Association Associatio n Rule (Algoritma (Algoritma A Priori) Algoritma A Priori termasuk jenis aturan asosiasi pada data mining. Selain a priori, yang termasuk pada golongan ini adalah metode generalized rule induction induction dan algoritma hash based . Aturan yang menyatakan asosiasi antara beberapa atribut sering disebut affinityanalysis atau market basket analysis basket analysis.. Metodologi dasar analisis asosiasi terbagi menjadi dua tahap: a. Analisa pola frekuensi tinggi Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database. Nilai support sebuah item diperoleh dengan rumus berikut:
b. Pembentukan aturan assosiatif Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan dengan menghitung confidence confidence aturan assosiatif A !" Nilai confidence dari aturan A !" diperoleh dari rumus berikut:
#ontoh, ada transaksi seperti yang dilihat di ba$ah ini:
Transak si & ) * +
%tem yang dibeli ', (, # #, A #, ", ' A, #, (, ' (, ' (, #, " ", ', A
&. Pisahkan masingmasing item yang dibeli
%tem dibeli A " # ' (
yang
). /emudian "uat Tabel seperti di ba$ah ini dan hitung jumlahnya:
Transaksi & ) * + 1
A 0 & 0 & 0 0 & *
" 0 0 & 0 0 & & *
# & & & & 0 & 0
' & 0 & & & 0 &
( & 0 0 & & & 0 +
*.Tentukan 2 Misalkan kita tentukan 2 3 *, maka kita dapat menentukan frekuen itemset. 'ari tabel di atas diketahui total 2 untuk transaksi k 3 &, semuanya lebih besardari 2. Maka: 4&3 55A6, 5"6, 5#6, 5'6, 5(66 7ntuk k 3 ) 8) unsur9, diperlukan tabel untuk tiaptiap pasang item. impunan yang mungkin terbentuk adalah: 5A,"6, 5A,#6, 5A,'6, 5A,(6, 5",#6, 5",'6, 5",(6, 5#,'6, 5#,(6, 5',(6. Tabeltabel untuk calon ) item set
T & ) * +
A 0 & 0 & 0 0 &
" 0 0 & 0 0 & & 1
f s s s s s s p &
T & ) * +
A 0 & 0 & 0 0 &
# & & & & 0 & 0 1
f s s s p s s s &
T & ) * +
A 0 & 0 & 0 0 &
' & 0 & & & 0 & 1
f s s s p s s p )
T & ) * +
A 0 & 0 & 0 0 &
( & 0 0 & & & 0 1
f s s s p s s s &
T & ) * +
" 0 0 & 0 0 & &
# & & & & 0 & 0 1
f S S P S S P S )
T & ) * +
" 0 0 & 0 0 & &
' & 0 & & & 0 & 1
f s s p s s s p )
T & ) * +
" 0 0 & 0 0 & &
( & 0 0 & & & 0 1
f s s s s s p s &
T & ) * +
# & & & & 0 & 0
' & 0 & & & 0 & 1
f p s p p s s s *
T & ) * +
# & & & & 0 & 0
( & 0 0 & & & 0 1
f p s s p s p s *
T & ) * +
' & 0 & & & 0 &
( & 0 0 & & & 0 1
f p s s p p s s *
'ari tabeltabel ) unsur di atas, P artinya itemitem yang dijual bersamaan, sedangkan S berarti tidak ada item yang dijual bersamaan atau tidak terjadi transaksi. ; melambangkan jumlah 4rekuensi item set.
/ombinasi dari itemset dalam 4), dapat kita gabungkan menjadi calon *itemset. %temset itemset yang dapat digabungkan adalah itemsetitemset yang memiliki kesamaan dalam k& item pertama. 7ntuk k 3 * 8* unsur9, himpunan yang mungkin terbentuk adalah: 5#,',(6
T & ) * +
# & & & & 0 & 0
' & 0 & & & 0 &
( & 0 0 & & & 0 1
f P S S P S S S )
'ari tabeltabel di atas, didapat 4*3 5 6, karena tidak ada ; !3 2 sehingga 4+, 4, 4- dan 4 juga merupakan himpunan kosong. +.Tentukan 8sss9 sebagai antecedent dan s sebagai conse=uent dari 4k yang telah didapat Pada 4) didapat himpunan 4)3 55#,'6,5#,(6,5',(66 Maka dapat disusun: > 7ntuk 5#,'6: 7ntuk 5#,(6: 7ntuk 5',(6:
-.
•
%f buy # then buy '
•
%f buy ' then buy #
•
%f buy # then buy (
•
%f buy ( then buy #
•
%f buy ' then buy (
•
%f buy ( then buy '
itung support dan confidence
Sehingga didapat table sebagai berikut:
%f antecedent conse=uent %f buy # then buy ' %f buy ' then buy # %f buy # then buy ( %f buy ( then buy # %f buy ' then buy ( %f buy ( then buy ' .
then Support 8*@9&00B3+),C-B 8*@9&00B3+),C-B 8*@9&00B3+),C-B 8*@9&00B3+),C-B 8*@9&00B3+),C-B 8*@9&00B3+),C-B
#onfidence 8*@9&00B3-0B 8*@9 &00B3-0B 8*@9 &00B3-0B 8*@+9 &00B3B 8*@9 &00B3-0B 8*@+9 &00B3B
Setelah di dapat support dan confidence untuk masingmasing kandidat, lakukan perkalian antara support dan confidence, dimana confidencenya diambil 0B ke atas, sehingga di dapat tabel sbb:
%f antecedent conse=uent
then Support #onfidenc e
Support #onfidence
%f buy ( then buy # %f buy ( then buy ' C.
+),C-B +),C-B
B B
0.*)&+ 0.*)&+
Setelah didapat hasil perkalian antara support dan confidence, pilihlah yang hasil perkaliannya paling besar. asil paling besar dari perkalian perkalian tersebut merupakan rule yang dipakai pada saat menjual. /arena hasil perkalian dari ke) penjualan di atas bernilai sama, maka semuanya bisa dijadikan rule.
