Penerapan Metode Association Rule Menggunakan Algoritma Apriori untukAnalisa Pola Data Hasil Tangkapan Ikan

Eko Wahyu Tyas D

Mahasiswa Program Studi Ilmu KomputerUniversitas Brawijaya Malang

wahyoutyas@gmail.com

Abstraksi

Dalam pembangunan perikanan laut, penguasaan teknologi perlu ditingkatkan. Selain itu, juga perlu diimbangi dengansistem informasi dan data yang akurat bagi kepentingan nelayan maupun instansi terkait untuk pengambilankebijakan. Misalnya informasi mengenai daerah penangkapan ikan dan potensi sumberdaya ikan di suatu perairantertentu sehingga informasi-informasi ini dapat mengarahkan nelayan melakukan penangkapan. Untuk mengatasimasalah dalam pemasaran produk perikanan, diperlukan analisa terhadap pola data hasil tangkapan ikan di setiapdaerah penangkapan ikan, sehingga dapat diketahui pada bulan tertentu ikan apa yang banyak dihasilkan oleh nelayan dimasing-masing daerah penangkapan ikan. Dengan demikian, kita dapat menentukan daerah mana yang akan dijadikansebagai tujuan distribusi dan pemasaran ikan yang dihasilkan. Dalam penelitian ini digunakan metode association rule(aturan asosiatif) yang merupakan salah satu teknik utama dalam data mining dan merupakan bentuk yang paling umumdipakai dalam menemukan pattern atau pola dari suatu kumpulan data. Sedangkan algoritma yang digunakan adalahalgoritma Apriori. Dalam penelitian ini dilakukan pengujian pada data tangkapan ikan dengan atribut nama daerah, jenisikan, jumlah ikan, dan waktu penangkapan.

Kata Kunci : Data Mining, Association Rule, Algoritma Apriori

1. PENDAHULUAN

Dalam pembangunan perikanan laut, penguasaanteknologi perlu ditingkatkan. Selain itu, juga perludiimbangi dengan sistem informasi dan data yang akuratbagi kepentingan nelayan maupun instansi terkait untukpengambilan kebijakan. Misalnya informasi mengenaidaerah penangkapan ikan dan potensi sumberdaya ikan disuatu perairan tertentu sehingga informasi-informasi inidapat mengarahkan nelayan melakukan penangkapan [1].

Untuk mengatasi masalah dalam pemasaran produkperikanan ini, diperlukan analisa terhadap pola data hasiltangkapan ikan di setiap daerah penangkapan ikan,sehingga dapat diketahui pada bulan tertentu ikan apayang banyak dihasilkan oleh nelayan di masing-masingdaerah penangkapan ikan. Dengan demikian, kita dapatmenentukan daerah mana yang akan dijadikan sebagaitujuan distribusi dan pemasaran ikan yang dihasilkan.

Pencarian pola atau hubungan asosiatif dari data yangberskala besar sangat erat kaitannya dengan data mining.Data mining adalah serangkaian proses untuk menggalinilai tambah dari suatu kumpulan data berupapengetahuan yang selama ini tidak diketahui secaramanual [2].

Association rule (aturan asosiatif) adalah salah satu teknikutama dalam data mining dan merupakan bentuk yangpaling umum dipakai dalam menemukan pattern atau poladari suatu kumpulan data [3]. Association rule (aturan

asosiatif) berusaha menemukan aturan-aturan tertentuyang mengasosiasikan data yang satu dengan data yanglain. Untuk mencari association rule dari suatu kumpulandata, pertama-tama kita harus mencari lebih dulu yangdisebut "frequent itemset" (sekumpulan item yang seringmuncul bersamaan) [4]. Setelah semua pola frequentitemset ditemukan, barulah dicari aturan asosiatif yangmemenuhi syarat yang telah ditentukan.

Salah satu algoritma yang dapat digunakan untukmenemukan association rule adalah algoritma Apriori.Ciri dari algoritma Apriori adalah jika suatu itemsettermasuk dalam large itemset, maka semua himpunanbagian (subset) dari itemset tersebut juga termasuk largeitemset [5].

Dalam penelitian ini akan dilakukan pengujian apakahmetode Association Rule dapat digunakan untukmenyelesaikan permasalahan pada data hasil tangkapanikan. Dalam penelitian ini digunakan data daerah dannama ikan dari data statistik perikanan Dinas Kelautandan Perikanan propinsi Jawa Timur. Sedangkan datajumlah ikan adalah data yang digenerate secara randomyang digunakan untuk uji coba. Hasil dari penelitian inidiharapkan dapat memberikan informasi mengenai daerahpenangkapan ikan dan potensi sumberdaya ikan di suatuperairan tertentu dan membantu para nelayan dalammenentukan daerah yang akan dijadikan sebagai tujuanpendistribusian hasil tangkapan ikannya.

e-Indonesia Initiative 2008 (eII2008)Konferensi dan Temu Nasional Teknologi Informasi dan Komunikasi untuk Indonesia21-23 Mei 2008, Jakarta

2

2. PEMBAHASAN

Lingkungan Perangkat keras

Perangkat keras yang digunakan pada penelitian ini adalahsebuah PC(Personal Computer) dengan spesifikasi :Processor Intel® Celeron® 1.8 GHz, 512 MB RAM, 160GB HDD, Monitor 15”, Keyboard, dan Mouse.Perangkat keras ini akan difungsikan sebagai databaseserver sekaligus tempat perangkat lunak untuk penelitiandijalankan.

Lingkungan Perangkat lunak

Perangkat lunak yang digunakan pada penelitian ini ialah :1. Sistem operasi Microsoft Windows XP Professional

Edition Service Pack 2 sebagai server databasesekaligus tempat aplikasi dijalankan.

2. Borland Delphi 7.0 sebagai software developmentdalam mengembangkan aplikasi untuk menghasilkandata random transaksi.

3. Xampp versi 1.5.3a yang meliputi PHP versi 5.1.4,MySql versi 5.0.21 dan Apache versi 2.2.2 sebagaisoftware development dalam mengembangkanaplikasi untuk analisa pola data hasil tangkapan ikan

Proses Pembuatan Data Penangkapan

Data penangkapan yang digunakan dalam uji coba dibuatsecara random. Data ini digunakan sebagai data simulasiuntuk pengujian. Selanjutnya uji coba terhadap sistemdapat dilakukan dengan data faktual yang berasal daridaerah mana saja asal datanya sesuai dengan format datadalam sistem ini. Dalam pembuatan data random harusdibuat aturan dan batasan-batasan tertentu agar hasilnyamendekati data yang sebenarnya. Dalam sistem ini hanyadibatasi untuk range waktu dan jumlahnya saja, tidak adabatasan yang lebih spesifik. Untuk hasil yang lebih akurat,perlu dilakukan pengumpulan data lapang langsung daritempat penangkapan ikan.

Proses Perhitungan Association Rule

Pada proses perhitungan association rule penggunamenentukan dataset atau parameter yang akan digunakandalam proses. Dalam sistem ini terdapat 3 pilihan dataset,yaitu dataset berdasarkan daerah, kwartal, dan gabungandaerah dan kwartal. Basket analysis dalam sistem iniadalah penangkapan ikan pada daerah dan kwartaltertentu, maka perhitungan association rule jugadilakukan berdasarkan daerah dan kwartal tertentu. Jikadataset yang dipilih adalah dataset berdasarkan daerah,maka akan dicari pola data pada daerah yang dipilih olehpengguna pada semua kwartal pada semua tahun. Jikadataset yang dipilih berdasarkan kwartal, maka akan dicaripola data pada kwartal dan tahun tertentu pada semuadaerah. Sedangkan jika yang dipilih adalah datasetberdasarkan daerah dan kwartal, maka akan dicari poladata pada daerah dan kwartal yang telah ditentukan olehpengguna.

Setelah memilih dataset, pengguna menentukan nilaiminimum support dan minimum confidence yang akan

digunakan dalam proses. Nilai minimum support danminimum confidence yang dimasukkan adalah antara 0 –100%. Dari hasil percobaan yang penulis lakukan, nilaiminimum support dari data yang digunakan dalampengujian adalah kurang dari 50%. Sedangkan nilaiminimum confidencenya lebih besar dari 50%.

Support dari suatu association ruleadalah proporsi dari transaksi dalam database yangmengandung A dan B [6], yaitu :

support = )( BAP ∩ = jumlah transaksi yang mengandung A dan B jumlah total transaksiConfidence dari association rule adalah ukuran ketepatansuatu rule, yaitu persentase transaksi dalam database yangmengandung A dan mengandung B [6].confidence = jumlah transaksi yang mengandung A dan B jumlah transaksi yang mengandung ASetelah memilih dataset dan menentukan nilai minimumsupport dan minimum confidence yang akan digunakandalam proses, baru dilakukan proses perhitunganassociation rule. Setelah proses perhitungan selesai,sistem akan menampilkan rule yang dihasilkan dan nilaiconfidencenya. Rule ini menunjukkan pola hasiltangkapan ikan di suatu daerah pada kwartal tertentu. Polayang dimaksud adalah jenis ikan yang sering muncul danmempunyai jumlah yang besar.

Langkah-langkah Proses Penghitungan AssociationRuleProses perhitungan association rule terdiri dari beberapatahap.• Sistem men-scan database untuk mendapatkan

kandidat 1-itemset (himpunan item yang terdiri dari 1item) dan menghitung nilai supportnya. Misalnya Tadalah himpunan semua jenis ikan dalam database.Support dari suatu itemset (S) merupakan prosentasedari transaksi dalam T yang mengandung S.Kemudian nilai support tersebut dibandingkandengan minimum support yang telah ditentukan, jikanilainya lebih besar atau sama dengan minimumsupport maka itemset tersebut termasuk dalam largeitemset.

• Itemset yang tidak termasuk dalam large itemset tidakdiikutkan dalam iterasi selanjutnya (di prune).

• Pada iterasi kedua sistem akan menggunakan hasillarge itemset pada iterasi pertama (L1) untukmembentuk kandidat itemset kedua (L2). Pada iterasiselanjutnya sistem akan menggunakan hasil largeitemset pada iterasi sebelumnya (Lk-1) untukmembentuk kandidat itemset berikutnya (Lk). Sistemakan menggabungkan (join) Lk-1 dengan Lk-1 untukmendapatkan Lk, seperti pada iterasi sebelumnyasistem akan menghapus (prune) kombinasi itemsetyang tidak termasuk dalam large itemset.

• Setelah dilakukan operasi join, maka pasanganitemset baru dari hasil proses join tersebut jugadihitung supportnya.

e-Indonesia Initiative 2008 (eII2008)Konferensi dan Temu Nasional Teknologi Informasi dan Komunikasi untuk Indonesia21-23 Mei 2008, Jakarta

3

• Proses pembentukan kandidat yang terdiri dari prosesjoin dan prune akan terus dilakukan hingga himpunankandidat itemsetnya null, atau sudah tidak ada lagikandidat yang akan dibentuk.

• Setelah itu, dari hasil frequent itemset tersebutdibentuk association rule yang memenuhi nilaisupport dan confidence yang telah ditentukan.

• Pada pembentukan association rule, nilai yang samaseperti "kerapu, kakap" = ="kakap, kerapu", dianggapsebagai satu nilai.

• Association rule yang terbentuk harus memenuhi nilaiminimum yang telah ditentukan.

• Untuk setiap large itemset L, kita cari himpunanbagian L yang tidak kosong. Untuk setiap himpunanbagian tersebut, dihasilkan rule dengan bentuk a⇒ (L - a) jika support (L) dan support (a) lebih besardari minimum support.

Antarmuka untuk Membuat Data Random

Data jumlah ikan pada setiap waktu penangkapan yangdigunakan dalam penelitian ini adalah data simulasi yangberupa data random. Berikut ini adalah tampilan userinterface untuk menggenerate data random tersebut.

Gambar 1. Antarmuka untuk Membuat Data Random

Pada antarmuka untuk pembuatan data penangkapan initerdapat beberapa tombol dan pilihan menu.1 Untuk menentukan range kwartal, pengguna

menentukan angka pada kolom kwartal start dankwartal finish, secara otomatis pada kolom jumlahdata akan ditampilkan banyaknya data yang akandihasilkan. Kwartal adalah satuan untuk waktupenangkapan, dalam 1 tahun terdapat 4 kwartal.

2 Setelah itu, jika pengguna menekan tombol generate,proses pembuatan data akan dimulai.

3 Tombol delete all berfungsi untuk menghapus semuadata yang ada dalam database. Jika tombol iniditekan sistem akan memberikan konfirmasi apakahpengguna benar-benar ingin menghapus data.

4 Tombol exit berfungsi untuk keluar atau menutupaplikasi.

Antarmuka untuk Mencari Association Rule

Setelah data transaksi selesai dibuat, maka langkahselanjutnya adalah mencari association rule untuk

mengetahui hubungan keterkaitan antara data yang adadalam database. Berikut ini adalah tampilan dariantarmuka untuk proses pencarian association rule.

Gambar 2. Antarmuka untuk Perhitungan AssociationRule

Pada gambar 2 terlihat bahwa terdapat tiga pilihan datasetyang akan digunakan dalam proses perhitunganassociation rule, yaitu dataset berdasarkan daerah,kwartal, dan gabungan daerah dan kwartal. Jika dipilihdataset berdasarkan daerah maka akan ditampilkan pilihannama daerah, jika dipilih dataset berdasarkan kwartalmaka akan ditampilkan pilihan kwartal ke berapa yangakan diproses. Begitu juga jika dipilih dataset berdasarkandaerah dan kwartal, maka akan ditampilkan pilihan namadaerah dan kwartal.

Hasil Uji Coba

Berikut ini adalah tabel hasil pengujian pada daerahLamongan. Untuk hasil pengujian yang lain tidakditampilkan disini.

Tabel 1. Hasil Pengujian pada Daerah Lamongan

No Min.Supp

Min.Conf Rule yang Terbentuk Conf.

Rule

1 20% 50%

bawal-hitam=>bawal-putih 100.00%bawal-putih=>bawal-hitam 60.00%teri=>tongkol 60.00%tongkol=>teri 60.00%kerapu=>lencam 60.00%kerapu=>tetengkek 60.00%tetengkek=>kerapu 75.00%tongkol=>lencam 60.00%alu-alu=>lencam 75.00%alu-alu=>japuh 75.00%japuh=>alu-alu 100.00%

2 10% 50%

bawal-hitam=>bawal-putih,selar,belanak 66.67%selar=>bawal-hitam,bawal-putih,belanak 100.00%belanak=>bawal-hitam,bawal-putih,selar 66.67%bawal-hitam,bawal-putih=>selar,belanak 66.67%bawal-hitam,selar=>bawal-putih,belanak 100.00%bawal-hitam,belanak=>bawal-putih,selar 100.00%bawal-putih,selar=>bawal-hitam,belanak 100.00%bawal-putih,belanak=>bawal-hitam,selar 100.00%selar,belanak=>bawal-hitam,bawal-putih 100.00%bawal-hitam,bawal-putih,selar=>belanak 100.00%bawal-hitam,bawal-putih,belanak=>selar 100.00%bawal-hitam,selar,belanak=>bawal-putih 100.00%bawal-putih,selar,belanak=>bawal-hitam 100.00%

1

2

3

4

e-Indonesia Initiative 2008 (eII2008)Konferensi dan Temu Nasional Teknologi Informasi dan Komunikasi untuk Indonesia21-23 Mei 2008, Jakarta

4

Support dari suatu itemset merupakan prosentase dariseluruh data yang terdapat dalam database yangmengandung itemset tersebut. Nilai support 20%, artinyaprosentase kemunculan suatu itemset adalah 20% dariseluruh data yang terdapat dalam database. Sedangkannilai minimum support 20% artinya prosentasekemunculan itemset yang membentuk rule adalah kurangdari atau sama dengan 20%. Berdasarkan hasil pengujianpada tabel 4.2 diketahui bahwa dengan menggunakan nilaiminimum support yang berbeda dihasilkan rule yangberbeda pula.

Confidence merupakan tingkat kepercayaan atau tingkatkebenaran dari rule yang terbentuk. Rule yang dicariadalah yang mempunyai kemungkinan benar yang besar,yaitu rule yang membuat prediksi yang benar (atau sangatsering benar). Rule “bawal-hitam=>bawal-putih” (dibacajika ada bawal hitam maka ada bawal putih) dengan nilaiminimum support 20% memiliki nilai confidence 100%,artinya prosentase kemunculan dari bawal hitam danbawal putih adalah 20% dari seluruh data dalam database.Sedangkan tingkat kebenaran atau kemungkinan bahwaprediksi rule ini benar adalah 100%. Semakin tinggi nilaisupport dan confidence, maka semakin tinggi tingkatkeakuratan dari rule atau pola yang dihasilkan.

Rule “bawal-hitam=>bawal-putih” memiliki nilaiconfidence yang berbeda dengan “bawal-putih=>bawal-hitam”, artinya jika ada bawal hitam maka ada bawalputih, akan tetapi belum tentu jika ada bawal putih makaakan ada juga bawal hitam. Hal ini dikarenakan nilaiconfidence tergantung dari nilai support atau kemunculansuatu itemset. Support dari bawal hitam berbeda dengansupport bawal putih, berbeda pula dengan support bawalhitam dan bawal putih yang muncul secara bersamaanatau biasanya dinyatakan dengan support(bawal hitam,bawal putih).

Dari data hasil pengujian yang telah diperoleh, dapatdiketahui ikan apa saja yang sering muncul di suatudaerah pada kwartal tertentu. Dengan demikian informasiini dapat memudahkan para nelayan dan pedagang ikandalam mendistribusikan hasil tangkapannya. Sehinggapermasalahan dalam distribusi tangkapan ikan dapatteratasi.

3. PENUTUP

Berdasarkan penjelasan dan uraian sebelumnya dapatpenulis simpulkan bahwa:1. Metode Association Rule dengan menggunakan

algoritma Apriori dapat digunakan untukmenyelesaikan permasalahan data tangkapan ikan.Setiap daerah memiliki pola dan kecenderungan yangberbeda-beda. Hal ini ditunjukkan oleh perbedaanrule yang dihasilkan dalam proses pengujian dengannilai minimum support dan minimum confidence yangtelah ditentukan.

2. Data tangkapan ikan dapat dimodelkan sesuai denganmodel dari algoritma yang digunakan pada metodeassociation rule, sehingga data tersebut dapat dicari

polanya dengan menggunakan metode ini. Denganmenggunakan parameter uji coba yang berbeda-beda(yaitu daerah, kwartal dan gabungan daerah dankwartal), maka akan dihasilkan rule atau pola yangberbeda-beda pula.

3. Dari data hasil pengujian yang telah diperoleh, dapatdiketahui ikan apa saja yang sering muncul di suatudaerah pada kwartal tertentu. Dengan demikianinformasi ini dapat memudahkan para nelayan danpedagang ikan dalam mendistribusikan hasiltangkapannya. Sehingga permasalahan dalamdistribusi tangkapan ikan dapat teratasi.

4. Daftar Pustaka

[1]. Pujiati, Sri. 2001. Pembangunan Perikanan Laut diIndonesia. Makalah Falsafah Sains. IPB November2001. Bogor.

[2]. Pramudiono, Iko. 2006. Apa Itu Data Mining?,http://datamining.japati.net/, diakses 1 Maret 2007.

[3]. Kantardzic, Mehmed. 2003. Data Mining: Concepts,Models, Methods, and Algorithms. John Wiley &Sons. New Jersey.

[4]. Prasetyo, Bowo. 2006. Analisis Perilaku PengunjungMenggunakan Data Mining.http://www.beritaiptek.com/zberita-beritaiptek-2006-01-05-Analisis-Perilaku-Pengunjung-Menggunakan-Data-Mining.shtml, diakses 26 April 2007.

[5].Agrawal, Rakesh, Ramakrishnan Srikant. 1994. FastAlgorithms For Mining Association Rules. In Proc.1994 International Conference Very Large DataBases (VLDB).

[6].Larose, Daniel T. 2005. Discovering Knowledge inData. An Introduction to Data Mining. John Wiley &Sons. New Jersey.