A. Pengert Pengertian ian Associ Associatio ation n Rule Rule
Associatio Association n rule adalah salah satu teknik utama utama atau prosedur dalam Market Bask Basket et Analy nalysi siss untu untuk k menc mencar arii hubu hubung ngan an anta antatt item item dala dalam m suat suatu u data data set set dan dan menampilkan dalam bentuk association rule (Budhi dkk,2007). Association rule (aturan asosiatif) akan menemukan pola tertentu yang mengasosiasikan data yang satu dengan data yang lain. ntuk mencari association association rule dari suatu kumpulan data, tahap pertama yang harus dilakukan adalah mencari fre!uent itemset itemset terlebih dahulu. "re!uent itemset itemset adalah sekumpulan sekumpulan item yang sering muncul secara bersamaan. bersamaan. #etelah #etelah semua pola fre!uent itemset ditemukan, barulah mencari aturan asosiatif atau aturan keterkaitan yang memenuhi syarat yang telah ditentukan. $ika diasumsikan bah%a barang yang di&ual di s%alayan adalah semesta, maka setiap barang akan memiliki bolean 'ariabel yang akan menun&ukkan keberadaannya atau tidak barang tersebut dalam satu transaksi atau satu keran&ang keran&ang belan&a. ola bolean yang didapat dugunakan untuk menganalisa barang yang sering dibeli secara bersamaan. ola tersebut dapat dirumuskan dalam sebuah association rule. #ebagai contoh konsumen biasanya akan membeli kopi dan susu yang ditun&ukkan ditun&ukkan sebagai berikut *opi + susu support -2, confidence-/0 Association rule diperlukan suatu 'ariable ukuran yang ditentukan sendiri oleh user untuk menentukan batasan se&auh mana atau sebanyak apa output yang diinginkan user. #upport dan confidence adalah sebuah ukuran kepercayaan dan kegunaan suatu pola yang telah ditemukan. 1ilai support 2 menun&ukkan bah%a keseluruhan dari total transa transaksi ksi konsum konsumen en membeli membeli kopi dan susu susu secara secara bersam bersamaan aan yaitu yaitu sebanya sebanyak k 2. #edangkan confidence /0 yaitu menun&ukkan bila konsumen membeli kopi dan pasti membeli susu sebesar /0.
B. Algor Algorit itma ma Aprior priorii Algoritma Apriori Apriori adalah salah satu algoritma yang melakukan pencarian fre!uent itemset dengan menggunakan teknik association rule (r%in, 2003). Algoritma Apriori menggun menggunakan akan pengeta pengetahua huan n frekue frekuensi nsi atribu atributt yang yang telah telah diketa diketahui hui sebelum sebelumnya nya untuk untuk memproses memproses informasi informasi selan&utny selan&utnya. a. ada algoritma Apriori Apriori menentukan menentukan kandidat yang mung mungki kin n muncu muncull denga dengan n cara cara memp memper erha hati tika kan n mini minimu mum m suppo support rt dan dan minim minimum um confidence. #upport adalah nilai pengun&ung atau persentase kombinasi sebuah item dalam database.
Algoritma Apriori adalah algoritma paling terkenal untuk menemukan pola frekuensi tinggi. ola frekuensi tinggi adalah pola4pola item di dalam suatu database yang memiliki frekuensi atau support di atas ambang batas tertentu yang disebut dengan istilah minimum support.ola frekuensi tinggi ini digunakan untuk menyusun aturan assosiatif dan &uga beberapa teknik data mining lainnya. 5alaupun akhir4akhir ini dikembangkan banyak algoritma yang lebih efisien dari Apriori seperti "4gro%th, 6M dsb, tetapi Apriori tetap men&adi algoritma yang paling banyak diimplementasikan dalam produk komersial untuk data mining karena dianggap algoritma yang paling mapan. 8. Analisis ola "rekuensi 9inggi dengan Algoritma Apriori 9ahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam basis data. 1ilai support sebuah item diperoleh dengan menggunakan rumus berikut
Support ( A )=
Jumlahtransaski mengandung A Totaltransaksi
#ementara, nilai support dari 2 item diperoleh dengan menggunakan rumus
Support ( A , B ) = P ( A ∩B ) Support =
∑ Transaksimengandung A dan B ∑ Transaksi
Frequent itemset menun&ukkan itemset yangmemiliki frekuensi kemunculan lebih dari nilai minimum yang ditentukan ( ). Misalkan
- 2, maka semuaitemsets yang frekuensi
kemunculannya lebih dari atau sama dengan 2 kali disebut frequent . :impunan dari frequent k itemset dilambangkan dengan "k.
2. embentukan Aturan Asosiasi #etelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan
asosiatif A
Confidence=
B. 1ilai confidence dari aturan A
B diperoleh dengan rumus berikut
∑ Transaksimengandung A danB ∑ Transaksimengandung A
ntuk menentukan aturan asosiasi yang akan dipilih maka harus diurutkan berdasarkan Support× Confidence. Aturan diambil sebanyak n aturanyang memiliki hasil terbesar. C. Contoh Kasus Berikut ini adalah daftar merek produk lektronik, dapat dilihat pada tabel diba%ah ini Tabel 1 : Daftar Merek Prouk !lektronik paa Kreit plus Mean
;. "o.
Merek
8.
Acer
6aptop
2.
Asus
6aptop
<.
:
=.
#amsung
>.
6eno'o
/.
?yre@
6aptop
7.
Bioar
6aptop
.
Apple
6aptop
3.
9oshiba
6aptop
80.
:e%pa
6aptop
88.
;ell
6aptop
82.
A@io
6aptop
8<.
ompa!
#enis
6aptop
6aptop 6aptop
6aptop
Berdasarkan transaksi pen&ualan produk elektronik pada perusahaan *redit plus Medan, transaksi tersebut dapat diakumulasikan. Akumulasi transaksi pen&ualan produk lektronik pada *redit plus Medan diperoleh dari pen&ualan bulanan yang diambil dari < teratas laporan bulanan, dapat dilihat dalam tabel diba%ah ini Tabel $ : Pola Transaksi Pen%ualan Prouk !lektronik "o . 8
&tem'et
Acer, 9oshiba, #amsung
2 < = > / 7 3 80 88 82
9oshiba, Acer, Asus #amsung, 9oshiba, : #amsung, Asus, Acer Acer, #amsung, 9oshiba Acer, 9oshiba, : Acer, Asus, 9oshiba Acer, Asus, : :, #amsung, Asus Acer, #amsung, : #amsung, Acer, 9oshiba :, Asus, #amsung
a. Pembentukan &temset Berikut ini adalah penyelesaian dengan contoh kasus berdasarkan data yang sudah disediakan pada tabel =.2
roses pembentukan 8 atau disebut dengan 8 itemset dengan ¨ah minimum support <0 ;engan rumus sebagai berikut
Support ( A )=
∑ Transaksi Mengandung A ∑ Transaksi
@ 800
Tabel ( : 'upport ari tiap item
temset Acer Asus :p #amsung 9oshiba
#upport 7> >0 >0 //,/7 >,<<
b. Kombinasi $ Itemset
roses pembentukan 2 atau disebut dengan 2 itemset dengan ¨ah minimum support <0 ;apat diselesaikan dengan rumus berikut
Support ( A , B ) = P ( A ∩ B ) Support ( A , B )=
∑ Transaksi yang mengandung A dan B ∑ Transaksi
Tabel ) : Calon $* itemset
temset Acer,Asus Acer,: Acer,#amsung Acer 9oshiba Asus,9oshiba Asus,#amsung Asus,: :,#amsung :,9oshiba 9oshiba,#amsung
$umlah = < = / 2 2 2 < 2 <
#upport <<,<< 2> =8,/7 >0 8/,/7 2> 20 <<,<< 8/,/7 <<,<<
Minimal support yang ditentukan adalah <0, &adi kombinasi 2 itemset yang tidak memenuhi minimal support akan dihilangkan, terlihat seperti 2 9able diba%ah ini Tabel + : Minimal 'upport $ itemset (,-
&temset Acer,Asus Acer,#amsung Acer,9oshiba :,#amsung 9oshiba,#amsung
'upport <<,<< =8,/7 >0 <<,<< <<,<<
c. Kombinasi ( &temset roses pembentukan < atau disebut dengan < itemset dengan ¨ah minimum support <0 ;apat diselesaikan dengan rumus berikut
Support ( A , B ) = P ( A ∩ B ∩ C ) =
∑ Transaksi yang mengandung A , B danC x 100 Transaksi ∑
Tabel : Kombinasi ( itemset &temset
Acer, 9oshiba, :
'upport
#umlah 8
A,<<.
Acer ,9oshiba,Asus
2
8/,/7.
Acer ,#amsung, 9oshiba
2
8/,/7.
Asus,Acer,:
8
A,<<.
Asus,:,#amsung
2
8/,/7.
Asus,:,9oshiba
0
:,#amsung,9oshiba
8
0.
A,<<.
*arena *ombinasi < itemset tidak ada yang memenuhi minimal support, maka 2 kombinasi yang memenuhi untuk pembentukan asosiasi .
Pembentukan Aturan Asosiasi
#etelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan asosiatif A+B. Minimal onfidence-/0 1ilai onfidence dari aturan A+B diperoleh dengan rumus berikut
Confidence =
∑ Transaksimengandung A danB ∑ Transaksimengandung A
;ari kombinasi 2 itemset yang telah ditemukan, dapat dilihat besarnya nilai support, dan confidence dari calon aturan asosiasi seperti tampak pada tabel diba%ah ini Tabel / : Aturan Asosiasi Aturan $ika membeli Acer, maka akan membeli Asus $ika membeli Asus, maka akan membeli Acer $ika membeli Acer, maka akan membeli #amsung $ika membeli #amsung, maka akan membeli Acer $ika membeli Acer, maka akan membeli 9oshiba $ika membeli 9oshiba, maka akan membeli Acer $ika membeli :, maka akan membeli #amsung $ika membeli #amsung, maka akan membeli :
Confience
=C3
==,==
=C/
//,/7
>C3
=>
>C
=0
/C3
//,/7
/C7
>,78=
=C/
//,/7
=C
>0
Aturan Asosiasi 0inal
Aturan asosiasi final terurut berdasarkan minimal support dan minimal confidence yang telah ditentukan, dapat dilihat pada tabel diba%ah ini
Tabel : Aturan Asosiasi 0inal Aturan $ika membeli Acer, maka akan membeli 9oshiba $ika membeli 9oshiba, maka akan membeli, Acer
'upport >0.
Confience //,/7
>0.
>,78=
Berdasarkan aturan asosiasi diatas,dapat diketahui merek produk elektronk yang paling banyak ter&ual pada perusahaan *redit plus Medan,dan dapat dilihat pada grafik berikut ini
2ambar 1 : 2rafik 3asil Pembentukan Aturan Asosiasi 0inal Pen%ualanTerban4ak
Kesimpulan $adi, berdasarkan grafik diatas, merek produk elektronik yang paling banyak ter&ual adalah Acer dan 9oshiba, dengan diketahuinya produk yang paling banyak ter&ual tersebut, sehingga perusahaan dapat menyusun strategi pemasaran untuk memasarkan produk dengan merek lain dengan meneliti apa kelebihan produk yang paling banyakter&ual tersebut dengan produk lainnya dan dapat menambah persedian Acer dan 9oshiba.
'aran 8. en&ualan produk elektronik paling banyak ter&ual pada perusahaaan *reditplus Medan dapat diketahui dengan menggunakan algoritma apriori, dengan melihat produk yang memenuhi minimal support dan minimal confidence, produk yang paling banyak ter&ual tersebut adalah Acer dan 9oshiba, namun dalam penghitungan support dan confidencenya sulit &ika data yang diolah dalam ¨ah yang besar. 2. Algoritma Apriori dapat membantu mengembangkan strategi pemasaran dengan memberikan saran kepada konsumen.
