Analisis Asosiasi -Apriori Algorithm-

SistemInformasi|FakultasIlmuKomputer2019

Analisis Asosiasi

Association mining adalah proses mendeteksi kumpulan atribut-atribut yang muncul bersamaan(co-occur) dalam frekuensi yang sering, dan membentuk sejumlah kaidah dari kumpulan-kumpulan tersebut.

Analisa asosiasi berguna untuk menemukan hubungan yang tersembunyi diantara set data yang sangat besar

Pemanfaatan Analisis Asosiasi

Aturan asosiasi yang didefinisikan pada basket data transaksi, dapat digunakan untuk menganalisa data dalam rangka :

• keperluan desain katalog promosi

• pola belanja pelanggan

• cross selling

• market basket analysis.

Analisa Asosiasi• Hubungan antar item berupa aturan asosiasi (association rule).

• Sebagai contoh data transaksi berikut

IDT Item

T1 Buku, minyak, topi

T2 Beras, telur, topi, minyak

T3 Telur, minyak, beras

T4 Beras, buku

{Telur} —> {Minyak}

Aturan yang terbentuk :X —> Y

Algoritma AprioriAlgoritma Apriori merupakan salah satu algoritma yang digunakan dalam memecahkan persoalan association rule mining

•Yang mengolah suatu database transaksi dengan setiap transaksi adalah suatu himpunan item-item.

•Kemudian mencari seluruh kaidah apriori yang memenuhi minimum support dan minimum confidence yang diberikan.

frequent itemset association rules

Pseudo-Code Apriori AlgorithmCk: Kandidate itemset dari ukuran k;

Lk : Frequent itemset dari ukuran k.

L1 = {frequent items};

for (k = 1; Lk !=0; k++) do begin

Ck+1 = {kandidat dibangun

for each transaksi t yang dimuat dalam database do naikkan hitungan dari seluruh kandidat dalam Ck+1 yang dimuat dalam t

Lk+1 = {kandidat dalam Ck+1 dengan min_support}

end

return .k Lk;

Itemset

• Itemset : kumpulan item dal am keranjang belanja dalam jumlah kosong atau lebih

• Jika berisi k-item, maka itemset disebut k-itemset

• contoh : {Minyak} = 1-itemset

{Telur, Beras} = 2-itemset

Support dan Support Count

Supportcount(σ)Jumlahkombinasiitemdalamdbase

σ({Milk,Bread})=3σ({Soda,Chips})=4

Support(s)PersentaseAsosiasiitemsetyangterjadis({Milk,Bread})=(3/8)*100%s({Soda,Chips})=(4/8)*100%

Confidence

Confidenceyaitu kuatnya hubungan antar item dalam rule

aturanX->Y,nilaiconfidenceygtinggimenunjukanYyangmunculdalamtransaksiygberisiX

* Antecedent:jumlahtransaksiyangmembeliXdarihimpunanXUY

Aturan AsosiasiPendefinisian aturan asosiasi :

Diberikan sejumlah transaksi T, cari semua aturan yang memiliki nilai :

dan

• minsup : ambang batas support• minconf : ambang batas confidence

Ilustrasi Algoritma Apriori

Contoh SoalBerikut ini Contoh dari 4 Transaksi belanja konsumen, akan dicari hubungan asosiasi antar item dengan minimal support 50%, dengan min confidence 75%

No Itemset

1 kopi; gula; apel

2 teh; gula; roti

3 kopi; teh; gula; roti

4 teh; roti

A : kopi C : gula E: roti

B : teh D: apel

Jumlah transaksi 4Min support : 50% (2 dari 4 transaksi)Min confidence : 75%Langkah 1 : L1= {Large 1-itemset}

No Itemset

1 A-kopi; C-gula; D-apel

2 B-teh; C-gula; E-roti

3 A-kopi; B-teh; C-gula; E-roti

4 B-teh; E-roti

Langkah 1

Itemset SupportA 50%B 75%C 75%D 25%E 75%

Langkah 1

Min support : 50% sehingga items yang tidak memenuhi dibuang

Itemset SupportA 50%B 75%C 75%D 25%E 75% Itemset Support

A 50%B 75%C 75%D 25%E 75%

Langkah 2Langkah 2 : Mencari kandidat itemset untuk L2

2.1 Gabungkan itemset pada L1 (algoritma apriori)

2.2 Hapus yang tidak ada dalam itemset

Itemset (L1)

A

B

C

E

Itemset (L2)

AB

AC

AE

BC

BE

CE

ItemsetABCDE

Langkah 3

Langkah 3 : Hitung Support dari tiap kandidat itemset

Itemset (L2) Support

AB 25%

AC 50%

AE 25%

BC 50%

BE 75%

CE 50%

Langkah 4Langkah 4 : L2 {Large 2-itemset}

Itemset (L2) Support

AB 25%

AC 50%

AE 25%

BC 50%

BE 75%

CE 50%

Itemset (L2) Support

AC 50%

BC 50%

BE 75%

CE 50%

Langkah 5Ulangi langkah 2 - langkah 4 :

5.1 Gabungkan itemset pada L2 dan L2 5.2 Hapus yang tidak ada dalam itemset

Itemset (L2) Support

AC 50%

BC 50%

BE 75%

CE 50%

Itemset (L2) Itemset 3AC + BC ABCAC + BE ABC, ABE, ACEAC + CE ACEBC + BE BCEBC + CE BCEBE + CE BEC Itemset (L3)

ABCABEACEBCE

Langkah 6

• Langkah 6 : Hitung Support dari tiap kandidat itemset

• Langkah 7 : L3 {BCE}STOP karena sudah tidak ada lagi kandidat untuk 4-itemset

Itemset (L3) SupportABC 25%ABE 25%ACE 25%BCE 50%

Large Itemset yang terbentuk

Itemset (L3) Support

BCE 50%

Itemset (L2) Support

AC 50%

BC 50%

BE 75%

CE 50%

Itemset (L1) Support

A 50%

B 75%

C 75%

E 75%

Rule yang Terbentuk

Untuk mencari aturan asosiasi diperlukan juga min-conf : 75%

Aturan (x —> y) Support ( x U y ) Support (x) Confidence

BC —> E 50% 50% 100%BE —> C 50% 75% 66,67%CE —> B 50% 50% 100%A —> C 50% 50% 100%C —> A 50% 75% 66,67%B —> C 50% 75% 66,67%C —> B 50% 75% 66,67%B —> E 75% 75% 100%E —> B 75% 75% 100%C —> E 50% 75% 66,67%E —> C 50% 75% 66,67%