama maka urutan didasarkanpada item mana yang ada di transaksi yang lebih awal muncul (T1 terjadi lebih dahulu dibanding T2)

Sort menurut support count (Descending):𝐿 = { 𝐼2: 7 , 𝐼1: 6 , 𝐼3: 6 , 𝐼4: 2 , 𝐼5: 2 }

TID List of Items

T1 I2, I1, I5

T2 I2, I4

T3 I2, I3

T4 I2, I1, I4

T5 I1, I3

T6 I2, I3

T7 I1, I3

T8 I2, I1, I3, I5

T9 I2, I1, I3

Langkah 4:Bentuk FP-Tree sesuai algoritma FP-Tree

null akan menjadi root dan child dari root dipilih berdasarkan scan List of Items

TID List of Items

T1 I2, I1, I5

T2 I2, I4

T3 I2, I3

T4 I2, I1, I4

T5 I1, I3

T6 I2, I3

T7 I1, I3

T8 I2, I1, I3, I5

T9 I2, I1, I3

null

I2:1

I1:1

I5:1

TID List of Items

T1 I2, I1, I5

T2 I2, I4

T3 I2, I3

T4 I2, I1, I4

T5 I1, I3

T6 I2, I3

T7 I1, I3

T8 I2, I1, I3, I5

T9 I2, I1, I3

null

I2:2

I1:1

I5:1

I4:1

TID List of Items

T1 I2, I1, I5

T2 I2, I4

T3 I2, I3

T4 I2, I1, I4

T5 I1, I3

T6 I2, I3

T7 I1, I3

T8 I2, I1, I3, I5

T9 I2, I1, I3

null

I2:3

I1:1

I5:1

I4:1 I3:1

TID List of Items

T1 I2, I1, I5

T2 I2, I4

T3 I2, I3

T4 I2, I1, I4

T5 I1, I3

T6 I2, I3

T7 I1, I3

T8 I2, I1, I3, I5

T9 I2, I1, I3

null

I2:4

I1:2

I5:1

I4:1 I3:1

I4:1

TID List of Items

T1 I2, I1, I5

T2 I2, I4

T3 I2, I3

T4 I2, I1, I4

T5 I1, I3

T6 I2, I3

T7 I1, I3

T8 I2, I1, I3, I5

T9 I2, I1, I3

null

I2:4

I1:2

I5:1

I4:1 I3:1

I4:1

I1:1

I3:1

TID List of Items

T1 I2, I1, I5

T2 I2, I4

T3 I2, I3

T4 I2, I1, I4

T5 I1, I3

T6 I2, I3

T7 I1, I3

T8 I2, I1, I3, I5

T9 I2, I1, I3

null

I2:5

I1:2

I5:1

I4:1 I3:2

I4:1

I1:1

I3:1

TID List of Items

T1 I2, I1, I5

T2 I2, I4

T3 I2, I3

T4 I2, I1, I4

T5 I1, I3

T6 I2, I3

T7 I1, I3

T8 I2, I1, I3, I5

T9 I2, I1, I3

null

I2:5

I1:2

I5:1

I4:1 I3:2

I4:1

I1:2

I3:2

TID List of Items

T1 I2, I1, I5

T2 I2, I4

T3 I2, I3

T4 I2, I1, I4

T5 I1, I3

T6 I2, I3

T7 I1, I3

T8 I2, I1, I3, I5

T9 I2, I1, I3

null

I2:6

I1:3

I5:1

I4:1 I3:2

I4:1

I1:2

I3:2

I3:1

I5:1

TID List of Items

T1 I2, I1, I5

T2 I2, I4

T3 I2, I3

T4 I2, I1, I4

T5 I1, I3

T6 I2, I3

T7 I1, I3

T8 I2, I1, I3, I5

T9 I2, I1, I3

null

I2:7

I1:4

I5:1

I4:1 I3:2

I4:1

I1:2

I3:2

I3:2

I5:1

Untuk membantu penelusuranFP-Tree digunakan nodelink

null

I2:7

I1:4

I5:1

I4:1 I3:2

I4:1

I1:2

I3:2

I3:2

I5:1

Ilustrasi FP-Tree tanpa node-link Ilustrasi FP-Tree dengan node-link

Langkah 5:Bentuk Conditional Pattern Base dimulaidari item dengan support count terendahke item dengan support count tertinggi

Item Conditional Pattern Base

I5 {I2, I1:1}, {I2, I1, I3:1}

I4

I3

I1

null

I2:7

I1:4

I5:1

I4:1 I3:2

I4:1

I1:2

I3:2

I3:2

I5:1

I2 tidak diikutsertakan karena prefixnya adalah null (root)

Item Conditional Pattern Base

I5 {I2, I1:1}, {I2, I1, I3:1}

I4 {I2, I1:1}, {I2:1}

I3

I1

null

I2:7

I1:4

I5:1

I4:1 I3:2

I4:1

I1:2

I3:2

I3:2

I5:1

Item Conditional Pattern Base

I5 {I2, I1:1}, {I2, I1, I3:1}

I4 {I2, I1:1}, {I2:1}

I3 {I2, I1, I3:2}, {I2:2}, {I1:2}

I1 {I2:4}

null

I2:7

I1:4

I5:1

I4:1 I3:2

I4:1

I1:2

I3:2

I3:2

I5:1

Item Conditional Pattern Base

I5 {I2, I1:1}, {I2, I1, I3:1}

I4 {I2, I1:1}, {I2:1}

I3 {I2, I1:2}, {I2:2}, {I1:2}

I1

null

I2:7

I1:4

I5:1

I4:1 I3:2

I4:1

I1:2

I3:2

I3:2

I5:1

Langkah 6:Bentuk Conditional FP-Tree dimulai dariitem dengan support count terendah keitem dengan support count tertinggi(gunakan konsep minimum support)

null

I2:7

I1:4

I5:1

I4:1 I3:2

I4:1

I1:2

I3:2

I3:2

I5:1

null

I2:2

I1:2

I5:1 I3:1

I5:1

Tahap 1: Conditional FP-Tree untuk I5 = {I2:2, I1:2}

Tidak memenuhi minimum support

null

I2:7

I1:4

I5:1

I4:1 I3:2

I4:1

I1:2

I3:2

I3:2

I5:1

Tahap 2: Conditional FP-Tree untuk I4 = {I2:2}

null

I2:2

I1:1 I4:1

I4:1

null

I2:7

I1:4

I5:1

I4:1 I3:2

I4:1

I1:2

I3:2

I3:2

I5:1

Tahap 3: Conditional FP-Tree untuk I3 = {I2:4, I1:2}, {I1:2}

null

I2:4

I1:2 I3:2

I1:2

I3:2

I3:2

null

I2:7

I1:4

I5:1

I4:1 I3:2

I4:1

I1:2

I3:2

I3:2

I5:1

Tahap 4: Conditional FP-Tree untuk I1 = {I2:4}

null

I2:4

I1:4

Item Conditional Pattern Base Conditional FP-Tree

I5 {I2, I1:1}, {I2, I1, I3:1} {I2:2, I1:2}

I4 {I2, I1:1}, {I2:1} {I2:2}

I3 {I2, I1, I3:2}, {I2:2}, {I1:2} {I2:4, I1:2}, {I1:2}

I1 {I2:4} {I2:4}

Langkah 7:Bentuk Frequent Patterns dengan caramenjoinkan set dan subset conditional FP-Tree dengan item

ItemConditionalPattern Base

ConditionalFP-Tree

Frequent Patterns Generated

I5 {I2, I1:1}, {I2, I1, I3:1} {I2:2, I1:2} {I2, I5:2}, {I1, I5:2}, {I2, I1, I5:2}

I4 {I2, I1:1}, {I2:1} {I2:2} {I2, I4:2}

I3 {I2, I1, I3:2}, {I2:2}, {I1:2} {I2:4, I1:2}, {I1:2} {I2, I3:4}, {I1, I3:4}, {I2, I1, I3:2}

I1 {I2:4} {I2:4} {I2, I1:4}

Langkah 8:Cari Strong Association Rule berdasarkan Frequent Pattern yang terbentuk dengan cara yang samadengan apriori sampai terbentukrepresentasi pengetahuan

Exercise Time

Transaction ID Items

1 Bread, Milk

2 Bread, Diaper, Beer, Eggs

3 Milk, Diaper, Beer, Coke

4 Bread, Milk, Diaper, Beer

5 Bread, Milk, Diaper, Coke

Terdapat 5 transaksi yang terjadi:

Kasus:1. Tujuan data mining adalah membentuk paket ekonomis dari item yang punya hubungan asosiasi

2. Ditentukan minimum support 2 dan minimum confidence 70%