ALGORITMA A PRIORI Wahyu Nurjaya WK, S.T., M.Kom.

Slides:



Advertisements
Presentasi serupa
MODUL 10 APRIORI.
Advertisements

Sistem Basis Data Lanjut
Oleh : Weny Pravita sari
MENJALIN KEAKRABAN DENGAN PELANGGAN
DATA MINING 1.
BAB I Pendahuluan.
Kemajuan teknologi informasi & komunikasi memungkinkan sebuah perusahaan untuk memperoleh dan menyimpan data transaksional dan demografi secara.
PROBABILITAS.
PROBABILITAS.
Algoritma A priori.
Market Basket Analysis
Pengenalan Datawarehouse
PROBABILITAS.
TEORI PROBABILITAS Pertemuan 26.
Chapter 10 ALGORITME for ASSOCIATION RULES
Bab 8 TEORI PROBABILITAS.
Analisa & Perancangan Sistem Informasi
Pertemuan XIV FUNGSI MAYOR Assosiation. What Is Association Mining? Association rule mining: –Finding frequent patterns, associations, correlations, or.
Market Basket Analysis - #3
Customer Relationship Management
PROBABILITA (PROBABILITY)
Pengenalan Datawarehouse
Association Rules.
Association Rule (Apriori Algorithm)
BAB 12 PROBABILITAS.
Pertemuan XIV FUNGSI MAYOR Assosiation. What Is Association Mining? Association rule mining: –Finding frequent patterns, associations, correlations, or.
Struktur Dasar Algoritma
Pengenalan Data Mining
A rsitektur dan M odel D ata M ining. Arsitektur Data Mining.
PROBABILITAS PENDUGAAN PARAMETER PEUBAH LATEN KEMISKINAN RELATIF.
Structure English dan Decision Table
Association Rules (Kaidah Asosiasi)
ANALISIS ASOSIASI BAGIAN 1
ANALISIS ASOSIASI.
Penambangan data Pertemuan 2.
ANALISIS ASOSIASI BAGIAN 2
CRM CRM kependekan dari Customer Relationship Management. Dalam bahasa indonesia dapat kita artikan sebagai Manajemen Hubungan Pelanggan. Merupakan strategi.
Association Rule Ali Ridho Barakbah Mata kuliah Data Mining.
SEMINAR TUGAS AKHIR 16 JULY 2008
Oleh: Tri Endah Wijayanti G
ANALISIS ASOSIASI BAGIAN 1
OLEH : HANDAYANI RETNO SUMINAR G PEMBIMBING :
FIKRI FADLILLAH, S.T., MMSI
DIAGRAM AKTIVITAS ACTIVITY DIAGRAM.
Assocation Rule Data Mining.
ANALISIS ASOSIASI BAGIAN 1
Konsep Pemrograman Oleh: Ahmad Ramadhani.
Konsep Data Mining Ana Kurniawati.
Firman Ardiansyah, S.Kom, M.Si. Imas S. Sitanggang, S.Si., M.Kom
ANALISA ASOSIASI DATA MINING.
Data Mining Junta Zeniarja, M.Kom, M.CS
Loading.
MODUL-III OPERASI FILE
Business Intelligent Ramos Somya, S.Kom., M.Cs.
.: ALGORITMA APRIORI :. DSS - Wiji Setiyaningsih, M.Kom
ANALISIS KERANJANG PASAR MENGGUNAKAN ALGORTIMA PREDICTIVE Ninditya Kharisma, for further detail, please visit
APLIKASI DATA MINING MENGGUNAKAN ATURAN ASOSIASI
Associasion Rule dengan RapidMiner
MANAJEMEN MEMORI PEMARTISIAN DINAMIS
BASIS DATA TERDISTRIBUSI
ANALISIS ASOSIASI APRIORI.
Associasion Rule dengan RapidMiner
CRM CRM kependekan dari Customer Relationship Management. Dalam bahasa indonesia dapat kita artikan sebagai Manajemen Hubungan Pelanggan. Merupakan strategi.
CRM CRM kependekan dari Customer Relationship Management. Dalam bahasa indonesia dapat kita artikan sebagai Manajemen Hubungan Pelanggan. Merupakan strategi.
MODUL 10 APRIORI.
CRM CRM kependekan dari Customer Relationship Management. Dalam bahasa indonesia dapat kita artikan sebagai Manajemen Hubungan Pelanggan. Merupakan strategi.
Konsep Data Mining Ana Kurniawati.
ASSOCIATION RULE DAN PENERAPANNYA
Textbooks. Association Rules Association rule mining  Oleh Agrawal et al in  Mengasumsikan seluruh data categorical.  Definition - What does.
ASSOCIATION RULES APRIORI.
Transcript presentasi:

ALGORITMA A PRIORI Wahyu Nurjaya WK, S.T., M.Kom. ASSOCIATION RULE ALGORITMA A PRIORI Wahyu Nurjaya WK, S.T., M.Kom.

ANALISIS ASOSIASI Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Contoh dari aturan assosiatif adalah analisa pembelian di suatu pasar swalayan yaitu dapat diketahuinya berapa besar kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan pengetahuan tersebut pemilik pasar swalayan dapat mengatur penempatan barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon untuk kombinasi barang tertentu. Analisis asosiasi menjadi terkenal karena aplikasinya untuk menganalisa isi keranjang belanja di pasar swalayan, analisis asosiasi juga sering disebut dengan istilah market basket analysis

Penting tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter: support (nilai penunjang) yaitu persentase kombinasi item tersebut dalam database confidence (nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan assosiatif

BENTUK ATURAN ASOSIASI {roti, mentega} -> {susu} (support = 40%, confidence = 50%) Yang artinya : "50% dari transaksi di database yang memuat item roti dan mentega juga memuat item susu. Sedangkan 40% dari seluruh transaksi yang ada di database memuat ketiga item itu.” "Seorang konsumen yang membeli roti dan mentega punya kemungkinan 50% untuk juga membeli susu. Aturan ini cukup signifikan karena mewakili 40% dari catatan transaksi selama ini."

DEFINISI ANALISIS ASOSIASI suatu proses untuk menemukan semua aturan assosiatif yang memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk confidence (minimum confidence).

METODOLOGI DASAR ANALISIS ASOSIASI Analisa pola frekuensi tinggi Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai support dalam database Pembentukan aturan assosiatif dicari aturan assosiatif yang memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif A  B

SUPPORT

CONTOH TRANSAKSI

FORMAT TRANSAKSI DALAM DATABASE TRANSAKSIONAL

FORMAT TABULAR TRANSAKSI

Kemudian aturan asosiasi akan berbentuk Jika A, maka B ( AB) Misalkan D adalah himpunan transaksi, dimana masing-masing transaksi T dalam D merepresentasikan himpunan item yang berada dalam I. Misalkan kita memiliki himpunan items A (misal Beans dan squash) dan himpunan item lain B (misal asparagus). Kemudian aturan asosiasi akan berbentuk Jika A, maka B ( AB) Dimana antecedent A dan consequent B merupakan subset dari I, dan A dan B merupakan mutually exclusive. Definisi ini tidak berlaku untuk aturan trivial seperti : Jika beans dan Squash Maka beans - Antecedent  mendahului, consequent  akibat - Mutually Exclusive, adalah suatu hubungan dari satu peristiwa dengan peristiwa yang lain yang saling meniadakan, artinya kalu satu peristiwa terjadi maka peristiwa yang lain pasti tidak terjadi, misalnya kalau saat ini kita sedang  mandi pasti kita tidak sedang tidur.

Aturan yang akan diambil adalah aturan yang memiliki support dan/atau confidence yang tinggi. Aturan yang kuat adalah aturan-aturan yang melebihi kriteria support dan/atau confidence minimum. Misalnya seorang analist menginginkan aturan yang memiliki support lebih dari 20 % dan confidence lebih dari 35 %.

Sebuah itemset adalah himpunan item-item yang ada dalam I k-itemset adalah itemset yang berisi k item. Misalnya: {squash, beans) : 2-itemset {broccoli, green peppers, corn) : 3-itemset. Frequent Itemset menunjukkan itemset yang memiliki frekuensi kemunculan lebih dari nilai minimum yang telah ditentukan (ф). Misalkan ф = 4, maka semua itemset yang frekuensi kemunculannya lebih dari 4 kali disebut frequent. Himpunan dari frequent k-itemset dilambangkan dengan Fk.

CALON 2-ITEMSET

jika ditetapkan nilai ф = 4 maka F2 = { {asparagus, beans}, {asparagus, squash}, {beans,corn}, {beans, squash}, {beans, tomatoes}, {broccoli, green peppers}, {corn,tomatoes} } Kombinasi dari itemset dalam F2 dapat kita gabungkan menjadi calon 3-itemset. Itemset-itemset dari F2 yang dapat digabungkan adalah itemset-itemset yang memiliki kesamaan dalam k-1 item pertama

CALON 3-ITEMSET Dengan demikian F3 = {{asparagus, beans, squash}}, karena hanya kombinasi inilah yang memiliki frekeunsi kemunculan >= ф

CONFIDENCE ATURAN AB

CALON ATURAN ASOSIASI DARI F3 Misalkan ditetapkan nilai confidence minimal adalah 80% maka aturan yang bisa terbentuk adalah aturan dengan 2 antecedent berikut:

CALON ATURAN ASOSIASI DARI F2

ATURAN FINAL

RANCANGAN DATABASE (NORTHWIND)

RANCANGAN FORM

HASIL

ATURAN ASOSIASI YANG TERBENTUK JIKA membeli 21 MAKA akan membeli 61 dengan SUPPORT 0.96 % dan CONFIDENCE 20.51 % JIKA membeli 61 MAKA akan membeli 21 dengan SUPPORT 0.96 % dan CONFIDENCE 33.33 % JIKA membeli 16 MAKA akan membeli 31 dengan SUPPORT 0.84 % dan CONFIDENCE 16.28 % JIKA membeli 31 MAKA akan membeli 16 dengan SUPPORT 0.84 % dan CONFIDENCE 13.73 % JIKA membeli 16 MAKA akan membeli 60 dengan SUPPORT 0.72 % dan CONFIDENCE 13.95 %

JIKA membeli 60 MAKA akan membeli 16 dengan SUPPORT 0 JIKA membeli 60 MAKA akan membeli 16 dengan SUPPORT 0.72 % dan CONFIDENCE 11.76 % JIKA membeli 16 MAKA akan membeli 62 dengan SUPPORT 0.72 % dan CONFIDENCE 13.95 % JIKA membeli 62 MAKA akan membeli 16 dengan SUPPORT 0.72 % dan CONFIDENCE 12.50 % JIKA membeli 30 MAKA akan membeli 54 dengan SUPPORT 0.72 % dan CONFIDENCE 18.75 % JIKA membeli 54 MAKA akan membeli 30 dengan SUPPORT 0.72 % dan CONFIDENCE 16.67 %

JIKA membeli 31 MAKA akan membeli 72 dengan SUPPORT 0 JIKA membeli 31 MAKA akan membeli 72 dengan SUPPORT 0.72 % dan CONFIDENCE 11.76 % JIKA membeli 72 MAKA akan membeli 31 dengan SUPPORT 0.72 % dan CONFIDENCE 15.79 % JIKA membeli 60 MAKA akan membeli 71 dengan SUPPORT 0.72 % dan CONFIDENCE 11.76 % JIKA membeli 71 MAKA akan membeli 60 dengan SUPPORT 0.72 % dan CONFIDENCE 14.29 %

LANGKAH-LANGKAH Mengambil ProductId dan frekunesi transaksi terhadap produk tersebut dari tabel Order Details yang memenuhi minimum transaksi dan dimasukkan ke dalam tabel C1. Minimum transaksi ditentukan oleh user pada form aplikasi, dan dalam hal ini diambil nilai minimum transaksi sebesar 5. Membuat kombinasi item-item pada tabel C1 dan dimasukkan ke dalam tabel C2 menjadi calon 2-itemset. Pada langkah ini dilakukan pula penghitungan frekuensi transaksi yang mengandung kombinasi item-item tersebut. Kombinasi item yang memiliki frekuensi transaksi kurang dari nilai minimum_transaksi dihapus dari tabel C2.

Membuat kombinasi item-item pada tabel C2 dan dimasukkan ke tabel C3 menjadi calon 3-itemset. Seperti pada langkah 2, dilakukan penghitungan frekuensi transaksi yang mengandung kombinasi item dari calon k-itemset, dan kombinasi yang tidak memenuhi nilai minimum transaksi dihapus dari tabel C3. Isi dari tabel C3 kosong, yang artinya tidak ada kombinasi item yang memuhi syarat minimum transaksi. Dari tabel C2 dibentuk aturan asosiasi yang berbentuk jika nilai[item1] maka nilai[item2] dan sebaliknya jika nilai[item2] maka nilai[item1]

dari masing-masing bentuk aturan asosiasi pada seluruh record yang ada di tabel C2 di lakukang perhitungan nilai confidence. Bagi aturan yang memenuhi syarat minimum confidence akan ditampilkan, sedangkan yang tidak memenuhi tidak ditampilkan. Dalam hal ini, minimum confidence ditentukan sebesar 10%