DSS Wiji Setiyaningsih M Kom S Kom ALGORITMA
- Slides: 14
DSS - Wiji Setiyaningsih, M. Kom S. Kom
ALGORITMA APRIORI Algoritma Apriori termasuk jenis Association Rule Mining. Associaton Rule Mining adalah teknik data mining untuk menemukan aturan asosiatif antara suatu kombinasi item. Aturan yang menyatakan asosiasi antara beberapa atribut sering disebut Affinity Analysis atau Market Basket Analysis. DSS - Wiji Setiyaningsih, M. Kom
…. . . ALGORITMA APRIORI Analisis asosiasi menghasilkan algoritma yang efisien yaitu berupa analisis pola frekuensi tinggi (frequent pattern mining). Support (nilai penunjang) yaitu prosentase kombinasi item tersebut dalam database. Confidence (nilai kepastian) adalah kuatnya hubungan antar item dalam aturan asosiasi. DSS - Wiji Setiyaningsih, M. Kom
…. . . ALGORITMA APRIORI Contoh : {roti, mentega} {susu} : support = 40% confidence = 50% Seorang konsumen yang membeli roti dan mentega, memiliki kemungkinan 50% untuk juga membeli susu. Aturan ini cukup signifikan, karena mewakili 40% dari seluruh catatan transaksi. DSS - Wiji Setiyaningsih, M. Kom
…. . . ALGORITMA APRIORI Analisis Asosiasi merupakan suatu proses untuk menemukan semua aturan asosiasi yang memenuhi syarat minimum untuk support (minimum support), dan syarat minimum untuk confidance (minimum confidence). DSS - Wiji Setiyaningsih, M. Kom
PERHITUNGAN ALGORITMA APRIORI Contoh: database dari transaksi belanja pasar swalayan Tabel 1. Record Transaksi TRANSAKSI ITEM YANG DIBELI 1 Susu, Gula, Teh 2 Teh, Gula, Roti 3 Teh, Gula 4 Susu, Roti 5 Susu, Gula, Roti 6 Teh, Gula 7 Gula, Kopi, Susu 8 Gula, Kopi, Susu 9 Susu, Roti, Kopi 10 Gula, Teh, Kopi DSS - Wiji Setiyaningsih, M. Kom
1. ANALISIS POLA FREKUENSI TINGGI Mencari kombinasi item yang memenuhi syarat minimum dari support dalam database. Sebuah itemset adalah himpunan item-item yang ada dalam I = {Teh, Gula, Kopi, Susu, Roti}. k-itemset adalah itemset yang berisi k item. Misal 2 -itemset (F 2) = {Teh, Gula} Misal 3 -itemset (F 3) = {Teh, Gula, Roti} DSS - Wiji Setiyaningsih, M. Kom
Tabel 2. 2 -Itemset (F 2) KOMBINASI JUMLAH Teh, Gula 5 Teh, Kopi 1 Teh, Susu 1 Teh, Roti 1 Gula, Kopi 3 Gula, Susu 4 Gula, Roti 2 Kopi, Susu 3 Kopi, Roti 1 Susu, Roti 3 DSS - Wiji Setiyaningsih, M. Kom
Tabel 3. 3 -Itemset (F 3) KOMBINASI JUMLAH Teh, Gula, Kopi 1 Teh, Gula, Susu 1 Gula, Susu, Kopi 2 Gula, Susu, Roti 0 Gula, Kopi, roti 0 Kopi, Susu, Roti 1 DSS - Wiji Setiyaningsih, M. Kom
Jumlah Transaksi mengandung A, B Support (A, B) = ----------------------------Total Transaksi Tabel 4. Support 2 -Itemset (F 3) KOMBINASI SUPPORT Teh, Gula 50% Teh, Kopi 10% Teh, Susu 10% Teh, Roti 10% Gula, Kopi 30% Gula, Susu 40% Gula, Roti 20% Kopi, Susu 30% Kopi, Roti 10% Susu, Roti 30% DSS - Wiji Setiyaningsih, M. Kom
Jumlah Transaksi mengandung A, B, C Support (A, B, C) = -----------------------------Total Transaksi Tabel 5. Support 3 -Itemset (F 3) KOMBINASI SUPPORT Teh, Gula, Kopi 10% Teh, Gula, Susu 10% Gula, Susu, Kopi 20% Gula, Susu, Roti 0% Gula, Kopi, roti 0% Kopi, Susu, Roti 10% Misal aturannya : Supportnya harus >= 20% DSS - Wiji Setiyaningsih, M. Kom
2. PEMBENTUKAN ATURAN ASOSIASI Menghitung nilai confidence yang memenuhi aturan support. Jumlah Transaksi mengandung A, B Confidence (A, B) = ----------------------------Jumlah Transaksi mengandung A Tabel 6. Confidence 2 -Itemset (F 2) RULE CONFIDENCE Teh Gula 5/5 = 100% Gula Kopi 3/8 = 37. 5% Gula Susu 4/8 = 50% Gula Roti 2/8 = 25% Kopi Susu 3/4 = 75% Susu Roti 3/6 = 50% Misal aturannya : Confidencenya harus >= 35% DSS - Wiji Setiyaningsih, M. Kom
3. RULE ASOSIASI FINAL Mengalikan nilai support dan confidence, untuk items yang memenuhi aturan support dan confidence. Tabel 7. Rule Final 2 -Itemset (F 2) RULE SUPPORT CONFIDENCE Teh Gula 50% 100% Gula Kopi 30% 37. 5% Gula Susu 40% 50% Kopi Susu 30% 75% Susu Roti 30% 50% DSS - Wiji Setiyaningsih, M. Kom FINAL 50. 0% 15. 0% 20. 0% 22. 5% 15. 0%
Lakukan langkah 2 dan 3, untuk yang 3 -itemset DSS - Wiji Setiyaningsih, M. Kom