Negative Association Rule untuk Melihat Pola Keterkaitan Perilaku Konsumen pada Data Transaksi Pembelian

(1)

NEGATIVE ASSOCIATION RULE

UNTUK MELIHAT POLA

KETERKAITAN PERILAKU KONSUMEN PADA DATA

TRANSAKSI PEMBELIAN

YOGI PRANOTO

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(2)

NEGATIVE ASSOCIATION RULE

UNTUK MELIHAT POLA

KETERKAITAN PERILAKU KONSUMEN PADA DATA

TRANSAKSI PEMBELIAN

YOGI PRANOTO

Skripsi

sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer pada

Program Studi Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(3)

ABSTRACT

YOGI PRANOTO. Negative Association Rule to See the Relationship between Consumer Behavior Pattern in the Purchase Transaction Data. Supervised by ANNISA.

Association rule mining is one of the most popular data mining techniques to find associations among items in a set by mining necessary patterns in a large database. Typical association rules consider only items enumerated in transactions. Such rules are referred to as positive association rules. Negative association rules also consider the same items, but in addition consider negated items or absent from transactions. The behavior of the customers is studied with reference to buying different products in a shopping store, the discovery of interesting patterns in this collection of data can lead to important marketing and management strategic decisions. Negative association rules are useful in market-basket analysis to identify products that conflict with each other or products that complement each other, in devising marketing strategies. This study used the combinations of minimum support of 10%, 30%, 50% and 70% and minimum confidence 10%, 30%, 50%, and 70%, also minimum interest 0.01, 0.001, 0.0001, and 0.00001. The result shows that the highest value is established by the occurence of rules if customers buy soap then customers will not buy soft drinks and otherwise if a customer buys a soft drink, the customer will not buy soap. Both rules have an interesting value 0.02012.

(4)

(5)

Judul Skripsi : Negative Association Rule untuk Melihat Pola Keterkaitan Perilaku Konsumen pada Data Transaksi Pembelian

Nama : Yogi Pranoto

NRP : G64086049

Menyetujui: Pembimbing

Annisa, S.Kom., M.Kom. NIP 197907312005012002

Mengetahui:

Ketua Departemen Ilmu Komputer

Dr. Ir. Agus Buono, M.Si., M.Kom. NIP 196607021993021001

(6)

RIWAYAT HIDUP

(7)

PRAKATA

Puji dan syukur penulis panjatkan ke hadirat Allah subhanahu wa ta’ala yang telah memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan karya ilmiah ini. Terima kasih penulis ucapkan kepada Ibu Annisa, S.Kom., M.Kom. selaku pembimbing. Adapun penulis mengucapkan terima kasih kepada:

1 Kedua orang tua, serta istri tercinta yang telah memberikan dukungan, perhatian, dan doa sehingga penulis dapat menyelesaikan studi di Departemen Ilmu Komputer IPB.

2 Dosen penguji, Ibu Imas S. Sitanggang, S.Si., M.Kom., dan Bapak Hari Agung Adrianto, S.Kom., M.Kom. atas saran dan bimbingannya.

3 Teman-teman satu bimbingan atas kerja samanya, serta

4 Teman-teman Alih Jenis Ilkom angkatan 3 atas kerjasamanya selama penelitian. Semoga penelitian ini dapat bermanfaat bagi semua pihak yang membutuhkan.

Bogor, Mei 2013

(8)

DAFTAR ISI

Halaman

DAFTAR TABEL ... vi

DAFTAR GAMBAR ... vi

DAFTAR LAMPIRAN ... vi

PENDAHULUAN ... 1

Latar Belakang ... 1

Tujuan ... 1

Ruang Lingkup ... 1

Manfaat ... 1

TINJAUAN PUSTAKA ... 1

Association Rule Mining ... 1

Negative Association Rule Mining ... 2

Interesting Itemset ... 2

Conditional Probability Increment Ratio ... 3

METODE PENELITIAN ... 3

Data Selection ... 3

Data Cleaning ... 3

Data Transformation ... 3

Data Mining ... 3

Knowledge Representation ... 5

Lingkungan Pengembangan ... 5

HASIL DAN PEMBAHASAN... 5

Pembersihan Data ... 5

Transformasi Data ... 5

Data Mining ... 5

Penerapan dalam Kode Program ... 7

KESIMPULAN DAN SARAN... 8

Kesimpulan ... 8

Saran ... 8

DAFTAR PUSTAKA ... 8

(9)

DAFTAR TABEL

Halaman

1 Large 1-frequentitemset dengan min_sup 30% ... 6

2 Large 2-infrequentitemset dengan min_sup 30% ... 6

3 Large 1-frequentitemset dengan min_sup 10% ... 6

4 Large 2-frequentitemset dengan min_sup 10% ... 6

DAFTAR GAMBAR

Halaman 1 Ilustrasi CNR dengan Diagram Venn ... 2

2 Ilustrasi ANR dengan Diagram Venn ... 2

3 Ilustrasi ACNR dengan Diagram Venn ... 2

4 Tahapan Penelitian ... 3

DAFTAR LAMPIRAN

Halaman 1 Langkah pengerjaan ... 10

2 Deskripsi sampel data transaksi pembelian Sinar Mart Swalayan ... 11

3 Format konversi items ke dalam bentuk numerik ... 12

4 Sampel data transaksi pembelian setelah praproses ... 13

5 Large 1-frequent itemset dengan min_sup 10% ... 14

6 Large 2-frequent itemset dengan min_sup 10% ... 14

7 Large 2-infrequent itemset dengan min_sup 10% ... 14

8 Large 3-infrequent itemset dengan min_sup 10% ... 15

9 Valid Rule ANR min_sup 10%, min_conf 50%, dan min_int 0.00001, 0.0001, 0.001, 0.01 ... 16

10 Valid Rule CNR min_sup 10%, min_conf 30%, dan min_int 0.00001, 0.0001, 0.001, 0.01 ... 16

12 Valid Rule CNR min_sup 10%, min_conf 10%, dan min_int 0.00001, 0.0001, 0.001, 0.01 ... 17

14 Valid Rule ACNR min_sup 10%, min_conf 10%, dan min_int 0.00001, 0.0001, 0.001, 0.01 ... 21

(10)

1

PENDAHULUAN

Latar Belakang

Association rule mining merupakan teknik

data mining yang digunakan untuk menemukan keterhubungan antar-item atau objek dalam

database yang kemudian direpresentasikan dalam bentuk aturan asosiasi (association rules). Association rule mining di antara record

yang jumlahnya sangat banyak dapat membantu dalam proses pengambilan keputusan (Han dan Kamber 2006).

Salah satu penerapan association rule mining ialah market basket analysis. Dalam proses ini data transaksi pembelian digunakan untuk mengetahui keterkaitan perilaku konsumen pada pembelian suatu barang dan

rule yang dihasilkan dapat digunakan untuk membantu pengambilan keputusan dalam strategi pemasaran.

Association rule mining yang biasa

diterapkan ialah positive association rule yang digunakan untuk mendapatkan keterhubungan positif antar item-item, misalnya: “jika pembeli membeli roti maka juga membeli susu”. Untuk keterhubungan negatif seperti: “jika pembeli membeli roti maka tidak membeli beras” digunakan Negative association rule yang merupakan aturan yang berisi negasi dari item

dan berbeda dari positive association rule baik dalam prosedur mining-nya tetapi juga bentuknya (Ramaraj dan Venkatesan 2008).

Negative association rule tidak hanya mempertimbangkan item yang ada data set transaksi, tetapi juga item yang dinegasikan (item yang tidak ada pada data transaksi).

Negative association rule berguna untuk mengidentifikasi produk yang bertentangan dengan satu sama lain atau produk yang saling melengkapi pada contoh kasus market basket analysis (Antonie danZaïane 2004). Tujuan

Tujuan dari penelitian ini ialah mengimplementasikan algoritme negative association rule untuk mengetahui pola keterhubungan antar item pada sekumpulan data transaksi pembelian.

Ruang Lingkup

Batasan pada penelitian ini ialah:

1 Menggunakan data transaksi pembelian Sinar Mart Swalayan selama periode 1 bulan terhitung sejak 1 Maret hingga 31 Maret 2004.

2 Menggunakan semua bentuk negative association rule.

Manfaat

Dari penelitian ini dapat diketahui informasi hubungan antar barang yang dibeli oleh pembeli pada data transaksi pembelian. Selain itu juga dapat diidentifikasi produk yang bertentangan dengan satu sama lain atau produk yang saling melengkapi. Keterhubungan tersebut dapat digunakan sebagai bahan pertimbangan dalam pengambilan keputusan yang berhubungan dengan penempatan produk, serta menyusun strategi pemasaran yang lebih baik.

TINJAUAN PUSTAKA

Association Rule Mining

Aturan asosiasi (association rule) atau analisis afinitas (affinity analysis) berkenaan dengan studi “apabersama apa”. Pada dasarnya aturan ini digunakan untuk menggambarkan keterkaitan antara item pada sekumpulan data (Han dan Kamber 2006).

Aturan asosiasi dapat diperoleh melalui 2 tahap berikut:

1 Mencari itemset yang memenuhi support di atas minimum support (min_sup). Min_sup

merupakan nilai ambang batas dari support

di dalam suatu basis data, sedangkan

support merupakan persentase dari transaksi dalam basis data yang mengandung sebuah

itemset tertentu (Han dan Kamber 2006).

Support diperoleh dengan menggunakan persamaan:

N = jumlah seluruh transaksi

2 Menggunakan itemset untuk membuat aturan asosiasi yang memiliki confidence di atas minimum confidence (min_conf).

Min_conf merupakan nilai ambang batas

confidence yang ditentukan, sedangkan

confidence merupakan persentase

kemunculan dari transaksi yang mengandung itemset tertentu juga diikuti kemunculan itemset lainnya. Confidence

diperoleh dengan menggunakan persamaan:

(11)

2

positive association rule yang bermanfaat dalam pengambilan keputusan, tetapi juga negative association rule (NAR). Asosiasi negatif disebut sebagai hubungan negatif antara dua

itemset. Hubungan negatif tersebut menyiratkan aturan negatif antara dua itemset. Namun, asosiasi negatif hanya mengungkapkan aturan negatif dalam representasi tersembunyi, dan tidak memberikan aturan negatif yang sebenarnya. Contoh aturan asosiasi negatif adalah:

 Pelanggan yang beli susu tidak beli kopi,  Pelanggan yang beli permen tidak beli

rokok.

Algoritme Negative association rules

(NAR) (Wu et al. 2004) adalah sebagai berikut:

Input:

D: basis data,

ms: minimum support,

mc: minimum confidence, mi: minimum interesting.

NL: Kumpulan interest infrequent itemset;

Output: negative association rules Method:

(1) Menghitung frequent itemset dan

infrequent itemset dari potential interest

pada database (lihat pada halaman 4) (2) //Men-generate negative association rule

Bentuk negative association rule (NAR), antara lain:

 Consequent Negative Rule (CNR),

bentuknya: A ¬B seperti yang diilustrasikan pada Gambar 1,

supp(A ¬B) = supp(A) – supp(AB) conf(A ¬B) = supp – supp 

supp

Gambar 1 Ilustrasi CNR dengan Diagram Venn

 Antecedent Negative Rule (ANR),

bentuknya: ¬A B seperti yang diilustrasikan pada Gambar 2,

supp(¬A B) = supp(B) – supp(AB) conf(¬A B) = supp – supp 

-supp

Gambar 2 Ilustrasi ANR dengan Diagram Venn.

 Antecedent and Consequent Negative Rule

(ACNR), bentuknya: ¬A ¬B seperti yang diilustrasikan pada Gambar 3.

supp(¬A ¬B) = 1-supp(A)-supp(B) + supp(AB)

conf(¬A ¬B) = -supp -supp supp 

-supp

Gambar 3 Ilustrasi ACNR dengan Diagram Venn.

Interesting Itemset

Pada negative association rule, dilakukan perhitungan interesting itemset dengan langkah-langkah sebagai berikut:

(12)

3

= |su - su su |...(3) dengan batas ambang mi (minimum interestingness).

- menggabungkan nilai interest, support dan

confidence.

 Rumus interesting positive association rules:  Rumus interesting negative association

rule:

Conditional Probability Increment Ratio

Conditional probability increment ratio

(CPIR) merupakan nilai korelasi antara item X

dan Y. Nilai CPIR yang didapatkan nantinya akan dijadikan nilai confidence. CPIR didapat dengan persamaan sebagai berikut:

P su -su su

su -su ...(6)

METODE PENELITIAN

Pada Penelitian ini dilakukan beberapa tahapan untuk mendapatkan hasil yang diinginkan. Alur metodologi penelitian dapat dilihat pada Gambar 4.

Data Selection

Tahap pertama adalah memilih data yang akan digunakan untuk dilakukan proses data mining. Pada tahapan ini ditentukan basis data yang akan digunakan, yaitu data transaksi pembelian Sinar Mart Swalayan selama periode 1 bulan terhitung sejak 1 Maret hingga 31 Maret 2004. Data transaksi pembelian tersebut sebelumnya sudah digunakan pada penelitian yang dilakukan oleh Sijabat (2011). Pada penelitian sebelumnya, data tersebut sudah dilakukan tahap pembersihan data, yaitu apabila transaksi yang terjadi pada waktu yang sama dan tercatat lebih dari satu kali akan dianggap sebagai satu transaksi dan data yang tidak lengkap akan dibuang, serta pada tahap proses seleksi data, yaitu dengan memilih atribut id pembeli, waktu pembelian berdasarkan tanggal, dan juga jenis barang atau item yang dibeli.

Data Cleaning

Pada penelitian ini, pembersihan data merupakan tahap yang dilakukan untuk membersihkan data dari duplikasi. Pada tahap ini, sebuah transaksi pembelian suatu barang yang terdiri atas lebih dari satu barang yang sama, akan dianggap sebagai satu transaksi.

Data Transformation

Pada tahap ini data yang digunakan diubah ke dalam bentuk yang sesuai dengan kebutuhan. Bentuk yang dimaksud adalah tabel dan susunan field yang disusun sesuai kebutuhan pada proses selanjutnya yaitu tahap association rules.

Gambar 4 Tahapan Penelitian

Data Mining

Pada association rule, pencarian aturan (rule) dari bentuk A B adalah dengan support

dan confidence lebih besar, atau sama dengan, dengan ambang batas min_sup, dan min_conf

yang telah ditentukan.

(13)

4

A ¬B disebut juga sebagai interesting negative rule.

Tahap ini merupakan inti dari analisis data. Pada tahap ini diterapkan penggunaan algoritme NAR. Tahapan-tahapan yang akan digunakan pada metode tersebut adalah:

1 Identifikasi interesting itemset

Sebelum mencari interesting itemset pada NAR adalah menemukan frequent dan

infrequent itemset. Frequent itemset merupakan

itemset yang memenuhi minimum support yang telah ditentukan (lebih besar atau sama dengan

ms), sedangkan infrequent itemset merupakan

itemset yang tidak memenuhi minimum support

yang telah ditentukan (lebih kecil dari ms). 1.1 Pruning

Pada negative association rule dihasilkan

infrequent itemset dalam jumlah yang sangat banyak, namun hanya beberapa di antaranya yang berguna dalam menambang negative association rule. Oleh karena itu, perlu dilakukan pruning. Pada negative association rule, pruning dilakukan dengan menghitung

interesting itemset menggunakan rumus 3, selanjutnya menggabungkan nilai interest, support dan confidence dengan menggunakan rumus 4 dan 5. Jika hasil fipis(X, Y) sama

negative rule adalah untuk membatasi pencarian

interesting rule, selanjutnya proses pruning

akan menghapus rule yang tidak mengarah pada

interesting rule.

1.2 Mencari interest frequent dan infrequent itemsets

Untuk mengefesiensikan algoritme dalam mencari frequent itemset yang berhubungan dengan positive rules dan infrequent itemset

yang berhubungan dengan negative rules

dilakukan pruning pada itemset yang tidak termasuk dalam interest itemset. Pada penelitian ini digunakan algoritme sebagai berikut untuk menemukan frequent itemset dan infrequent itemset dari potential interest pada database,

PL : Kumpulan interest frequent itemset;

NL : Kumpulan interest infrequent itemset; (1) PL←∅; NL←∅;

(2) L1←{frequent 1-itemsets}; PL←PL L1;

(3) for (k = 2; (Lk− =∅); k ++) do

begin //membangkitkan semua kemungkinan interest frequent dan

infrequent k-itemsets pada D.

(3.1) Temk←{{x1, ... , xk−2, xk− ,xk}|{x1, ... ,

//Periksa apakah k-itemset termasuk pada transaksi t.

2 Generate negative association rule

Tahapan selanjutnya adalah membangkitkan

negative association rule pada iipis(X,Y). Pada tahap ini, dilakukan perhitungan CPIR menggunakan rumus 6. Setelah didapatkan nilai CPIR, selanjutnya, rule X ¬Y dikatakan valid

apabila supp(X¬Y)  ms, supp(X)  ms,

supp(Y)  ms, interest(X, ¬Y)  mi, dan CPIR

(14)

5

Knowledge Representation

Knowledge representation merupakan tahap untuk merepresentasikan hasil asosiasi yang diperoleh ke dalam bentuk yang mudah dipahami. Pada penelitian ini, knowledge

representation mendeskripsikan hasil

penelitian.

Lingkungan Pengembangan

Penelitian ini dilakukan dalam lingkungan pengembangan sebagai berikut :

Perangkat lunak : - Processor AMD E350 - 2 GB RAM

- Harddisk kapasitas 320 GB

- Monitor dengan resolusi 1280 x 800 piksel

HASIL DAN PEMBAHASAN

Pada penelitian ini, data yang digunakan adalah data transaksi pembelian Sinar Mart Swalayan selama periode waktu 1 Maret hingga 31 Maret 2004. Data transaksi pembelian yang didapat memiliki tiga atribut, yaitu customer id (sid), waktu transaksi (eid), dan barang yang dibeli (item). Data didapat dalam format Microsoft Excel (transaksi_maret2004.xlsx). Urutan pengerjaan digambarkan pada Lampiran 1 dan deskripsi sampel data transaksi pembelian Sinar Mart Swalayan dapat dilihat pada Lampiran 2.

Pembersihan Data

Pembersihan data dilakukan apabila terdapat data pembelian barang yang sama pada satu transaksi, pembelian barang tersebut dicatat hanya satu kali.

Transformasi Data

Pada tahap ini dilakukan beberapa proses transformasi data, yaitu:

1 Konversi waktu transaksi (eid) ke dalam bentuk numerik. Waktu transaksi (eid) yang semula berformat date diubah menjadi numerik dengan mengganti format date menjadi number yang terdapat pada Microsoft Excel untuk menyesuaikan ke dalam format MySQL.

2 Konversi item ke dalam bentuk numerik.

Items yang dibeli oleh pembeli diubah ke dalam bentuk numerik dengan memberikan kode yang dimulai dari 1 hingga 35. Mie

instan dikodekan dengan 1, minyak goreng dikodekan dengan 2, demikian halnya dengan jenis barang lain. Format item yang dikonversi ke dalam bentuk numerik dapat dilihat pada Lampiran 3. Data hasil konversi terdiri atas 11866 baris, 308 pembeli yang berbeda dan 35 item yang berbeda. Sampel data transaksi pembelian setelah praproses dapat dilihat pada Lampiran 4.

Data mining

Pada tahap ini, percobaan dilakukan terhadap data transaksi pembelian Sinar Mart Swalayan yang telah melewati tahap praproses sebanyak 11866 record. Tahapan-tahapan yang dilakukan, yaitu

1 Identifikasi interesting itemset

Sebelum mencari interesting itemset pada NAR adalah menemukan frequent dan

infrequent itemset. Pada tahap ini, pengguna harus terlebih dahulu memberikan nilai

minimum support. Nilai minimum support

digunakan ialah 10%, 30%, 50%, 70%. Selanjutnya, dari masing-masing hasil min_sup

tersebut, jika min_sup 70% tidak ada itemset

yang memenuhi, kemudian diturunkan hingga

min_sup 50% hanya didapatkan frequent itemset

dengan 1 itemset, yaitu itemset snack dengan

support 53.81%.

Hasil pada min_sup 50% tidak bisa dijadikan sebagai bahan untuk analisis, karena karena pada large 1-itemset hanya menghasilkan 1 itemset, sehingga pada large

2-itemset tidak bisa menghasilkan frequent dan

infrequent itemset. Kemudian, min_sup

diturunkan lagi dan dicoba dengan min_sup

30% dan 10%.

1.1 Pembentukan Large Itemset Dengan

Min_sup 30%

a Large 1-frequentitemset

Berdasarkan min_sup 30% dihasilkan 3

itemset. Support tertinggi pada itemset snack dan terendah pada itemset susu dengan support

masing-masing 53.81% dan 33.33%. Hasil

large 1-frequent itemset dengan min_sup 30% ditampilkan pada Tabel 1.

(15)

6

Tabel 1 Large 1-frequent itemset dengan

min_sup 30%

No Itemset Jumlah

Transaksi

frequentitemset hanya menghasilkan infrequent itemset sehingga tidak memungkinkan lagi untuk dilanjutkan ke pembentukan large 3 -itemset. Oleh karena itu, pada tahap ini belum bisa didapatkan informasi yang cukup sebagai bahan analisis, walaupun sudah menghasikan beberapa rule, namun belum menghasilkan

valid rule. Hasil infrequent itemset tersebut dapat dilihat pada Tabel 2.

Tabel 2 Large 2-infrequent itemset dengan

min_sup 30%

No Itemset Jumlah

Transaksi

1.2 Pembentukan Large itemset dengan

min_sup 10% a Large 1-itemset

Tahap pembentukan large 1-itemset

menghasilkan 11 itemset. Beberapa hasil large

1-itemset dengan min_sup 30% ditampilkan pada Tabel 3, untuk hasil keseluruhan dapat dilihat pada Lampiran 5.

Tabel 3 Large 1-frequent itemset dengan

min_sup 10%

No Itemset Jumlah

Transaksi

selanjutnya dapat dibentuk frequent itemset

sebanyak 6 itemset dan infrequent itemset

sebanyak 49 itemset. Pada Tabel 4 dan 5 menampilkan beberapa hasil dari dibentuk

frequent itemset dan infrequent itemset tersebut, untuk dapat melihat hasil keseluruhan dapat dilihat pada Lampiran 6 dan 7.

Tabel 4 Large 2-frequent itemset dengan

min_sup 10%

No Itemset Jumlah

Transaksi

No Itemset Jumlah

Transaksi

large 2-frequent itemset hanya menghasilkan sebanyak 20 infrequent itemset. Beberapa hasil

infrequent itemset pada large 3-itemset ini dapat dilihat pada Tabel 6, untuk hasil selengkapnya dapat dilihat pada Lampiran 8.

Tabel 6 Large 3-infrequent itemset dengan

min_sup 10%

No Itemset Jumlah

Transaksi %

2 Pembentukan aturan asosiasi

Negative association rule mampu

menghasilkan infrequent itemset dalam jumlah yang sangat banyak, namun hanya beberapa di antaranya yang berguna dalam menghasilkan

negative association rule. Oleh karena itu, perlu dilakukan pruning, serta perhitungan interesting itemset pada proses pembentukan aturan asosiasi.

Pada tahapan sebelumnya didapatkan nilai

min_sup 10% yang digunakan untuk langkah selanjutnya. Nilai minimum confidence dan

(16)

7

minimum confidence 10%, 30%, 50%, 70%, serta minimum interest 0.01, 0.001, 0.0001, dan 0.00001.

2.1 Pembentukan aturan asosiasi dengan

min_conf 70%

Hasil percobaan dengan menggunakan

min_conf 70%, min_sup 10%, serta min_int

0.01, 0.001, 0.0001, dan 0.00001 untuk CNR, ANR dan ACNR tidak menghasilkan validrule.

min_conf 50%

Pada percobaan dengan menggunakan

min_sup 10%, min_conf 50%, dan min_int 0.01, 0.001, 0.0001, 0.00001 untuk CNR dan ACNR tidak menghasilkan valid rule, sedangkan ANR menghasilkan 3 valid rule

yang dapat dilihat pada Lampiran 9.

min_conf 30%

Percobaan ini menggunakan nilai min_sup

sebesar 10%, min_conf sebesar 30%, dan

min_int sebesar 0.01, 0.001, 0.0001, dan 0.00001. Hasilnya, CNR menghasilkan 2 valid rule ( Lampiran 10), ANR menghasilkan 9 valid

rule (Lampiran 11), dan ACNR tidak

menghasilkan valid rule.

min_conf 10%

Percobaan ini menggunakan nilai min_sup

sebesar 10%, min_conf sebesar 10%, dan

min_int sebesar 0.01, 0.001, 0.0001, dan 0.00001. Hasilnya, CNR menghasilkan 39 valid rule, ANR menghasilkan 40 valid rule, dan ACNR menghasilkan 15 valid rule. Valid rule

yang dihasilkan dari ketiga bentuk NAR tersebut dapat dilihat pada Lampiran 12, 13, dan 14.

Penerapan dalam kode program

Kode program yang digunakan untuk menghasilkan kombinasi itemset dan rule

adalah sebagai berikut:

//fungsi k-itemset //a = awal

//x = array kosong untuk index //i = array yang dikombinasikan function kitem($a,$x,$i){ melalui fungsi input dengan mengisi itemset

yang ingin dikombinasikan pada variable isi

dengan tipe data string, kemudian diproses oleh fungsi k-item dengan rekursif sebanyak jumlah anggota pada itemset yang dimasukkan. Hasil proses fungsi k-item disimpan dalam variables

dan j, variable s berisi itemset yang sudah di kombinasikan dan j berisi jumlah itemset dari s. Misalnya variableisi berisi data string 01,03,06 maka pada iterasi pertama s = 01 dan j = 1, iterasi kedua s = 01,03 dan j =2, selanjutnya secara berturut-turut isi variable s, yaitu: 01,03,06; 01,06; 03; 03,06; 06 dan isi variable j, yaitu: 3, 2, 1, 2, 1.

3 Analisis aturan asosiasi

Berdasarkan percobaan yang dilakukan didapat hasil sebagai berikut:

1 Dari 35 item kelompok barang yang dijadikan bahan analisis, hanya 3 item yang memiliki support di atas 30%, yaitu snack

(53.81%), softdrink (33.98%) dan susu (33.33%),

2 Support tertinggi dibentuk oleh item snack

sebesar 53.81% dan support terendah dibentuk oleh item sandal sebesar 0.15%, 3 CNR dengan nilai tertinggi dibentuk oleh

rule jika konsumen membeli snack maka konsumen tidak akan membeli makanan pokok dengan support 49.47%, interest

0.01285, dan CPIR 0.2283.

4 ANR dengan nilai tertinggi dibentuk oleh

rule jika konsumen tidak membeli permen dan sabun maka konsumen akan membeli

snack dengan support 51.33%, interest

0.4312 dan CPIR 0.644.

5 ACNR dengan nilai tertinggi dibentuk oleh

rule jika konsumen tidak membeli permen dan sabun maka konsumen tidak akan membeli snack dengan support 51.33%,

interest 0.43907 dan CPIR 0.205

6 CNR dengan nilai terendah dibentuk oleh

rule jika konsumen membeli lotion maka konsumen tidak akan membeli softdrink

(17)

8

7 ANR dengan nilai terendah dibentuk oleh

rule jika konsumen tidak membeli susu dan sabun maka konsumen akan membeli permen dengan support 17.85%, interest

0.78142 dan CPIR 0.151.

8 ACNR dengan nilai terendah dibentuk oleh

rule jika konsumen tidak membeli kopi maka konsumen tidak akan membeli snack

dengan support 46.07%, interest 0.4701 dan CPIR 0.149

KESIMPULAN DAN SARAN

Kesimpulan

Berdasarkan percobaan yang dilakukan didapat rule dengan nilai interesting yg tinggi yaitu jika pelanggan membeli sabun maka pelanggan tidak akan membeli softdrink dan sebaliknya jika pelanggan membeli softdrink

maka pelanggan tidak akan membeli sabun. Kedua rule ini mempunyai nilai interesting

sebesar 0.02012.

Saran bagi pengelola Sinar Mart Swalayan, dalam pengambilan keputusan atau kebijakan dari rule tersebut, yaitu:

 Jangan menempatkan sabun dan softdrink

secara berdekatan karena pembeli hanya membeli salah satu dari item tersebut.  Tidak menjadikan sabun dan softdrink satu

paket pembelian. Saran

Penelitian ini menggunakan data sebanyak 3384 transaksi. Penelitian selanjutnya dapat menambahkan data yang lebih banyak dengan menggunakan data series berikutnya sehingga dapat diperoleh hasil yang lebih baik. Selain itu,

penggunaan metode atau algoritme lain diharapkan dapat memperoleh hasil yang lebih baik lagi. Pengembangan sistem dapat dilakukan dengan penambahan fitur maupun tampilan agar lebih baik.

DAFTAR PUSTAKA

Antonie ML, Zaiane OR. 2004. Mining positive and negative association rules: an approach for confined rules. Di dalam: European PKDD Conference [Internet]. 2004 Sep 20-24; Edmonton, Alberta. hlm 29-30.

Han J, Kamber M. 2006. Data Mining: Concept and Techniques. Edisi ke-2. San Diego(US): Morgan-Kauffman.

Ramaraj E, Venkatesan N. 2008. Positive and negative association rule analysis in health care database. IJCSNS International Journal of Computer Science and Network Security. 8(10): 326.

Sijabat R. 2011. Penentuan pola sekuensial data transaksi pembelian menggunakan algoritme SPADE [skripsi]. Bogor(ID): Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

Sumalatha R, Ramasubbareddy B. 2010. Mining positive and negative association rules. International Journal on Computer Science and Engineering. 2(9): 2917-2918. Wu X, Zhang C, Zhang S. 2004. Efﬁcient

(18)

(19)

10

Lampiran 1 Langkah pengerjaan

Mulai

Praproses Data Data transaksi

Cek 1 itemset yang memenuhi

support Input minimum

support

Positif itemset

Kombinasikan itemset 1+ n

Cek itemset yang terbentuk

Cek support

= 1 >=min supp

Cek interisting positif itemset

Cek minimum interest

Pruning !=1

< min supp Cek interisting

negtif itemset

!=2 Negatif itemset

= 2

Bangkitkan rule dari itemset yang

didapat

< min interest

Cek confidence < min confidence

Rule positif

Rule negatif >= min confidence

selesai Rule yang

(20)

11

Lampiran 2 Deskripsi sampel data transaksi pembelian Sinar Mart Swalayan

eid sid item

01/03/2004 00001 mie instant

01/03/2004 00001 makanan pokok

01/03/2004 00001 susu bayi

01/03/2004 00001 obat

01/03/2004 00004 mie instant

01/03/2004 00004 minyak goreng

01/03/2004 00004 kopi

01/03/2004 00004 saus kecap

01/03/2004 00004 sabun

01/03/2004 00004 obat

01/03/2004 00014 permen

01/03/2004 00014 snack

01/03/2004 00017 susu

01/03/2004 00017 softdrink

01/03/2004 00018 mie instant

01/03/2004 00018 obat

01/03/2004 00020 permen

01/03/2004 00020 softdrink

01/03/2004 00020 snack

01/03/2004 00020 rokok

01/03/2004 00022 susu

01/03/2004 00022 softdrink

01/03/2004 00022 snack

01/03/2004 00023 permen

01/03/2004 00023 softdrink

01/03/2004 00027 susu

01/03/2004 00027 susu bayi

01/03/2004 00029 mie instant

01/03/2004 00029 tissue

01/03/2004 00031 susu

01/03/2004 00031 snack

01/03/2004 00031 susu bayi

01/03/2004 00031 perlengkapan bayi

01/03/2004 00034 mie instant

01/03/2004 00034 ice cream

01/03/2004 00039 obat

01/03/2004 00041 handuk

01/03/2004 00041 tissue

(21)

12

Lampiran 3 Format konversi items ke dalam bentuk numerik

ID Nama

01 Mie Instant 02 Minyak Goreng 03 Susu

04 Kopi

05 Makanan Pokok 06 Permen

07 Softdrink 08 Snack

09 Pelengkap Roti 10 Saus Kecap 11 Makanan Kaleng 12 Lotion

13 Sabun 14 Shampo 15 Obat Nyamuk 16 Pengharum Ruangan 17 Bumbu Dapur 18 Tepung 19 Susu Bayi 20 Rokok 21 Baterai 22 Eskrim 23 Sosis

24 Perlengkapan Komputer 25 Obat

26 Pasta Gigi 27 Multivitamin 28 Perlengkapan Bayi 29 Handuk

30 Perlengkapan Dapur 31 Tissue

32 Sandal 33 Korek

(22)

13

Lampiran 4 Sampel data transaksi pembelian setelah praproses

sid eid items

1 38047 1

1 38047 5

1 38047 19

1 38047 25

1 38047 3

1 38047 25

1 38049 3

1 38049 8

1 38050 1

1 38050 7

1 38050 8

1 38051 8

1 38051 28

1 38055 7

1 38055 8

1 38057 12

1 38057 31

1 38057 35

1 38058 3

1 38058 4

1 38058 6

1 38058 7

1 38058 8

1 38058 19

1 38058 20

1 38058 25

1 38058 31

1 38060 6

1 38060 7

1 38060 8

1 38060 16

1 38063 13

1 38063 26

1 38064 8

1 38064 23

1 38064 31

1 38065 1

(23)

14

Lampiran 5 Large 1-frequent itemset dengan min_sup 10%

No Itemset Jumlah

Transaksi

No Itemset Jumlah

Transaksi

No Itemset Jumlah

(24)

15

Lanjutan

No Itemset Jumlah

Transaksi

25 Softdrink, Pasta gigi

117 34,57

Lampiran 8 Large 3-infrequent itemset dengan min_sup 10%

No Itemset Jumlah

Transaksi

(25)

16 Lampiran 9 Valid Rule ANR min_sup 10%, min_conf 50%, dan min_int 0.00001, 0.0001, 0.001, 0.01

No Item

Jumlah Transaksi

Item

Body

Jumlah Transaksi

Body

Head

Jumlah Transaksi

Head

Rule Support CPIR Interest FIPIS IIPIS

1 01,06,08 97 01,06 372 08 1821 0 ,06 → 08 50.95 0.601 0.43139 1 2

2 01,08,13 110 01,13 372 08 1821 0 , 3 → 08 50.56 0.525 0.43523 1 2

3 06,08,13 84 06,13 349 08 1821 06, 3 → 08 51.33 0.644 0.4312 1 2

Lampiran 10 Valid Rule CNR min_sup 10%, min_conf 30%, dan min_int 0.00001, 0.0001, 0.001, 0.01

No Item

Jumlah Transaksi

Item

Body

Jumlah Transaksi

Body

Head

Jumlah Transaksi

Head

1 07,08,13 111 07,08 649 13 836 07,08 → 3 15.9 0.308 0.01458 1 2

2 07,08,13 111 13 836 07,08 649 3 → 07,08 21.42 0.308 0.01458 1 2

Lampiran 11 Valid Rule ANR min_sup 10%, min_conf 30%, dan min_int 0.00001, 0.0001, 0.001, 0.01

No Item

Jumlah Transaksi

Item

Body

Jumlah Transaksi

Body

Head

Jumlah Transaksi

Head

1 01,06,08 97 01,06 372 08 1821 0 ,06 → 08 50.95 0.601 0.43139 1 2

2 01,07,08 124 01,07 372 08 1821 0 ,07 → 08 50.15 0.443 0.43937 1 2

3 01,08,13 110 01,13 372 08 1821 0 , 3 → 08 50.56 0.525 0.43523 1 2

4 03,06,13 50 06,13 435 03 1128 06, 3 → 03 31.86 0.328 0.63859 1 2

(26)

17 No Item

Jumlah Transaksi

Item

Body

Jumlah Transaksi

Body

Head

Jumlah Transaksi

Head

6 03,07,13 69 07,13 649 03 1128 07, 3 → 03 31.29 0.341 0.62313 1 2

7 06,07,13 49 06,13 435 07 1150 06, 3 → 07 32.54 0.344 0.63096 1 2

8 06,08,13 84 06,13 349 08 1821 06, 3 → 08 51.33 0.644 0.4312 1 2

9 07,08,13 111 07,13 349 08 1821 07, 3 → 08 50.53 0.476 0.43918 1 2

Lampiran 12 Valid Rule CNR min_sup 10%, min_conf 10%, dan min_int 0.00001, 0.0001, 0.001, 0.01

No Item

Jumlah Transaksi

Item

Body

Jumlah Transaksi

Body

Head

Jumlah Transaksi

Head

1 01,07 210 07 1150 01 706 07 → 0 27.78 0.125 0.00884 1 2

2 01,12 73 12 455 01 706 → 0 11.29 0.231 0.00648 1 2

3 04,06 88 06 654 04 507 06 → 04 16.73 0.102 0.00295 1 2

4 04,12 54 12 455 04 507 → 04 11.85 0.208 0.00419 1 2

5 03,05 94 03 1128 05 354 03 → 05 30.56 0.203 0.00709 1 2

6 05,06 52 06 654 05 354 06 → 05 17.79 0.24 0.00485 1 2

7 05,07 85 07 1150 05 354 07 → 05 31.47 0.293 0.01043 1 2

8 05,08 147 08 1821 05 354 08 → 05 49.47 0.228 0.01285 1 2

9 05,12 38 12 455 05 354 → 05 12.32 0.202 0.00284 1 2

10 05,26 39 26 440 05 354 6 → 05 11.85 0.153 0.00208 1 2

11 04,06 88 04 507 06 654 04 → 06 12.38 0.102 0.00295 1 2

(27)

18 No Item

Jumlah Transaksi

Item

Body

Jumlah Transaksi

Body

Head

Jumlah Transaksi

Head

13 06,13 123 13 836 06 654 3 → 06 21.07 0.239 0.0114 1 2

14 06,26 63 26 440 06 654 6 → 06 11.14 0.259 0.00651 1 2

15 01,07 210 01 706 07 1150 0 → 07 14.66 0.125 0.00884 1 2

16 07,12 115 12 455 07 1150 → 07 10.05 0.256 0.01171 1 2

17 07,13 216 13 836 07 1150 3 → 07 18.32 0.24 0.02012 1 2

18 01,12 73 01 706 12 455 0 → 18.71 0.231 0.00648 1 2

19 03,12 134 03 1128 12 455 03 → 29.37 0.116 0.00522 1 2

20 04,12 54 04 507 12 455 04 → 13.39 0.208 0.00419 1 2

21 06,12 78 06 654 12 455 06 → 17.02 0.113 0.00294 1 2

22 07,12 115 07 1150 12 455 07 → 30.59 0.256 0.01171 1 2

23 08,12 209 08 1821 12 455 08 → 47.64 0.146 0.01059 1 2

24 03,08,13 154 03,08 702 13 836 03,08 → 3 16.19 0.112 0.00574 1 2

25 06,08,13 84 06,08 435 13 836 06,08 → 3 10.37 0.218 0.00693 1 2

26 06,13 123 06 654 13 836 06 → 3 15.69 0.239 0.0114 1 2

27 07,08,13 111 07,08 649 13 836 07,08 → 3 15.9 0.308 0.01458 1 2

28 07,13 216 07 1150 13 836 07 → 3 27.6 0.24 0.02012 1 2

29 06,26 63 06 654 26 440 06 → 6 17.46 0.259 0.00651 1 2

30 07,26 117 07 1150 26 440 07 → 6 30.53 0.218 0.00961 1 2

31 08,26 191 08 1821 26 440 08 → 6 48.17 0.193 0.01353 1 2

(28)

19 No Item

Jumlah Transaksi

Item

Body

Jumlah Transaksi

Body

Head

Jumlah Transaksi

Head

33 06,31 64 06 654 31 372 06 → 3 17.43 0.11 0.00233 1 2

34 08,31 177 08 1821 31 372 08 → 3 48.58 0.116 0.00685 1 2

35 03,07,13 69 13 836 03,07 349 3 → 03,07 22.67 0.2 0.00509 1 2

36 03,08,13 154 13 836 03,08 702 3 → 03,08 20.15 0.112 0.00574 1 2

37 06,08,13 84 13 836 06,08 435 3 → 06,08 22.22 0.218 0.00693 1 2

38 07,08,13 111 13 836 07,08 649 3 → 07,08 21.42 0.308 0.01458 1 2

39 07,08,13 111 07 1150 08,13 372 07 → 08, 3 30.7 0.122 0.00456 1 2

Lampiran 13 Valid Rule ANR min_sup 10%, min_conf 10%, dan min_int 0.00001, 0.0001, 0.001, 0.01

No Item

Jumlah Transaksi

Item

Body

Jumlah Transaksi

Body

Head

Jumlah Transaksi

Head

1 01,03,06 56 01,06 372 03 1128 0 ,06 → 03 31.68 0.274 0.64657 1 2

2 01,03,07 79 01,03 372 07 1150 0 ,03 → 07 31.65 0.193 0.64615 1 2

3 01,03,07 79 01,07 372 03 1128 0 ,07 → 03 31 0.181 0.65337 1 2

4 01,03,08 151 01,03 372 08 1821 0 ,03 → 08 49.35 0.286 0.44735 1 2

5 01,03,13 73 03,13 702 01 706 03, 3 → 0 18.71 0.132 0.76966 1 2

6 01,03,13 73 01,13 355 03 1128 0 , 3 → 03 31.18 0.192 0.65327 1 2

7 01,06,07 54 06,07 702 01 706 06,07 → 0 19.27 0.166 0.76405 1 2

8 01,06,07 54 01,06 372 07 1150 0 ,06 → 07 32.39 0.295 0.63877 1 2

(29)

20 No Item

Jumlah Transaksi

Item

Body

Jumlah Transaksi

Body

Head

Jumlah Transaksi

Head

10 01,06,13 43 01,06 372 13 836 0 ,06 → 3 23.43 0.175 0.7385 1 2

11 01,06,13 43 06,13 435 01 706 06, 3 → 0 19.59 0.139 0.77726 1 2

12 01,07,08 124 01,07 372 08 1821 0 ,07 → 08 50.15 0.443 0.43937 1 2

13 01,07,13 60 07,13 649 01 706 07, 3 → 0 19.09 0.147 0.76909 1 2

14 01,07,13 60 01,13 355 07 1150 0 , 3 → 07 32.21 0.259 0.64225 1 2

15 01,07,13 60 01,07 372 13 836 0 ,07 → 3 22.93 0.114 0.74353 1 2

16 01,08,13 110 01,13 372 08 1821 0 , 3 → 08 50.56 0.525 0.43523 1 2

17 03,05 94 05 354 03 1128 05 → 03 30.56 0.102 0.65957 1 2

18 03,06,07 91 03,06 355 07 1150 03,06 → 07 31.29 0.126 0.65141 1 2

19 03,06,07 91 06,07 355 03 1128 06,07 → 03 30.64 0.115 0.65859 1 2

20 03,06,08 162 03,06 372 08 1821 03,06 → 08 49.02 0.222 0.4506 1 2

21 03,06,13 50 03,13 702 06 654 03, 3 → 06 17.85 0.151 0.78142 1 2

22 03,06,13 50 06,13 435 03 1128 06, 3 → 03 31.86 0.328 0.63859 1 2

23 03,06,13 50 03,06 355 13 836 03,06 → 3 23.23 0.141 0.74181 1 2

24 03,07,13 69 03,13 702 07 1150 03, 3 → 07 31.94 0.366 0.61006 1 2

25 03,07,13 69 07,13 649 03 1128 07, 3 → 03 31.29 0.341 0.62313 1 2

26 03,08,13 154 03,13 349 08 1821 03, 3 → 08 49.26 0.21 0.45189 1 2

27 05,07 85 05 354 07 1150 05 → 07 31.47 0.151 0.64973 1 2

28 05,08 147 05 354 08 1821 05 → 08 49.47 0.266 0.44903 1 2

(30)

21 No Item

Jumlah Transaksi

Item

Body

Jumlah Transaksi

Body

Head

Jumlah Transaksi

Head

30 06,07,13 49 06,13 435 07 1150 06, 3 → 07 32.54 0.344 0.63096 1 2

31 06,07,13 49 06,07 702 13 836 06,07 → 3 23.26 0.235 0.71619 1 2

32 06,08,13 84 06,13 349 08 1821 06, 3 → 08 51.33 0.644 0.4312 1 2

33 07,08,13 111 07,08 649 13 836 07,08 → 3 21.42 0.101 0.73838 1 2

34 07,08,13 111 07,13 349 08 1821 07, 3 → 08 50.53 0.476 0.43918 1 2

35 07,12 115 12 455 07 1150 → 07 30.59 0.132 0.64846 1 2

36 07,13 216 13 836 07 1150 3 → 07 27.6 0.123 0.64004 1 2

37 07,26 117 26 440 07 1150 6 → 07 30.53 0.112 0.65055 1 2

38 08,12 209 12 455 08 1821 → 08 47.64 0.171 0.45129 1 2

39 08,26 191 26 440 08 1821 6 → 08 48.17 0.225 0.44835 1 2

40 08,31 177 31 372 08 1821 3 → 08 48.58 0.135 0.45503 1 2

Lampiran 14 Valid Rule ACNR min_sup 10%, min_conf 10%, dan min_int 0.00001, 0.0001, 0.001, 0.01

No Item

Jumlah Transaksi

Item

Body

Jumlah Transaksi

Body

Head

Jumlah Transaksi

Head

1 01,03,08 151 01,03 372 08 1821 0 ,03 → 08 49.35 0.172 0.45573 1 2

2 01,06,08 97 01,06 372 08 1821 0 ,06 → 08 50.95 0.205 0.43977 1 2

3 01,07,08 124 01,07 372 08 1821 0 ,07 → 08 50.15 0.189 0.44775 1 2

4 01,08,13 110 01,13 372 08 1821 0 , 3 → 08 50.56 0.197 0.44361 1 2

(31)

22 No Item

Jumlah Transaksi

Item

Body

Jumlah Transaksi

Body

Head

Jumlah Transaksi

Head

6 03,07,08 230 03,07 349 08 1821 03,07 → 08 47.02 0.116 0.48221 1 2

7 03,08,13 154 03,13 349 08 1821 03, 3 → 08 49.26 0.162 0.45975 1 2

8 04,08 262 04 507 08 1821 04 → 08 46.07 0.149 0.4701 1 2

9 05,08 147 05 354 08 1821 05 → 08 49.47 0.168 0.457 1 2

10 06,07,08 178 06,07 349 08 1821 06,07 → 08 48.55 0.148 0.46685 1 2

11 06,08,13 84 06,13 349 08 1821 06, 3 → 08 51.33 0.205 0.43907 1 2

12 07,08,13 111 07,13 349 08 1821 07, 3 → 08 50.53 0.189 0.44705 1 2

13 08,12 209 12 455 08 1821 → 08 47.64 0.164 0.46154 1 2

14 08,26 191 26 440 08 1821 6 → 08 48.17 0.171 0.45827 1 2

(32)