endif end end end end return RI; 3 Evaluasi Pola
Evaluasi pola yakni melakukan pencarian aturan asosiasi yang menarik dan tidak
misleading (menyesatkan). Tahap ini
dilakukan pada minimal non-redundant
association rules yang telah dihasilkan berdasarkan nilai lift dari minimal non-redundant association rules.
4 Presentasi Pengetahuan
Presentasi pengetahuan merupakan tahap akhir di mana hasil evaluasi pola minimal non-redundant association rules yang telah dihasilkan ditampilkan dalam bentuk tabel.
Tabel memuat minimal non-redundant
association rules, nilai support dan confidence.
Lingkungan Pengembangan Sistem
Lingkungan pengembangan sistem ini adalah sebagai berikut:
Perangkat keras:
• prosesor: Intel Pentium IV, 2.4 Ghz,
• memori: 256 MB RAM,
• harddisk dengan kapasitas 80 GB,
, dan
ra k:
i: Microsoft Windows XP
• soft Access 2003, dan
0.
akan adalah basis dat ini ata erangan • mouse, • keyboard • monitor. Pe ngkat luna • sistem operas Professional, DBMS: Micro
• bahasa pemrograman: Visual Basic 6.
Perancangan Basis Data
Basis data yang digun
a pada penelitian Widodo (2004). Pada penelitian ini dilakukan beberapa perubahan dalam basis data sebelumnya untuk kepentingan implementasi Algoritma Close, Algoritma Gen-GB, dan Algoritma Gen-RI.
Basis data yang digunakan dalam sistem terdiri dari sembilan tabel yang dapat dilihat pada Tabel 1, properti dari setiap tabel terdapat pada Lampiran 1.
Tabel 1 Tabel dalam basis d
Nama Tabel Ket
tblTransaksiAsli Data hasil transaksi
tblKelBarang Data kelompok barang
tblTransaksiReduksi Data hasil proses
selection
tblCleanTransaksi Data hasil proses
cleaning
tblBiner Data hasil proses
integration dan
transformation
tblCGenerator Data kandiat
generators
tblGenClosure Data kandidat
frequent closed itemsets
tblClosure Data frequent closed
itemsets
tblBantu Data et dari
r subs
kandidat generato
tblResult Data hasil proses
mining
Penelitian ini melakukan pencarian
min
ian Widodo (2004), data pra
imal non-redundant association rules
(MNRAA) berdasarkan urutan proses dalam bagan alir minimal non-redundant association rules mining yang ditampilkan pada Gambar 3. Penelitian ini menggunakan hasil praproses yang telah dihasilkan penelitian sebelumnya (Widodo 2004).
Pada penelit
proses menghasilkan 35 jenis kelompok barang (Lampiran 2) dan 23.631 record. Pencarian minimal non-redundant association rules dilakukan melalui dua tahap, yaitu:
Gambar 3 Bagan alir minimal non- redundan
1 Pembentukan Frequent Closed itemsets
(FC e kan FC Redundant h frequent closed item be
kan minimal non-red
roses pem
n terhadap kedua pendekatan ini (as
osed Itemsets
ng me
t association rules mining.
) dilakukan d ngan membentuk kandidat
frequent closed itemsets (FCC). FCC yang memenuhi nilai minsup akan menjadi FC.
Pada penelitian ini dilakukan pembentu dengan menggunakan empat nilai minsup, yaitu 5 %, 2 %, 1 %, dan 0,5 % dari 23.631 transaksi yang ada. Empat nilai minsup
tersebut dipilih untuk mendapatkan variasi jumlah kandidat FC dan FC.
2 Pembentukan Minimal Non-Association Rules
Setelah diperole
sets, kemudian dilakukan pem ntukan
minimal non-redundant association rules.
Pembentukan minimal non-redundant
association rules dilakukan menggunakan 11 nilai mincof, yaitu 75 %, 70 %, 65 %, 60 %, 55 %, 50 %, 45 %, 40 %, 30 %, 20 %, dan 10 %. Nilai–nilai mincof tersebut digunakan untuk mengetahui nilai maksimum confidence
dari aturan asosiasi pada empat nilai minsup
yang telah dicobakan. Penelitian membanding
undant association rules mining dengan
association rules mining pada penelitian sebelumnya (Widodo 2004). Perbandingan dilakukan terhadap waktu eksekusi pembentukan dan jumlah kandidat FC dan FC
yang memenuhi minsup dengan waktu
eksekusi pembentukan dan jumlah kandidat
itemset dan large itemset yang memenuhi
minsup pada penelitian Widodo (2004). Perbandingan juga dilakukan pada p
bentukan aturan asosiasi. Waktu eksekusi
pembentukan dan jumlah minimal
non-redundant association rules yang memenuhi
mincof dengan waktu eksekusi pembentukan dan jumlah aturan asosiasi yang memenuhi
mincof pada penelitian sebelumnya (Widodo 2004).
Percobaa
sociation rules mining dan minimal non-redundant association rules mining) dilakukan di lingkungan sistem dan data transaksi yang sama. Nilai-nilai minsup dan mincof yang akan dicobakan juga sama.
Pembentukan Frequent Cl
Jumlah kandidat FC dan FC ya
menuhi empat nilai minsup yang dicobakan menggunakan Algoritma Close, disajikan pada Tabel 2. Data generator, closed itemset
(closure) dan support dari closure dalam
memenuhi empat nilai minsup yang dicobakan dapat dilihat pada Lampiran 3.
Tabel 2 Pembentukan frequent closed itemsets (FC) Minsup (%) Parameter 5 2 1 0,5 Kandidat FC1 35 35 35 35 FC1 13 19 24 30 Kandidat FC2 78 171 276 435 FC2 2 11 37 87 Kandidat FC3 - 5 93 407 FC3 - - 5 34 Kandidat FC4 - - - 22 FC4 - - - -
Hasil pembentukan kandidat FC dan FC
dibandingkan dengan hasil pembentukan
kandidat itemset dan large itemset
menggunakan algoritma Apriori dari
penelitian sebelumnya (Widodo 2004). Jumlah kandidat itemset dan large itemset yang memenuhi empat nilai minsup yang dicobakan dapat dilihat pada Tabel 3.
Tabel 3 Pembentukan large itemset Minsup (%) Parameter 5 2 1 0,5 Kandidat 1-itemset 35 35 35 35 Large 1-itemset 13 19 24 30 Kandidat 2-itemset 78 171 276 435 Large 2-itemset 2 11 37 87 Kandidat 3-itemset - 5 93 407 Large 3-itemset - - 5 34 Kandidat 4-itemset - - - 23 Large 4-itemset - - - - Grafik waktu eksekusi pembentukan kandidat FC dan FC (algoritma Close), dan pembentukan kandidat itemset dan large itemset (algoritma Apriori) untuk empat nilai
minsup yang dicobakan, dapat dilihat pada Gambar 4. 0 100 200 300 400 500 600 5 2 1 0,5 Minsup (%) W akt u ( de ti k) Apriori Close
Gambar 4 Grafik waktu eksekusi. Berdasarkan data pada Tabel 2 dan Tabel 3 dapat dapat dinyatakan bahwa jumlah
kandidat FC dan kandidat itemset yang terbentuk sama kecuali pada minsup 0,5 %. Algoritma Close membentuk 22 kandidat FC4 sedangkan algoritma Apriori menghasilkan 23 kandidat 4-itemset.
Perbedaan hasil pada kandidat FC4, disebabkan proses pemangkasan (pruning) kedua pada generator dalam pembentukan kandidat FC4. Generator {003, 008, 009, 025} adalah subset dari atau sama dengan closed itemset dari generator {003, 009, 025} dalam
FC3.
Jumlah FC dari kandidat FC dan jumlah
large itemset dari kandidat itemset yang
memenuhi keempat nilai minsup sama.
Algoritma Close menghasilkan FC yang identik dengan hasil large itemset dari algoritma Apriori.
Hasil algoritma Close berupa kandidat FC
dan FC identik dengan hasil algoritma Apriori
berupa kandidat itemset dan large itemset. Hal ini disebabkan data transaksi yang ditambang bersifat sparse (jarang) atau tidak padat. Data transaksi yang digunakan dalam penelitian ini bersifat tidak padat karena banyak mengandung nilai null. Data transaksi yang jarang mengakibatkan korelasi dalam data lemah.
Data transaksi yang bersifat jarang dan berkorelasi rendah mempengaruhi hasil dari algoritma Close dimana hasil closed itemsets
dari generator adalah generator itu sendiri. Oleh sebab itu, kedua proses pruning dalam algoritma Close tidak bisa memperkecil iterasi proses pembentukan set FC dan memperkecil jumlah kandidat FC dan FC yang terbentuk.
Grafik pada Gambar 4 menunjukkan waktu eksekusi algoritma Close lebih lama dibandingkan waktu eksekusi algoritma
Apriori. Algoritma Close membutuhkan waktu lebih untuk proses akses pada basis data selama proses pembentukan kandidat FC dan
FC. Hal ini juga disebabkan waktu yang
digunakan dua proses pruning dalam
algoritma Close untuk memperkecil iterasi pembentukan set FC menjadi tidak berguna. Oleh sebab itu, waktu eksekusi algoritma
Close menjadi lebih lama.
Berdasarkan data pada Tabel 2 dan Tabel 3, semakin tinggi nilai minsup, maka semakin kecil jumlah FC dan large itemset yang diperoleh dari masing-masing kandidat. Berdasarkan grafik pada Gambar 3, semakin kecil nilai minsup maka semakin lama waktu eksekusi untuk algoritma Close dan Apriori.
Association Rules
Minimal non-redundant association rules
dibentuk menggunakan data hasil generators
dan frequent closed itemsets yang memenuhi empat nilai minsup yang telah dicobakan. Jumlah minimal non-redundant association rules terhadap 11 nilai mincof yang dicobakan dapat dilihat pada Tabel 4. Jumlah minimal non-redundant association rules untuk nilai
minsup dan mincof yang dicobakan terdapat pada Lampiran 4.
Tabel 4 Jumlah minimal non-redundant
associaton rules Minsup (%) Mincof (%) 5 2 1 0,5 75 0 0 0 1 70 0 0 1 2 65 0 0 2 4 60 0 0 3 10 55 0 0 5 15 50 0 1 8 25 45 0 1 8 26 40 1 3 10 39 30 1 5 19 73 20 4 14 44 128 10 4 19 77 226
Berdasarkan data hasil large itemset yang memenuhi empat nilai minsup yang telah dicobakan, dilakukan pembentukan aturan asosiasi menggunakan aplikasi penelitian sebelumnya (Widodo 2004). Jumlah aturan asosiasi terhadap 11 nilai mincof yang dicobakan dapat dilihat pada Tabel 5.
Tabel 5 Jumlah aturan asosiasi
Minsup (%) Mincof (%) 5 2 1 0,5 75 0 0 0 0 70 0 0 1 1 65 0 0 1 2 60 0 0 2 3 55 0 0 4 5 50 0 0 4 8 45 0 0 4 9 40 1 2 6 15 30 1 3 7 22 20 2 9 16 39 10 2 11 34 71
Pembentukan aturan asosiasi untuk empat nilai minsup yang dicobakan dengan nilai
mincof > 78,67 % tidak lagi menghasilkan aturan asosiasi.
Grafik waktu eksekusi pembentukan
minimal non-redundant association rules
asosiasi (AA) pada penelitian Widodo (2004) untuk empat nilai minsup dan 11 nilai mincof
yang dicobakan, dapat dilihat pada Gambar 5.
0 2 4 6 8 10 12 75 70 65 60 55 50 45 40 30 20 10 Mincof (%) Waktu ( d etik) MNRAA AA (a) 0 10 20 30 40 50 75 70 65 60 55 50 45 40 30 20 10 Mincof (%) Waktu (detik) MNRAA AA (b) 0 40 80 120 160 200 75 70 65 60 55 50 45 40 30 20 10 Mincof (%) Waktu (detik) MNRAA AA (c) 0 200 400 600 800 1000 1200 75 70 65 60 55 50 45 40 30 20 10 Mincof (%) Wa ktu ( d eti k ) MNRAA AA
(d)
Gambar 5 Waktu eksekusi pembentukan MNRAA dan AA dari (a)
minsup 5 %, (b) minsup 2 %, (c)
minsup 1 %, dan (d) minsup
Berdasarkan data hasil pada Tabel 4 dan Tabel 5, semakin kecil nilai minsup dan
mincof maka jumlah aturan asosiasi yang dihasilkan semakin banyak. Untuk setiap nilai
minsup dan mincof yang dicobakan, jumlah
minimal non-redundant association rules yang dihasilkan lebih banyak dari jumlah aturan asosiasi.
Pada nilai minsup 2 % dengan nilai mincof
50 % dan 45 %, aturan asosiasi tidak menghasilkan aturan sedangkan minimal non-redundant association rules telah menghasilkan aturan asosiasi, yaitu aturan 026 → 013 (pasta gigi → sabun) dengan support
2,67 % dan confidence 53,64 %. Hal ini berarti 2,67 % dari konsumen akan membeli pasta gigi dan sabun bersamaan dan 53,64 % dari konsumen yang membeli pasta gigi akan selalu diikuti dengan pembelian sabun.
Untuk nilai minsup 0,5 % dan mincof
75 % aturan asosiasi tidak menghasilkan
aturan sedangkan minimal non-redundant
association rules dapat menghasilkan aturan, yaitu aturan 003, 009 → 008 (susu, pelengkap roti → snack) dengan support 0,7 % dan
confidence 78,67 %. Hal ini berarti 0,7 % dari konsumen akan membeli susu, pelengkap roti dan snack bersamaan dan 78,67 % dari konsumen yang membeli susu dan pelengkap roti akan selalu diikuti dengan pembelian snack.
Data minimal non-redundant association rules dengan nilai confidence terbesar dari empat nilai minsup yang telah dicobakan dapat dilihat pada Tabel 6. Data minimal non-redundant association rules yang memiliki korelasi positif dan korelasi negatif terdapat pada Lampiran 5 dan 6.
Tabel 6 Minimal non-redundant association rules dengan nilai confidence terbesar
Minsup (%) Aturan Asosiasi Support (%) Confidence (%) 5 susu → snack 6,54 44,64 2 pasta gigi → sabun 2,67 53,64 1 susu, permen → snack 1,21 70,44 0,5 susu, pelengkap roti → snack 0,7 78,67
Data aturan asosiasi dengan nilai
confidence terbesar dari empat nilai minsup
yang telah dicobakan pada penelitian sebelumnya (Widodo 2004) dapat dilihat pada Tabel 7.
Tabel 7 Aturan asosiasi dengan nilai
confidence terbesar Minsup (%) Aturan Asosiasi Support (%) Confidence (%) 5 susu → snack 6,54 44,64 2 susu → snack 6,54 44,64 1 susu, permen → snack 1,21 70,44 0,5 susu, permen → snack 1,21 70,44
Berdasarkan data hasil pada Tabel 6 dan
Tabel 7, mining minimal non-redundant
association rules menghasilkan aturan asosiasi dengan nilai confidence tertinggi yang berbeda-beda untuk empat nilai minsup yang dicobakan. association rules mining pada penelitian Widodo (2004) menghasilkan aturan asosiasi dengan confidence tertinggi yang sama untuk minsup 5% dan 2 %, begitu juga untuk minsup 1 % dan 0,5 %
Minimal non-redundant association rules
menghasilkan aturan asosasi yang lebih banyak mengandung informasi dibandingkan aturan asosiasi yang dihasilkan pada penelitian sebelumnya (Widodo 2004). Jika penelitian Widodo (2004) menghasilkan aturan asosiasi (013 → 026) untuk minsup
1 % dan mincof 10 %, maka selain menghasilkan aturan asosasi yang sama,
minimal non-redundant association rules juga menghasilkan aturan asosasi (026 → 013) dengan informasi nilai support yang sama, yaitu 2,67 % tetapi nilai confidence yang berbeda. Nilai confidence aturan asosiasi (013 → 026) adalah 26,7 % sedangkan aturan asosiasi (026 → 013) adalah 53,64 %.
Selain membentuk aturan asosiasi yang berbeda, waktu eksekusi pembentukan aturan asosiasi juga memiliki perbedaan yang cukup signifikan. Berdasarkan grafik waktu eksekusi
pembentukan minimal non-redundant
association rules dan aturan asosiasi dari penelitian sebelumnya (Widodo 2004) untuk empat nilai minsup yang ditunjukkan pada Gambar 5, semakin kecil nilai minsup, maka waktu eksekusi untuk pembentukan minimal non-redundant association rules dan aturan asosiasi semakin lama.
Rataan perbedaan waktu eksekusi pembentukan aturan asosiasi untuk masing-masing nilai minsup berbeda-beda. Untuk
minsup 5 %, rataan perbedaan waktu eksekusi adalah 9 detik, minsup 2 % adalah 40,45 detik,
minsup 1% adalah 192 detik (sekitar 3,5 menit), dan minsup 0,5 % adalah 1035 detik (sekitar 17,25 menit).
Redundant Association Rules dengan
Mining Association Rules pada Penelitian Widodo(2004)
Algoritma Apriori yang digunakan pada penelitian Widodo (2004), membentuk large itemset dengan membangkitkan itemset lattice
yang ada dalam basis data. Secara umum
proses pembangkitan itemset lattice
memerlukan waktu penelusuran basis data dan penggunaan sumberdaya komputasi yang besar.
Algoritma Close menggunakan closed itemset lattice yang merupakan sub-order dari
itemset lattice untuk membentuk generators
dan frequent closed itemsets. Penggunaan
closed itemset lattice bisa mengurangi waktu penelusuran basis data dan penggunaan sumberdaya komputasi yang besar.
Generators dan frequent closed itemsets
yang dihasilkan algoritma Close sangat
mempengaruhi pembentukan minimal
non-redundant association rules. Proses pruning
kedua dalam algoritma Close bertujuan
menghilangkan frequent closed itemsets yang berulang, sehingga tidak terjadi pembentukan aturan asosiasi yang berulang dalam minimal non-redundant association rules.
Grafik total waktu eksekusi minimal non-redundant association rules mining, meliputi waktu pembentukan frequent closed itemsets
(algoritma Close) dan waktu rata-rata
pembentukan minimal non-redundant
association rules (MNRAA) pada penelitian ini dapat dilihat pada Gambar 6.
0 100 200 300 400 500 600 5 2 1 0,5 Minsup (%) W aktu (detik) MNRAA Close
Gambar 6 Total waktu eksekusi minimal non-redundant association rules mining.
Grafik total waktu eksekusi association rules mining, meliputi waktu pembentukan
large itemsets (algoritma Apriori) dan waktu rata-rata pembentukan aturan asosiasi (AA) pada penelitian Widodo (2004) dapat dilihat pada Gambar 7. 0 200 400 600 800 1000 1200 5 2 1 0,5 Minsup (%) Waktu (detik) AA Apriori
Gambar 7 Total waktu eksekusi
association rules mining. Grafik pada Gambar 6 dan Gambar 7
menunjukkan pada minsup 5 % dan 2 %,
minimal non-redundant association rules mining membutuhkan waktu eksekusi lebih lama. Minimal non-redundant association rules mining membutuhkan waktu lebih lama untuk eksekusi algoritma Close, sedangkan
association rules mining membutuhkan waktu lebih lama untuk pembentukan aturan asosiasi. Pada minsup 1 % dan 0,5 %, association rules mining membutuhkan waktu eksekusi
lebih lama. Association rules mining
membutuhkan waktu lebih lama untuk pembentukan aturan asosiasi, sedangkan
minimal non-redundant association rules mining membutuhkan waktu lebih lama untuk eksekusi algoritma Close.
Penelitian ini menggunakan data transaksi yang bersifat tidak padat sehingga memiliki korelasi yang lemah dalam data. Hal
ini membuat algoritma Close tidak
memperlihatkan keunggulannya dalam efisiensi waktu dan penggunaan sumberdaya komputasi.
Pembentukan minimal non-redundant
association rules membutuhkan waktu eksekusi lebih sedikit. Pembentukan aturan asosiasi yang menggunakan aplikasi penelitian Widodo (2004) membutuhkan waktu eksekusi yang lebih lama. Hal ini disebabkan pembentukan aturan asosiasi dilakukan dengan mengkombinasikan semua item yang
ada dalam large itemset, sehingga
membutuhkan waktu eksekusi yang lebih lama dan sumberdaya komputasi yang besar.
Berdasarkan data transaksi yang digunakan, jumlah aturan asosiasi yang dihasilkan oleh aplikasi penelitian Widodo (2004) lebih kecil dibandingkan jumlah
minimal non-redundant association rules. Aturan asosiasi yang berulang tidak terbentuk karena dipengaruhi sifat data yang digunakan pada penelitian ini, sehingga keunggulan
mining minimal non-redundant association rules tidak terlihat.
Meskipun begitu, mining minimal non-redundant association rules mampu menghasilkan aturan asosiasi yang mengandung informasi lebih banyak yang tidak dihasilkan oleh aplikasi penelitian sebelumnya (Widodo 2004). Terbentuknya aturan asosasi tersebut merupakan keunggulan lain yang dimiliki mining minimal non-redundant association rules.
Berdasarkan hasil perbandingan, mining minimal non-redundant association rules
memiliki keunggulan dibandingkan mining association rules pada penelitian sebelumnya (Widodo 2004). Keunggulan dalam waktu eksekusi, penggunaan sumberdaya komputasi dan hasil aturan asosiasi yang dihasilkan.
Pada penelitian ini, keunggulan mining non-redundant association rules hanya terlihat
pada proses pembentukan minimal
non-redundant association rules saja. Algoritma
Close tidak memperlihatkan keunggulannya karena sifat data transaksi yang tidak padat dan berkorelasi lemah.
KESIMPULAN DAN SARAN
Kesimpulan
Penelitian ini menerapkan teknik minimal non-redundant association rules mining
menggunakan generators dan frequent closed itemsets untuk membentuk aturan asosisi yang tidak berulang. Algoritma Close menggunakan teknik pruning terhadap closed itemset lattice, untuk membentuk generators dan frequent closed itemsets.
Minimal non-redundant association rules mining menghasilkan aturan asosiasi yang mengandung informasi lebih banyak dibandingkan dengan mining association rules. Pada penelitian ini, mining minimal non-redundant association rules mampu menghasilkan aturan asosiasi 003, 009 → 008 (susu, pelengkap roti → snack) dengan nilai
support 0,7 % dan confidence 78,67 % untuk
nilai minsup 0,5 % dan mincof 75 %
sedangkan mining association rules tidak menghasilkan aturan tersebut.
Berdasarkan hasil penelitian, dapat
dinyatakan keunggulan minimal
non-redundant association rules mining sebagai berikut:
1 menghasilkan aturan asosiasi yang tidak berulang dengan anteseden yang minimal dan konsekuen yang maksimal,
2 menghasilkan aturan asosasi yang lebih banyak mengandung informasi dari basis data. Jika dihasilkan aturan asosiasi 001 → 003 (mie instant → susu) maka akan dihasilkan juga aturan asosasi 003 → 001 (susu → mie instant) dengan informasi nilai support yang sama tetapi nilai
confidence yang berbeda,
3 efisiensi terhadap waktu eksekusi dan
penggunaan sumberdaya komputasi. Waktu eksekusi pembentukan aturan asosiasi tercepat adalah 2 detik yang terjadi pada nilai minsup terbesar, yaitu 5 % sedangkan waktu eksekusi paling lama sekitar 43 detik terjadi pada nilai
minsup terkecil, yaitu 0,5 %.
Data transaksi dalam penelitian ini memiliki sifat data yang tidak padat dan berkorelasi rendah, sehingga algoritma Close
membutuhkan waktu eksekusi lebih lama. Semakin kecil nilai minsup, maka semakin lama waktu yang dibutuhkan untuk membentuk generators dan frequent closed itemsets.
Saran
Aplikasi mining minimal non-redundant association rules yang telah dihasilkan dapat dicobakan dengan menggunakan data yang bersifat padat dan memiliki korelasi tinggi,
sehingga mining minimal non-redundant
association rules dapat memperlihatkan keunggulannya.
Aplikasi mining minimal non-redundant association rules yang telah dihasilkan, dapat dikembangkan dengan menggunakan algoritma lain untuk membentuk generators
dan frequent closed itemsets yang lebih sedikit pada data yang bersifat jarang.
DAFTAR PUSTAKA
Bastide Y, Pasquier N, Taouil R, Stumme G, Lakhal L. 2000. Mining Minimal Non-Redundant Association Rules using Frequent Closed Itemsets. France: Blaise Pascal University.
Godin R, Missaoui R, Alaoui H. 1995.
Incremental Concept Formation Algorithms based on Galois (Concept)
Lattices. Computational Intelligence: 246-267.
rules tidak terlihat.
Meskipun begitu, mining minimal non-redundant association rules mampu menghasilkan aturan asosiasi yang mengandung informasi lebih banyak yang tidak dihasilkan oleh aplikasi penelitian sebelumnya (Widodo 2004). Terbentuknya aturan asosasi tersebut merupakan keunggulan lain yang dimiliki mining minimal non-redundant association rules.
Berdasarkan hasil perbandingan, mining minimal non-redundant association rules
memiliki keunggulan dibandingkan mining association rules pada penelitian sebelumnya (Widodo 2004). Keunggulan dalam waktu eksekusi, penggunaan sumberdaya komputasi dan hasil aturan asosiasi yang dihasilkan.
Pada penelitian ini, keunggulan mining non-redundant association rules hanya terlihat
pada proses pembentukan minimal
non-redundant association rules saja. Algoritma
Close tidak memperlihatkan keunggulannya karena sifat data transaksi yang tidak padat dan berkorelasi lemah.
KESIMPULAN DAN SARAN
Kesimpulan
Penelitian ini menerapkan teknik minimal non-redundant association rules mining
menggunakan generators dan frequent closed itemsets untuk membentuk aturan asosisi yang tidak berulang. Algoritma Close menggunakan teknik pruning terhadap closed itemset lattice, untuk membentuk generators dan frequent closed itemsets.
Minimal non-redundant association rules mining menghasilkan aturan asosiasi yang mengandung informasi lebih banyak dibandingkan dengan mining association rules. Pada penelitian ini, mining minimal non-redundant association rules mampu menghasilkan aturan asosiasi 003, 009 → 008 (susu, pelengkap roti → snack) dengan nilai
support 0,7 % dan confidence 78,67 % untuk
nilai minsup 0,5 % dan mincof 75 %
sedangkan mining association rules tidak menghasilkan aturan tersebut.
Berdasarkan hasil penelitian, dapat
dinyatakan keunggulan minimal
non-redundant association rules mining sebagai berikut:
berulang dengan anteseden yang minimal dan konsekuen yang maksimal,
2 menghasilkan aturan asosasi yang lebih banyak mengandung informasi dari basis data. Jika dihasilkan aturan asosiasi 001 → 003 (mie instant → susu) maka akan dihasilkan juga aturan asosasi 003 → 001 (susu → mie instant) dengan informasi nilai support yang sama tetapi nilai
confidence yang berbeda,
3 efisiensi terhadap waktu eksekusi dan
penggunaan sumberdaya komputasi. Waktu eksekusi pembentukan aturan asosiasi tercepat adalah 2 detik yang terjadi pada nilai minsup terbesar, yaitu 5 % sedangkan waktu eksekusi paling lama sekitar 43 detik terjadi pada nilai
minsup terkecil, yaitu 0,5 %.
Data transaksi dalam penelitian ini memiliki sifat data yang tidak padat dan berkorelasi rendah, sehingga algoritma Close
membutuhkan waktu eksekusi lebih lama. Semakin kecil nilai minsup, maka semakin lama waktu yang dibutuhkan untuk membentuk generators dan frequent closed itemsets.
Saran
Aplikasi mining minimal non-redundant association rules yang telah dihasilkan dapat dicobakan dengan menggunakan data yang bersifat padat dan memiliki korelasi tinggi,
sehingga mining minimal non-redundant
association rules dapat memperlihatkan keunggulannya.
Aplikasi mining minimal non-redundant association rules yang telah dihasilkan, dapat dikembangkan dengan menggunakan algoritma lain untuk membentuk generators
dan frequent closed itemsets yang lebih sedikit pada data yang bersifat jarang.
DAFTAR PUSTAKA
Bastide Y, Pasquier N, Taouil R, Stumme G, Lakhal L. 2000. Mining Minimal Non-Redundant Association Rules using Frequent Closed Itemsets. France: Blaise Pascal University.
Godin R, Missaoui R, Alaoui H. 1995.
Incremental Concept Formation Algorithms based on Galois (Concept)
Lattices. Computational Intelligence: 246-267.