BAB II
TINJAUAN PUSTAKA DAN LANDASAN TEORI
2.1 Tinjauan Pustaka
Berdasarkan penelitian yang telah dilakukan sebelumnya antara lain seperti penelitian yang berjudul “Analisa Transaksi Penjualan Menggunakan Metode Algoritma Apriori (Studi Kasus Toko Busana Sakato, Gajah Mada Plaza B-19 Malang)”. Pada penelitian ini dikembangkan sistem analisa untuk dapat membantu toko Sakato untuk menemukan pola penempatan barang agar mempermudah customer untuk mencari barang yang diinginkan menggunakan Algoritma Apriori, dan pola pola yang terbentuk tersebut bisa diletakkan secara berdekatan, supaya meningkatkan volume penjualan di toko Sakato (Tida &
Zubair, 2022).
Penelitan selanjutnya yaitu penelitan dengan judul “Penerapan Algoritma Apriori Pada Transaksi Penjualan Untuk Rekomendasi Menu Makanan Dan Minum”. Pada penelitian ini menggunakan metode Apriori untuk mengetahui menu yang ada di Warung Tenda untuk dijadikan paket menu dengan 50 data transaksi penjualan dengan total 10 item, terbentuk 11 rule association yang dapat menjadikan hasil tersebut sebagai bahan acuan untuk ditambahkan sebagai paket menu di daftar menu Warung Tenda (Merliani et al., 2022).
Penelitian dengan judul “Analisis Keranjang Belanja Pada Transaksi Penjualan Menggunakan Algoritma Apriori” Penelitian ini untuk menganalisa pola transaksi keranjang belanja pada transaksi penjualan dengan memanfaatkan data mining mengikuti aturan asosiasi menggunakan metode Algoritma Apriori.
Menggunakan nilai support minimum 20% dan nilai confidence 50% ditemukan aturan asosiasi yang menunjukan pola transaksi pembelian membeli gurame bakar, kangkung, karedok, tahu goreng (isi 5pcs), tahu ondel (isi 5pcs), toge cah bawang putih (Sari & Hayuningtyas, 2021).
Penelitian selanjutnya dengan judul “Analisis Pola Pembelian Konsumen Pada Transaksi Penjualan Menggunakan Algoritma Apriori”. Penelitian ini mengimplementasikan data transaksi untuk mendapatkan pola pembelian konsumen menggunakan sistem data mining dengan teknik alogritma Apriori, yang mana pola yang didapatkan akan menghasilkan rule atau aturan mengenai keterikatan dari suatu produk. Sistem tersebut dibangun berbasis website menggunakan PHP & HTML untuk membangun aplikasi dan MySQL sebagai basis datanya. Pada kasus ini, produk yang ada dalam data transaksi penjualan yang dipakai untuk dianalisis ini sangat bervarian, faktor ini akan mempengaruhi nilai support yang akan dihasilkan dalam setiap itemsetnya (Djamaludin &
Nursikuwagus, 2017).
Pada penelitian dengan judul “Menentukan Akurasi Tata Letak Barang dengan Menggunakan Algoritma Apriori dan Algoritma FP-Growth”. Penelitian ini bertujuan untuk membandingkan keefektifan dan tingkat akurasi algoritma Apriori dan algoritma FP-Growth dan melakukan pengujian dengan 2 pengujian yaitu pengujian hasil dan rasio adapun hasil pengujian didapatkan FP-Growth menghasilkan rule yang lebih baik dibandingkan dengan algoritma apriori dengan total rule sebanyak 6, sedangkan algoritma apriori menghasilkan 4 rule (Anggrawan et al., 2021).
Perbedaan penelitian ini dengan penelitian sebelumnya adalah periode penelitian ini dilakukan pada periode 2022 – 2023. Perbedaan lainnya yaitu mengenai objek penelitian rumah makan, dimana hasil dari penelitian ini dapat berupa suatu rekomendasi penataan menu makanan yang dapat memudahkan calon pembeli untuk memesan makanannya sebagai hasil dari proses analisa pola transaksi menggunakan Algoritma Apriori dengan total data sebanyak 8255 transaksi. Penelitian ini dilakukan di rumah makan Bebek Pondok Galih dengan pilihan item menu yang ada pada rumah makan tersebut. Data transaksi yang akan digunakan 8255 transaksi penjualan dengan rentan waktu 3 bulan.
2.2 Landasan Teori 2.2.1 Bebek Pondok Galih
Bebek Pondok Galih merupakan rumah makan yang menyediakan menu utama berupa masakan bebek. Memiliki 2 cabang yang di Jogja dan 2 cabang di Nusa Tenggara Barat. Bebek Pondok Galih mengedepankan kenyamanan pengunjung dengan menyuguhkan fasilitas restoran yang sangat luas dan ramah anak. Persaingan di dunia kuliner semakin hari semakin sulit, karena banyak nya rumah makan yang terus tumbuh dengan berbagai macam variasi hidangan dan olahan membuat pecinta kuliner memiliki lebih banyak opsi.
Berikut menu dari rumah makan Bebek Pondok Galih di cabang Jempong, Lombok, Nusa Tenggara Barat dapat dilihat pada gambar 2.2.1 dan gambar 2.2.2
Gambar 2.2-1 - Daftar Menu Bebek Pondok Galih
Gambar 2.2-2 - Daftar Minuman Bebek Pondok Galih
2.2.2 Data Mining
Ilmu pengetahuan yang menjelaskan tentang hasil pemrosesan berupa pengetahuan pada sekumpulan informasi bisa menghasilkan aturan-aturan dan pola yang diinginkan. Pola tersebut bisa didapatkan dari banyak sumber, diantaranya adalah data transaksi (Saputro & Gilang, 2017). Selain itu juga sekaligus proses menyaring data dengan memanfaatkan kumpulan data yang sangat besar tentu saja dengan serangkaian proses guna mendapatkan informasi yang penting dari kumpulan data tersebut (Tamba & Bu’ulolo, 2019).
Data Mining dibagi menjadi beberapa kelompok:
a) Deskripsi
Pola di dalam data biasanya sulit dimengerti sehingga menyebabkan peneliti mencari cara lain untuk menentukan pola yang ada pada suatu data. Dengan hal ini pola dalam data jadi lebih mudah dimengerti.
b) Estimasi
Estimasi hampir sama dengan klasifikasi, yang membedakannya adalah targetnya yang lebih mengarah ke numeric daripada kategori.
c) Prediksi
Prediksi juga hampir sama dengan estimasi dan klasifikasi, yang membedakan ialah hasil dari prediksi menunjukkan sesuatu yang belum terjadi
d) Klasifikasi
Variabel klasifikasi bersifat kategorikal. Contohnya kita akan mengklasifikasikan rasa makanan dalam 3 kategori, yaitu: makanan manis, makanan asin, dan makanan pedas.
e) Clustering
Clustering lebih mengarah ke pengelompokan data dalam suatu kelas tertentu yang memiliki suatu kesamaan.
f) Asosiasi
Teknik dalam data mining yang digunakan untuk menemukan atribut yang terjadi pada satu waktu (terjadi secara bersamaan). Dalam dunia bisnis sering disebut dengan Market Basket Analysis.
2.2.3 Proses Data Mining
Data mining juga sering diartikan sebagai Knowledge Discovery in Databases, proses mendapatkan sebuah informasi yang bermanfaat dari sebuah basis data yang besar dan diperperlukan proses ekstraksi supaya menjadi dasar dalam pengambilan keputusan berdasarkan informasi yang dihasilkan (Suntoro, 2019).
Adapun Tahapan data mining adalah sebagai berikut:
1. Data Cleaning (Pembersihan Data)
Data yang didapat tidak semuanya bersifat lengkap, terdapat beberapa informasi yang hilang atau terdapat data yang tidak valid. Pada proses data cleaning berfungsi untuk menghilangkan noise dan memperbaiki data yang kehilangan informasi.
2. Data Selection (Pemilihan Data)
Pada database terdapat banyak data dan tentu tidak semua data akan digunakan, pada proses data selection inilah pemilihan data yang relevan dan dibutuhkan untuk proses analisis.
3. Data Transformation (Transformasi Data)
Semua data ditransformasikan menjadi format data yang dibutuhkan yang selanjutnya di proses dengan data mining.
4. Data Mining (Penggalian Data)
Pada proses ini metode atau algoritma yang sudah ditentukan datap diterapkan untuk mengekstrak pola guna mendapatkan informasi yang diinginkan.
5. Pattern Evaluation (Evaluasi Pola)
Pada proses ini, pola informasi yang didapat bisa berbeda atau bahkan tidak sesuai dengan reancana, maka semua itu diatasi dengan proses pattern evaluation dengan mengidentifikasi pola informasi yang benar sesuai dengan dugaan sementara.
6. Knowledge Presentation
Merupakan tahapan akhir dalam proses data mining yang merupakan gambaran teknik visualisasi maupun pengetahuan yang digunakan untuk memberikan pengetahuan yang telah dicari kepada pengguna.
2.2.4 Preprocessing
Preprocessing merupakan tahapan sebelum proses pengklasifikasian yang diperlukan untuk membersihkan, menghilangkan, mengubah sumber data, baik itu berupa karakter non alfabet maupun kata-kata yang tidak diperlukan. Hal ini bertujuan agar data yang digunakan lebih optimal ketika digunakan pada proses pengklasifikasiannya (Muttaqin, 2016).
Tahapan dalam pre-processing adalah:
1. Data Cleaning
Tahap pertama yang perlu dilakukan ketika akan preprocessing data adalah data cleaning atau membersihkan data. Artinya, data mentah yang telah diperoleh perlu diseleksi kembali. Kemudian, hapus atau hilangkan data-data yang tidak lengkap, tidak relevan, dan tidak akurat.
2. Data Integration
Karena data preprocessing akan menggabungkan beberapa data dalam suatu dataset, maka kita harus mengecek data-data yang datang dari berbagai sumber tersebut supaya memiliki format yang sama.
3. Transformasi Data
Proses berikutnya yang harus dilakukan adalah transformasi data. Seperti yang telah dijelaskan di atas, data akan diambil dari berbagai sumber yang kemungkinan memiliki perbedaan format. Kita harus menyamakan seluruh data yang terkumpul supaya dapat mempermudah proses analisis data.
4. Data Reduction
Proses mengurangi sampel data yang diambil, tetapi dengan catatan, tidak akan mengubah hasil analisis data. Ada tiga teknik yang bisa diterapkan saat melakukan pengurangan data, yakni dimensionality reduction (pengurangan dimensi), numerosity reduction (pengurangan jumlah), dan data compression (kompresi data).
2.2.5 Aturan Asosiasi
Aturan asosiasi merupakan metode data mining yang berguna mencari keterikatan antara satu barang dengan barang yang lain yang memiliki kemungkinan beberapa nilai item akan muncul secara bersamaan. Misalnya seseorang membeli bebek bakar maka juga akan membeli nasi porsi. Aturan asosiasi juga disebut sebagai market basket analysis, tujuannya untuk menemukan pola pembelian yang seperti apa yang sering dipesan oleh pelanggan. Deskripsi sederhana market basket analysis diuraikan dalam gambar berikut :
Gambar 2.2-3 - Market Basket Analysis (Hadi)
Pada Gambar 2.2.3 dijelaskan jika di sebuah keranjang diisi dengan beberapa produk yang akan dibeli. Keranjang tersebut memiliki berbagai macam produk, yaitu: teh, roti, susu, vitamin, sabun dan kecap yang menginformasikan apa saja yang akan dibeli pada satu transaksi. Satu keranjang tersebut menggambarkan tentang salah satu transaksi, tetapi semua pembelian yang dilakukan akan memiliki informasi lebih banyak. Pelanggan mungkin bisa membeli barang yang berbeda., dalam jumlah produk berbeda, pada waktu pembelian yang beda setiap hari.
Analisa keranjang tersebut akan memberikan informasi produk yang memiliki kecenderungan untuk dibeli secara bersamaan.
2.2.6 Algoritma Apriori
Algoritma apriori bagian dari data mining yang merupakan algoritma dari teknik Association Rules Mining (ARM). Aturan asosiatif ini dapat berbentuk dari jika terjadi maka terjadi (Iswandi et al., 2020). Dua parameter penting asosiasi ini adalah support dan confidence (Badrul, 2016). Support merupakan nilai penunjang, Sedangkan Confidence merupakan nilai kepastian.
1. Support
Support merupakan nilai persentase setiap masing-masing data yang mengandung kombinasi antar menu. Persamaan untuk mendapatkan nilai support.
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴) = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖
2.2.1 (Haidar, 2021)
atau
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴, 𝐵) = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵 𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖
2.2.2 (Haidar, 2021)
2. Confidence
Confidence adalah nilai seberapa kuat keterikatan kombinasi item dengan item yang lain dalam suatu aturan asosiasi yang telah terbentuk. Rumus untuk mendapatkan nilai confidence:
𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 (𝐴, 𝐵) = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵
𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 2.2.3 (Haidar, 2021)
Atau
𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 (𝐴 => 𝐵) = 𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝐴, 𝐵)
𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝐴) 2.2.4
(Haidar, 2021)
Ada dua tahapan yang penting pada proses algoritma apriori:
1. Join (Penggabungan)
Satu item dikombinasikan dengan item lain sampai tidak ada lagi kombinasi lain yang bisa terbentuk.
2. Pruning (Pemangkasan)
Pada proses ini dilakukan pemangkasan terhadap kombinasi sesuai dengan minimum support yang sebelumnya telah ditetapkan.
Berikut adalah pseudocode dari algoritma apriori: (Adewole et al., 2014)
Procedure Apriori_Algorithm()
Input: D, a database of transactions; min_sup, the minimum support count threshold
Output: L, frequent itemsets in DL1 = {frequent items};
Steps:
(1) L1 = find_frequent_1-itemsets(D);
(2) for (k = 2; Lk-1 ≠ ɸ; k++) { (3) Ck = apriori_gen(Lk-1);
(4) for each transaction { // scan D for counts
(5) Ct = subset(Ck, ti;
(6) for each candidate c ∈ Ct (7) c.count++;
(8) }endfor
(9) Lk = { c ∈ Ck | c.count min_sup } (10) endfor
(11) return L =∪kLk;
Procedure apriori_gen(Lk-1: frequent (k-1)- itemsets)
(1) for each itemset l1 ∈ Lk-1 (2) for each itemset l2 ∈ Lk-1
(3) if (l1[1] = l2[1])˄(l1[2] = l2[2])˄:::˄(l1[k2] = l2[k-2])˄(l1[k-1] < l2[k-1]) then { (4) c = l1 X l2;
(5) if has_infrequent_subset(c, Lk-1) then (6) delete c;
(7) else add c to Ck;
(8) endif (9) return Ck;
Procedure has_infrequent_subset(c: candidate kitemset; Lk-1: frequent (k-1)-itemsets);
//use prior knowledge
(1) for each (k-1)-subset s of c (2) if s ∈ Lk-1 then
(3) return TRUE (4) endif
(5) return FALSE
Langkah-langkah pada proses algoritma apriori adalah sebagai berikut:
1. Pertama scan database guna menemukan kandidat 1-itemset (C1) dan juga menghitung nilai support-nya. Setelah itu bandingkan antara nilai support
dengan minimum support yang sebelumnya telah ditentukan, apabila nilai support lebih besar atau nilainya sama dengan minimum support, itemset terhitung dalam large-itemset set 1 (L1).
2. Itemset yang tidak terhitung dalam large-itemset tidak dipakai untuk melakukan iterasi berikutnya (proses pruning).
3. Large-itemset set 1 (L1) digunakan untuk proses iterasi yang berikutnya. Pada large-itemset set 1 (L1) dilakukan proses join pada dirinya sendiri untuk menghasilkan kandidat 2-itemset (C2). Setelah itu bandingkan nilai support dari semua item yang ada pada C2 dengan minimum support, jika nilainya lebih atau sama dengan minimum support maka akan masuk kedalam large-itemset L2.
Ulangi langkah yang sama seperti mencari large-itemset yang sebelumnya.
4. Pembentukan kandidat (joining) dan pembentukan large-itemset (pruning) dilakukan secara terus-menerus sampai tidak ada lagi kandidat yang bisa terbentuk.
5. Langkah selanjutnya yaitu untuk semua large-itemset yang terbentuk atau memenuhi nilai minimum support akan dibentuk association rule setelah itu dicarijuga nilai confidence-nya. Nantinya seluruh aturan yang terbentuk jika nilai confiedence-nya kurang dari nilai minimum confidence yang ditetapkan, maka aturan tersebut tidak akan dipakai atau tidak termasuk dalam association rule yang dipakai.
2.2.7 Perhitungan Apriori
Pada proses pemodelan ialah memilih teknik data mining yang akan digunakan. Pada penelitian ini teknik data mining yang digunakan adalah teknik asosiasi. Proses pemodelan memiliki tujuan yaitu mencari aturan asosiasi, yang mana aturan asosiasi nantinya dijadikan tolak ukur untuk melihat beberapa
kombinasi item makanan dan minuman yang paling sering dibeli oleh konsumen (Haidar, 2021).
Langkah-langkah untuk membuat model data mining dengan menggunakan algoritma apriori adalah sebagai berikut:
1) Tentukan data apa saja yang akan diproses
2) Tentukan nilai minimum support dan nilai minimum confidence-nya 3) Menyusun aturan asosiasi yang terbentuk
Sebagai contoh perhitungan apriori, dilakukan pembentukan aturan asosiasi dengan proses perhitungan dari nilai minimal support 30 % dan nilai minimal confidence 80 % menggunakan 15 data transaksi penjualan sebagai berikut:
Tabel 2.2.1 - Contoh Data Transaksi
Bebek Bakar, Es Jeruk, Nasi Bakul, Pelecing kangkung, Es Jeruk, Tempe goreng Nasi Porsi, Bebek Bakar, Es teh, Jus Alpukat, Nila Bakar, Pelecing kangkung Ayam Bakar, Bebek Bakar, Terong bakar, Aqua 600ml, Nasi Porsi
Nasi Porsi, Bebek Bakar, Jus Alpukat, Pelecing kangkung, Ayam Bakar, Aqua 600ml Nasi Porsi, Bebek Bakar, Bebek Geprek, Es Jeruk, Es teh, Pelecing kangkung Nasi Porsi, Aqua 600ml, Bebek Bakar, Beberuk terong, Es Batu, Fresh Tea Bebek Bakar, Bebek Geprek, Gurame Asam Manis, Aqua 600ml, Nasi Porsi Nasi Porsi, Bebek Bakar, Bebek Geprek, Cah kangkung, Jus Jeruk, Jus Mangga Aqua 600ml, Bebek Bakar, Bebek Goreng, Es Jeruk, Nasi Porsi, Es Teh
Nasi Porsi, Aqua 600ml, Ayam Bakar, Bebek Bakar, Beberuk terong, Cah kangkung Nasi Porsi, Ayam Bakar, Beberuk terong, Es Jeruk, Pelecing kangkung, Tahu goreng Nasi Porsi, Bebek Bakar, Pelecing kangkung, Ayam Bakar, Aqua 600ml
Nasi Porsi, Aqua 600ml, Bebek Bakar, Kerupuk Putih, Pelecing Tauge Aqua 600ml, Bebek Bakar, Es Kelapa Muda Jeruk, Es teh, Nasi Bakul Nasi Porsi, Aqua 600ml, Ayam Bakar, Coca cola 390 ml, Es Batu, Jus Sirsak
Langkah pertama adalah melakukan iterasi disetiap baris transaksi kemudian menghitung jumlah kemunculan pada masing – masing item menu pada setiap transaksi. Setelah itu hitung nilai support pada setiap item dengan menghitung jumlah transaksi yang terdapat x item di dalamnya dibagi dengan jumlah total transaksi yang ada menggunakan rumus support. Nilai minimal support yang sudah ditentukan 30%, sehingga item yang memiliki nilai support dibawah 30% tidak akan digunakan pada tahap selanjutnya.
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴) = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖
Nilai minimum support yang telah ditentukan sebelumnya adalah 30%, jadi item yang nilai support-nya dibawah 30% akan dieliminasi.
Tabel 2.2.2 - Contoh Data Itemset-1
Nama Itemset Support %
Bebek Bakar 86,67
Nasi Porsi 86,67
Ayam Bakar 46,67
Aqua 600ml 66,67
Es Teh 33,33
Pelecing kangkung 40,00
Item yang lolos kemudian dilakukan proses persilangan untuk membentuk kombinasi 2 item yang unik. Sehingga kombinasi yang memiliki item yang sama pada suatu iterasi hanya dihitung satu kali. Didapatkan nilai support pada 2 itemset menggunakan rumus. Lakukan eliminasi pada itemset yang memiliki nilai support dibawah 30%. Dan dilakukan iterasi berikutnya hingga sudah tidak didapatkan kombinasi item. Pada data transaksi diatas, iterasi berhenti dan terbentuk 3 kombinasi item.
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴, 𝐵) = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵 𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖
Lakukan eliminasi pada itemset yang memiliki nilai support dibawah 30%.
Dan dilakukan iterasi berikutnya hingga sudah tidak didapatkan kombinasi item.
Pada data transaksi diatas, iterasi berhenti dan terbentuk 3 kombinasi item.
Tabel 2.2.3 - Contoh Kombinasi Itemset yang terbentuk
Nama Itemset Support %
Bebek Bakar, Nasi Porsi, Aqua 600ml 53,33
Kemudian itemset yang telah terbentuk dibagi menjadi dua bagian, satu menjadi pendahulu atau antecedent sebagai sebab terjadinya dan satunya adalah konsekuensi atau consequent sebagai akibat yang ditimbulkan oleh antecedent, supaya menghasilkan semua kemungkinan asosiasi yang terbentuk pada iterasi tersebut. Hitung nilai confidence dari setiap aturan yang terbentuk menggunakan rumus:
𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 (𝐴, 𝐵) = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵 𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴
Tabel 2.2.4 - Contoh Nilai Confidence Dari Aturan Yang Terbentuk
Nama Itemset Aturan Confidence %
Bebek Bakar, Nasi Porsi, Aqua 600ml
Jika beli Bebek Bakar dan Nasi Porsi, maka beli
Aqua 600ml 72,73
Jika beli Bebek Bakar dan Aqua 600ml, maka beli
Nasi Porsi 100,00
Jika beli Aqua 600ml dan Nasi Porsi, maka beli
Bebek Bakar 88,89
Hasil dari pemrosesan diatas menghasilkan 2 aturan berdasarkan pemrosesan dengan nilai minimal support dan confidence yang telah diinputkan sebelumnya, yaitu 30% dan 80%. Jika beli Bebek Bakar dan Aqua 600ml, maka beli Nasi Porsi
nilai confidence 100% bisa dipastikan bahwa 100% dari konsumen yang akan membeli menu Bebek Bakar dan juga Aqua 600ml dapat dipastikan konsumen tersebut membeli Nasi Porsi juga.
2.2.8 Pengujian Algoritma
Lift ratio adalah suatu ukuran untuk mengetahui nilai kepastian atau keakuratan suatu aturan asosisasi (association rule) yang sudah terbentuk. Nilai lift ratio biasanya digunakan sebagai pengujian apakah aturan asosiasi tersebut valid atau tidak valid (Fauzy et al., 2016) . Pengujian lift ratio merupakan pengujian yang dilakukan terhadap rule yang terbentuk untuk mengetahui kekuatan dari rule (Latifah et al., n.d.). Pengujian merupakan yang harus dilakukan dalam penelitian yang bertujuan untuk mendapatkan informasi mengenai ketepatan dan keakuratan dari kualitas data transaksi yang sedang diuji (Anggrawan et al., 2021). Pengujian pada penelitian ini menggunakan pengujian yaitu lift rasio. Lift berupa angka rasio yang mengidentifikasi banyaknya kemungkinan dalam menemukan semua atribut yang muncul bersama dibandingkan dengan semua atribut yang memenuhi syarat.
Lift mengekpresikan level kekuatan rule atas kejadian acak dari antecedent dan consequent berdasarkan pada supportnya Perhitungan lift dapat dilihat pada rumus 2.2.6.
𝐿𝑖𝑓𝑡 𝑅𝑎𝑠𝑖𝑜 = 𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒
𝐵𝑒𝑛𝑐ℎ𝑚𝑎𝑟𝑘 𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 2.2.5
(Anggrawan et al., 2021)
Sedangkan perhitungan dari benchmark confidence dapat dilihat pada rumus 2.2.7
𝐵𝑒𝑛𝑐ℎ𝑚𝑎𝑟𝑘 𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 = ∑𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝑐𝑜𝑛𝑠𝑒𝑞𝑢𝑒𝑛𝑡
∑𝑡𝑜𝑡𝑎𝑙 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 2.2.6
(Anggrawan et al., 2021)
Lift rasio yang bernilai lebih besar dari satu mengidentifikasikan aturan tersebut memiliki manfaat. Semakin besar nilai dari lift rasio, maka makin besar pula kekuatan asosiasi.
