Penerapan Associaton Rule dengan Algoritma
Apriori Pada Proses Pengelompokan Barang
di Perusahaan Retail
Muhammad Ikhsan, ST., M.Kom
#1, Muhammad Dahria, SE., M.Kom
#2, Sulindawaty, M.Kom
#3 #Sistem Komputer, STMIK-Triguna Dharma
Jl. AH. Nasution No. 73 F Medan Sumatra Utara, Indonesia
1mhd.ikhsan@gmail.com 2
mhd.dahria@gmail.com 3
sulindawaty@gmail.com
Abstract— Menjamurnya perusahaan retail di Indonesia membuat persaingan yang cukup ketat di bisnis ini. Ketersediaan informasi rinci produk yang dibeli dari setiap transaksi pelanggan di database akan menjadi sampah data, yang terus berkembang setiap harinya. Manajer perusahaan tentunya akan tertarik untuk mengetahui apakah kelompok-kelompok tertentu produk secara konsisten dibeli bersama-sama. Mereka bisa menggunakan data ini untuk pengelompokkan dan penempatan produk secara optimal, dan pihak manajer juga bisa menggunakan informasi tersebut untuk cross-selling, untuk promosi, untuk desain katalog dan untuk mengidentifikasikan segmen pelanggan berdasarkan pola pembelian. Dalam penelitian ini digunakan Data mining dengan teknik Association rule untuk menggali pola hubungan atribut-atribut dan frequent itemset dalam database Retail. Paradigma apriori digunakan untuk mencari large itemset dalam penetapan association rule. Integrasi association rule dengan paradigma apriori telah berhasil menemukan sejumlah pola hubungan antar atribut dalam database retail.
Keywords— Data mining, Association rule, Algoritma Apriori, Frequent Itemset.
I.
I
NTRODUCTIONData transaksi penjualan yang dimiliki oleh suatu
perusahaan retail setiap harinya semakin lama akan semakin
bertambah banyak. Jumlah data yang begitu besar justru bisa
menjadi masalah bagi perusahaan tersebut jika tidak bisa
dimanfaatkan. Semakin banyak data, maka perusahaan
tersebut semakin memerlukan usaha untuk memilah data
mana yang dapat diolah menjadi informasi. Jika data
dibiarkan saja, maka data tersebut hanya akan menjadi
sampah yang tidak berarti bagi perusahaan tersebut.
Dalam penelitian ini, peneliti akan membangun aplikasi
yang dapat mengelompokkan data pembelian barang
berdasarkan kecenderungannya muncul bersama dalam suatu
transaksi dengan menggunakan algoritma apriori.
Algoritma apriori termasuk jenis aturan assosiasi pada data
mining[3]. Aturan yang menyatakan asosiasi antara beberapa
atribut sering disebut sebagai affinity analysis atau market
basket analysis[3].
Dengan penerapan algoritma apriori pada penelitian ini
diharapkan akan ditemukan pola berupa produk yang sering
dibeli
bersamaan.
Pola ini
dapat
digunakan
untuk
menempatkan produk yang sering dibeli bersamaan ke dalam
sebuah area yang saling berdekatan, merancang tampilan
produk di katalog, merancang kupon diskon (untuk diberikan
kepada pelanggan yang membeli produk tertentu), merancang
penjualan paket, dan lain-lain[3].
Dari latar belakang seperti terpapar diatas, dapat
dirumuskan permasalahan pada penelitian ini yaitu :
bagaimana membuat aplikasi yang mampu mengelompokkan
data produk sesuai dengan tingkat kecenderungannya muncul
bersama dalam suatu transaksi pembelian.
Adapun algoritma yang akan diterapkan pada aplikasi
dalam penelitian ini adalah algoritma apriori yang merupakan
bagian dari data mining.
II.
D
ATA MININGData mining didefinisikan sebagai sebuah proses untuk
menemukan hubungan, pola dan trend baru yang bermakna
dengan menyaring data yang sangat besar, yang tersimpan
dalam penyimpanan, menggunakan teknik pengenalan pola
seperti teknik statistik dan matematika [3].
Hubungan yang dicari dalam Data mining dapat berupa
hubungan antara dua atau lebih dalam satu dimensi, misalnya
dalam dimensi produk, kita dapat melihat keterkaitan
pembelian suatu produk dengan produk yang lain. Selain itu
hubungan juga dapat dilihat antara 2 atau lebih atribut dan 2
atau lebih obyek[4].
A.
Association Mining
Analisis asosiasi atau association rule mining adalah teknik
Data mining untuk menemukan aturan assosiatif antara suatu
kombinasi item. Contoh dari aturan assosiatif dari analisa
pembelian di suatu pasar swalayan adalah 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 dikenal juga sebagai salah satu teknik
Data mining yang menjadi dasar dari berbagai teknik Data
mining lainnya. Khususnya salah satu tahap dari analisis
asosiasi yang disebut analisis pola frequensi tinggi (frequent
pattern mining) menarik perhatian banyak peneliti untuk
menghasilkan algoritma yang efisien.
Penting tidaknya suatu aturan assosiatif dapat diketahui
dengan dua parameter, support (nilai penunjang) yaitu
persentase kombinasi item tersebut dalam database dan
confidence (nilai kepastian) yaitu kuatnya hubungan antar
item dalam aturan assosiatif.
B.
Algoritma Apriori
Persoalan association rule mining terdiri dari dua sub
persoalan :
1)
Menemukan semua kombinasi dari item, disebut dengan
frequent itemsets, yang memiliki support yang lebih besar
daripada minimum support.
2)
Gunakan frequent itemsets untuk men-generate aturan
yang dikehendaki.Semisal, ABCD dan AB adalah
frequent, maka didapatkan aturan AB -> CD jika rasio
dari support(ABCD) terhadap support(AB) sedikitnya
sama dengan minimum confidence. Aturan ini memiliki
minimum support karena ABCD adalah frequent.
Algoritma Apriori yang bertujuan untuk menemukan
frequent itemsets dijalankan pada sekumpulan data. Pada
iterasi ke -k, akan ditemukan semua itemsets yang memiliki k
items, disebut dengan k -itemsets. Tiap iterasi berisi dua tahap.
Misal Oracle Data mining Fk merepresentasikan himpunan
dari frequent k -itemsets, dan Ck adalah himpunan candidate
k-itemsets (yang potensial untuk menjadi frequent itemsets).
Tahap pertama adalah men-generate kandidat, dimana
himpunan dari semua frequent (k-1) itemsets, Fk-1, ditemukan
dalam iterasi ke-(k-1), digunakan untuk men-generate
candidate itemsets Ck. Prosedur generate candidate
memastikan bahwa Ck adalah superset dari himpunan semua
frequent k-itemsets. Struktur data hash-tree digunakan untuk
menyimpan Ck. Kemudian data di-scan dalam tahap
penghitungan support.
Untuk setiap transaksi, candidates dalam Ck diisikan ke
dalam transaksi, ditentukan dengan menggunakan struktur
data hash-tree hashtree dan nilai penghitungan support
dinaikkan. Pada akhir dari tahap kedua, nilai Ck diuji untuk
menentukan yang mana dari candidates yang merupakan
frequent. Kondisi penghitung (terminate condition) dari
algoritma ini dicapai pada saat Fk atau Ck+1 kosong.
Pseudo-code:
Ck: Candidate itemset of size k
Lk : frequent itemset of size k
L1 = {frequent items};
for (k = 1; Lk !=0; k++) do begin
Ck+1 = candidates generated from L
k;
for each transaction t in database do
increment the count of all candidates in Ck+1
that are contained in t
Lk+1 = candidates in Ck+1 with min_support
end
return
∪
kL
k;
Gambar. 1 Ilustrasi Algoritma Apriori
Dari ilustrasi di atas dapat dijelaskan bahwa:
1)
Untuk menghasilkan L
k, maka diperlukan candidate
k-itemset C
kyang dibentuk dari proses join antar L
k-12)
Catatan konvensi: Apriori mengasumsikan bahwa item
dalam transaksi atau itemset telah terurut berdasarkan
urutan lexicographic.
3)
Proses join, L
k-1× L
k-1, dilakukan jika (
k-2itemset dari
L
k-1“sama”.
4)
Misal l
ldan l
ladalah itemset dari L
k-1, supaya proses
join dapat dilakukan maka harus dipenuhi: (l 1[1] = l
2[1]) ^ l 1[2] = l 2 [2]) ^…^ (l 1 [k-2] = l 2 [k-2]) ^ l 1
[k-1] < l 2 [k-1])
5)
Kondisi (l 1 [k-1] < l 2 [k-1]) menjamin tidak ada
kembar pada proses join. Jadi itemset yang dihasilkan
dari proses join antara I1 dan I2 adalah l 1[1] l 1[2] ... l
1 [k-1] I2
6)
[k-2]
7)
Notasi l 1 [j] menyatakan item yang ke-j dalam l.
C.
Tahapan Association rules
Analisis asosiasi dikenal juga sebagai salah satu teknik
Data mining yang menjadi dasar dari berbagai teknik Data
mining lainnya. Khususnya salah satu tahap dari analisis
asosiasi yang disebut analisis pola frequensi tinggi (frequent
pattern mining) menarik perhatian banyak peneliti untuk
menghasilkan algoritma yang efisien.
Metodologi dasar analisis asosiasi terbagi menjadi dua
tahap :
1)
Analisa pola frekuensi tinggi
Tahap ini mencari kombinasi item yang memenuhi syarat
minimum dari nilai support dalam database. Nilai support
sebuah item diperoleh dengan rumus 1 berikut[3]:
aksi
TotalTrans
ndungA
saksiMenga
JumlahTran
A
sedangkan nilai support dari 2 item diperoleh dari rumus
berikut [3]:
aksi TotalTrans
ndungAdanB saksiMenga
JumlahTran B
A P B A
Support( , )= ( ∩ )=
2)
Pembentukan aturan assosiatif
Setelah semua pola frekuensi tinggi ditemukan, barulah
dicari aturan assosiatif yang memenuhi syarat minimum
untuk confidence dengan menghitung confidence aturan
assosiatif A › B Nilai confidence dari aturan A › B
diperoleh dari rumus berikut :
ndungA saksiMenga JumlahTran
ndungAdanB saksiMenga
JumlahTran A
B P Confidence= ( | )=
III.
P
EMBAHASAND
ANH
ASILBanyaknya rules yang dihasilkan memberikan banyak
kemungkinan untuk melihat pola-pola yang muncul dalam
database Transaksi Penjualan. Sehingga memberikan berbagai
kemungkinan yang dapat dijadikan sebagai dasar untuk
membuat keputusan. Tidak semua rules yang ditemukan
dalam penelitian ini diinterpretasi. Yang diinterpretasi adalah
rule-rule yang memiliki nilai Lift yang tinggi (alasan obyektif)
dan rule yang memiliki relevansi dengan kebutuhan (alasan
subyektif).
Lift merupakan sebuah angka ratio yang menunjukkan
berapa banyak kemungkinan menemukan sebuah atribut
(misal ID) muncul bersama dengan atribut lainnya (misal
Kualifikasi, Nomor Unik, dan Mapel sertifikasi) dibandingkan
dengan seluruh kejadian adanya atribut yang terpenuhi
Lift menunjukkan adanya tingkat kekuatan rule atas
kejadian acak dari antecedent dan consequence berdasarkan
pada supportnya masing-masing. Hal ini akan mermberikan
informasi tentang perbaikan dan peningkatan probabilitas dari
consequent berdasarkan antecedent. Lift didefinisikan sebagai
berikut :
Lift = Confidence / Expected Confidence
Dimana :
Expected Confidence = (Jumlah Transaksi memiliki itemconsequent) / (Total jumlah transaksi)
Atau dengan cara:
)
Pr(
)
|
Pr(
C
C
A
Lift
=
Ketika Lift sama dengan 1 maka A dan B adalah independen
karena Pr(C|A)=Pr(C). Ketika probabilitas C terjadi
dipengaruhi oleh terjadinya A lebih besar dari 1. Ketetapan
Lift ratio adalah apabila hasil perhitungan berada dibawah 1
maka item-item tersebut tidak menunjukkan adanya saling
keterkaitan antara antacedent dengan consequent.
Misalkan daftar transaksi beserta item yang dibeli seperti
tabel 1 dibawah:
TABLEI DAFTAR TRANSAKSI
Kode
Transaksi Item Pembelian Barang
001 SikatGigi,PastaGigi,SabunMandi,Detergen
002 SabunMandi,Bedak,Gula,Teh
003 Shampo,Bedak,SabunMandi
004 Bedak,SabunMandi,Detergen,Shampo,Softener
005 Shampo,Bedak,SikatGigi,PastaGigi,Softener,Detergen
006 Gula,Teh,SabunMandi,SikatGigi,PastaGigi
007 Detergen,SabunMandi,Softener,PastaGigi,SikatGigi
008 SabunMandi,Gula,Teh,Detergen
009 Softener,Detergen,Gula,Teh,SabunMandi
010 Detergen,Gula,Softener,Teh
Gambar 2 dibawah ini adalah tampilan hasil running
program aplikasi untuk mengimplementasikan algoritma
apriori.
Gambar. 1 Penginputan Data Transaksi
Dengan menginputkan data Minimum Support 50% dan
Minimum Confidence 50% diperoleh hasil Frequent Item Set
sebagai berikut:
Minimum Support = 50% Minimum Confidence = 50%
1 Item set (L1)
************************
{Gula} = 5/10 = 50,000% <Diterima> {PastaGigi} = 4/10 = 40,000% >Ditolak< {SabunMandi} = 8/10 = 80,000% <Diterima> {Shampo} = 3/10 = 30,000% >Ditolak< {SikatGigi} = 4/10 = 40,000% >Ditolak< {Softener} = 5/10 = 50,000% <Diterima> {Teh} = 5/10 = 50,000% <Diterima>
2 Item set (L2)
************************
{Bedak,Detergen} = 2/10 = 20,000% >Ditolak< {Bedak,Gula} = 1/10 = 10,000% >Ditolak< {Bedak,PastaGigi} = 1/10 = 10,000% >Ditolak< {Bedak,SabunMandi} = 3/10 = 30,000% >Ditolak< {Bedak,Shampo} = 3/10 = 30,000% >Ditolak< {Bedak,SikatGigi} = 1/10 = 10,000% >Ditolak< {Bedak,Softener} = 2/10 = 20,000% >Ditolak< {Bedak,Teh} = 1/10 = 10,000% >Ditolak< {Detergen,Gula} = 3/10 = 30,000% >Ditolak< {Detergen,PastaGigi} = 3/10 = 30,000% >Ditolak< {Detergen,SabunMandi} = 5/10 = 50,000% <Diterima> {Detergen,Shampo} = 2/10 = 20,000% >Ditolak< {Detergen,SikatGigi} = 3/10 = 30,000% >Ditolak< {Detergen,Softener} = 5/10 = 50,000% <Diterima> {Detergen,Teh} = 3/10 = 30,000% >Ditolak< {Gula,PastaGigi} = 1/10 = 10,000% >Ditolak< {Gula,SabunMandi} = 4/10 = 40,000% >Ditolak< {Gula,Shampo} = 0/10 = ,000% >Ditolak< {Gula,SikatGigi} = 1/10 = 10,000% >Ditolak< {Gula,Softener} = 2/10 = 20,000% >Ditolak< {Gula,Teh} = 5/10 = 50,000% <Diterima> {PastaGigi,SabunMandi} = 3/10 = 30,000% >Ditolak< {PastaGigi,Shampo} = 1/10 = 10,000% >Ditolak< {PastaGigi,SikatGigi} = 4/10 = 40,000% >Ditolak< {PastaGigi,Softener} = 2/10 = 20,000% >Ditolak< {PastaGigi,Teh} = 1/10 = 10,000% >Ditolak< {SabunMandi,Shampo} = 2/10 = 20,000% >Ditolak< {SabunMandi,SikatGigi} = 3/10 = 30,000% >Ditolak< {SabunMandi,Softener} = 3/10 = 30,000% >Ditolak< {SabunMandi,Teh} = 4/10 = 40,000% >Ditolak< {Shampo,SikatGigi} = 1/10 = 10,000% >Ditolak< {Shampo,Softener} = 2/10 = 20,000% >Ditolak< {Shampo,Teh} = 0/10 = ,000% >Ditolak< {SikatGigi,Softener} = 2/10 = 20,000% >Ditolak< {SikatGigi,Teh} = 1/10 = 10,000% >Ditolak< {Softener,Teh} = 2/10 = 20,000% >Ditolak<
3 Item set (L3)
************************
{Bedak,Detergen,Gula} = 0/10 = ,000% >Ditolak< {Bedak,Detergen,PastaGigi} = 1/10 = 10,000% >Ditolak< {Bedak,Detergen,SabunMandi} = 1/10 = 10,000% >Ditolak< {Bedak,Detergen,Shampo} = 2/10 = 20,000% >Ditolak< {Bedak,Detergen,SikatGigi} = 1/10 = 10,000% >Ditolak< {Bedak,Detergen,Softener} = 2/10 = 20,000% >Ditolak< {Bedak,Detergen,Teh} = 0/10 = ,000% >Ditolak< {Bedak,Gula,PastaGigi} = 0/10 = ,000% >Ditolak< {Bedak,Gula,SabunMandi} = 1/10 = 10,000% >Ditolak< {Bedak,Gula,Shampo} = 0/10 = ,000% >Ditolak< {Bedak,Gula,SikatGigi} = 0/10 = ,000% >Ditolak< {Bedak,Gula,Softener} = 0/10 = ,000% >Ditolak< {Bedak,Gula,Teh} = 1/10 = 10,000% >Ditolak< {Bedak,PastaGigi,SabunMandi} = 0/10 = ,000% >Ditolak< {Bedak,PastaGigi,Shampo} = 1/10 = 10,000% >Ditolak< {Bedak,PastaGigi,SikatGigi} = 1/10 = 10,000% >Ditolak< {Bedak,PastaGigi,Softener} = 1/10 = 10,000% >Ditolak< {Bedak,PastaGigi,Teh} = 0/10 = ,000% >Ditolak< {Bedak,SabunMandi,Shampo} = 2/10 = 20,000% >Ditolak< {Bedak,SabunMandi,SikatGigi} = 0/10 = ,000% >Ditolak< {Bedak,SabunMandi,Softener} = 1/10 = 10,000% >Ditolak<
{Bedak,SabunMandi,Teh} = 1/10 = 10,000% >Ditolak< {Bedak,Shampo,SikatGigi} = 1/10 = 10,000% >Ditolak< {Bedak,Shampo,Softener} = 2/10 = 20,000% >Ditolak< {Bedak,Shampo,Teh} = 0/10 = ,000% >Ditolak< {Bedak,SikatGigi,Softener} = 1/10 = 10,000% >Ditolak< {Bedak,SikatGigi,Teh} = 0/10 = ,000% >Ditolak< {Bedak,Softener,Teh} = 0/10 = ,000% >Ditolak< {Detergen,Gula,PastaGigi} = 0/10 = ,000% >Ditolak< {Detergen,Gula,SabunMandi} = 2/10 = 20,000% >Ditolak< {Detergen,Gula,Shampo} = 0/10 = ,000% >Ditolak< {Detergen,Gula,SikatGigi} = 0/10 = ,000% >Ditolak< {Detergen,Gula,Softener} = 2/10 = 20,000% >Ditolak< {Detergen,Gula,Teh} = 3/10 = 30,000% >Ditolak< {Detergen,PastaGigi,SabunMandi} = 2/10 = 20,000% >Ditolak< {Detergen,PastaGigi,Shampo} = 1/10 = 10,000% >Ditolak< {Detergen,PastaGigi,SikatGigi} = 3/10 = 30,000% >Ditolak< {Detergen,PastaGigi,Softener} = 2/10 = 20,000% >Ditolak< {Detergen,PastaGigi,Teh} = 0/10 = ,000% >Ditolak< {Detergen,SabunMandi,Shampo} = 1/10 = 10,000% >Ditolak< {Detergen,SabunMandi,SikatGigi} = 2/10 = 20,000% >Ditolak< {Detergen,SabunMandi,Softener} = 3/10 = 30,000% >Ditolak< {Detergen,SabunMandi,Teh} = 2/10 = 20,000% >Ditolak< {Detergen,Shampo,SikatGigi} = 1/10 = 10,000% >Ditolak< {Detergen,Shampo,Softener} = 2/10 = 20,000% >Ditolak< {Detergen,Shampo,Teh} = 0/10 = ,000% >Ditolak< {Detergen,SikatGigi,Softener} = 2/10 = 20,000% >Ditolak< {Detergen,SikatGigi,Teh} = 0/10 = ,000% >Ditolak< {Detergen,Softener,Teh} = 2/10 = 20,000% >Ditolak< {Gula,PastaGigi,SabunMandi} = 1/10 = 10,000% >Ditolak< {Gula,PastaGigi,Shampo} = 0/10 = ,000% >Ditolak< {Gula,PastaGigi,SikatGigi} = 1/10 = 10,000% >Ditolak< {Gula,PastaGigi,Softener} = 0/10 = ,000% >Ditolak< {Gula,PastaGigi,Teh} = 1/10 = 10,000% >Ditolak< {Gula,SabunMandi,Shampo} = 0/10 = ,000% >Ditolak< {Gula,SabunMandi,SikatGigi} = 1/10 = 10,000% >Ditolak< {Gula,SabunMandi,Softener} = 1/10 = 10,000% >Ditolak< {Gula,SabunMandi,Teh} = 4/10 = 40,000% >Ditolak< {Gula,Shampo,SikatGigi} = 0/10 = ,000% >Ditolak< {Gula,Shampo,Softener} = 0/10 = ,000% >Ditolak< {Gula,Shampo,Teh} = 0/10 = ,000% >Ditolak< {Gula,SikatGigi,Softener} = 0/10 = ,000% >Ditolak< {Gula,SikatGigi,Teh} = 1/10 = 10,000% >Ditolak< {Gula,Softener,Teh} = 2/10 = 20,000% >Ditolak< {PastaGigi,SabunMandi,Shampo} = 0/10 = ,000% >Ditolak< {PastaGigi,SabunMandi,SikatGigi} = 3/10 = 30,000% >Ditolak< {PastaGigi,SabunMandi,Softener} = 1/10 = 10,000% >Ditolak< {PastaGigi,SabunMandi,Teh} = 1/10 = 10,000% >Ditolak< {PastaGigi,Shampo,SikatGigi} = 1/10 = 10,000% >Ditolak< {PastaGigi,Shampo,Softener} = 1/10 = 10,000% >Ditolak< {PastaGigi,Shampo,Teh} = 0/10 = ,000% >Ditolak< {PastaGigi,SikatGigi,Softener} = 2/10 = 20,000% >Ditolak< {PastaGigi,SikatGigi,Teh} = 1/10 = 10,000% >Ditolak< {PastaGigi,Softener,Teh} = 0/10 = ,000% >Ditolak< {SabunMandi,Shampo,SikatGigi} = 0/10 = ,000% >Ditolak< {SabunMandi,Shampo,Softener} = 1/10 = 10,000% >Ditolak< {SabunMandi,Shampo,Teh} = 0/10 = ,000% >Ditolak< {SabunMandi,SikatGigi,Softener} = 1/10 = 10,000% >Ditolak< {SabunMandi,SikatGigi,Teh} = 1/10 = 10,000% >Ditolak< {SabunMandi,Softener,Teh} = 1/10 = 10,000% >Ditolak< {Shampo,SikatGigi,Softener} = 1/10 = 10,000% >Ditolak< {Shampo,SikatGigi,Teh} = 0/10 = ,000% >Ditolak< {Shampo,Softener,Teh} = 0/10 = ,000% >Ditolak< {SikatGigi,Softener,Teh} = 0/10 = ,000% >Ditolak<
4 Item set (L4)
************************
{Bedak,Detergen,Gula,Shampo} = 0/10 = ,000% >Ditolak< {Bedak,Detergen,Gula,SikatGigi} = 0/10 = ,000% >Ditolak< {Bedak,Detergen,Gula,Softener} = 0/10 = ,000% >Ditolak< {Bedak,Detergen,Gula,Teh} = 0/10 = ,000% >Ditolak< {Bedak,Detergen,PastaGigi,SabunMandi} = 0/10 = ,000% >Ditolak< {Bedak,Detergen,PastaGigi,Shampo} = 1/10 = 10,000% >Ditolak< {Bedak,Detergen,PastaGigi,SikatGigi} = 1/10 = 10,000% >Ditolak< {Bedak,Detergen,PastaGigi,Softener} = 1/10 = 10,000% >Ditolak< {Bedak,Detergen,PastaGigi,Teh} = 0/10 = ,000% >Ditolak< {Bedak,Detergen,SabunMandi,Shampo} = 1/10 = 10,000% >Ditolak< {Bedak,Detergen,SabunMandi,SikatGigi} = 0/10 = ,000% >Ditolak< {Bedak,Detergen,SabunMandi,Softener} = 1/10 = 10,000% >Ditolak< {Bedak,Detergen,SabunMandi,Teh} = 0/10 = ,000% >Ditolak< {Bedak,Detergen,Shampo,SikatGigi} = 1/10 = 10,000% >Ditolak< {Bedak,Detergen,Shampo,Softener} = 2/10 = 20,000% >Ditolak< {Bedak,Detergen,Shampo,Teh} = 0/10 = ,000% >Ditolak< {Bedak,Detergen,SikatGigi,Softener} = 1/10 = 10,000% >Ditolak< {Bedak,Detergen,SikatGigi,Teh} = 0/10 = ,000% >Ditolak< {Bedak,Detergen,Softener,Teh} = 0/10 = ,000% >Ditolak< {Bedak,Gula,PastaGigi,SabunMandi} = 0/10 = ,000% >Ditolak< {Bedak,Gula,PastaGigi,Shampo} = 0/10 = ,000% >Ditolak< {Bedak,Gula,PastaGigi,SikatGigi} = 0/10 = ,000% >Ditolak< {Bedak,Gula,PastaGigi,Softener} = 0/10 = ,000% >Ditolak< {Bedak,Gula,PastaGigi,Teh} = 0/10 = ,000% >Ditolak< {Bedak,Gula,SabunMandi,Shampo} = 0/10 = ,000% >Ditolak< {Bedak,Gula,SabunMandi,SikatGigi} = 0/10 = ,000% >Ditolak< {Bedak,Gula,SabunMandi,Softener} = 0/10 = ,000% >Ditolak< {Bedak,Gula,SabunMandi,Teh} = 1/10 = 10,000% >Ditolak< {Bedak,Gula,Shampo,SikatGigi} = 0/10 = ,000% >Ditolak< {Bedak,Gula,Shampo,Softener} = 0/10 = ,000% >Ditolak< {Bedak,Gula,Shampo,Teh} = 0/10 = ,000% >Ditolak< {Bedak,Gula,SikatGigi,Softener} = 0/10 = ,000% >Ditolak< {Bedak,Gula,SikatGigi,Teh} = 0/10 = ,000% >Ditolak< {Bedak,Gula,Softener,Teh} = 0/10 = ,000% >Ditolak< {Bedak,PastaGigi,SabunMandi,Shampo} = 0/10 = ,000% >Ditolak< {Bedak,PastaGigi,SabunMandi,SikatGigi} = 0/10 = ,000% >Ditolak< {Bedak,PastaGigi,SabunMandi,Softener} = 0/10 = ,000% >Ditolak< {Bedak,PastaGigi,SabunMandi,Teh} = 0/10 = ,000% >Ditolak< {Bedak,PastaGigi,Shampo,SikatGigi} = 1/10 = 10,000% >Ditolak< {Bedak,PastaGigi,Shampo,Softener} = 1/10 = 10,000% >Ditolak< {Bedak,PastaGigi,Shampo,Teh} = 0/10 = ,000% >Ditolak< {Bedak,PastaGigi,SikatGigi,Softener} = 1/10 = 10,000% >Ditolak< {Bedak,PastaGigi,SikatGigi,Teh} = 0/10 = ,000% >Ditolak< {Bedak,PastaGigi,Softener,Teh} = 0/10 = ,000% >Ditolak< {Bedak,SabunMandi,Shampo,SikatGigi} = 0/10 = ,000% >Ditolak< {Bedak,SabunMandi,Shampo,Softener} = 1/10 = 10,000% >Ditolak< {Bedak,SabunMandi,Shampo,Teh} = 0/10 = ,000% >Ditolak< {Bedak,SabunMandi,SikatGigi,Softener} = 0/10 = ,000% >Ditolak< {Bedak,SabunMandi,SikatGigi,Teh} = 0/10 = ,000% >Ditolak< {Bedak,SabunMandi,Softener,Teh} = 0/10 = ,000% >Ditolak< {Bedak,Shampo,SikatGigi,Softener} = 1/10 = 10,000% >Ditolak< {Bedak,Shampo,SikatGigi,Teh} = 0/10 = ,000% >Ditolak< {Bedak,Shampo,Softener,Teh} = 0/10 = ,000% >Ditolak< {Bedak,SikatGigi,Softener,Teh} = 0/10 = ,000% >Ditolak< {Detergen,Gula,PastaGigi,SabunMandi} = 0/10 = ,000% >Ditolak< {Detergen,Gula,PastaGigi,Shampo} = 0/10 = ,000% >Ditolak< {Detergen,Gula,PastaGigi,SikatGigi} = 0/10 = ,000% >Ditolak< {Detergen,Gula,PastaGigi,Softener} = 0/10 = ,000% >Ditolak< {Detergen,Gula,PastaGigi,Teh} = 0/10 = ,000% >Ditolak< {Detergen,Gula,SabunMandi,Shampo} = 0/10 = ,000% >Ditolak< {Detergen,Gula,SabunMandi,SikatGigi} = 0/10 = ,000% >Ditolak< {Detergen,Gula,SabunMandi,Softener} = 1/10 = 10,000% >Ditolak< {Detergen,Gula,SabunMandi,Teh} = 2/10 = 20,000% >Ditolak< {Detergen,Gula,Shampo,SikatGigi} = 0/10 = ,000% >Ditolak< {Detergen,Gula,Shampo,Softener} = 0/10 = ,000% >Ditolak< {Detergen,Gula,Shampo,Teh} = 0/10 = ,000% >Ditolak< {Detergen,Gula,SikatGigi,Softener} = 0/10 = ,000% >Ditolak< {Detergen,Gula,SikatGigi,Teh} = 0/10 = ,000% >Ditolak< {Detergen,Gula,Softener,Teh} = 2/10 = 20,000% >Ditolak< {Detergen,PastaGigi,SabunMandi,Shampo} = 0/10 = ,000% >Ditolak< {Detergen,PastaGigi,SabunMandi,SikatGigi} = 2/10 = 20,00% >Ditolak< {Detergen,PastaGigi,SabunMandi,Softener} = 1/10 = 10,000% >Ditolak<
{Detergen,PastaGigi,SabunMandi,Teh} = 0/10 = ,000% >Ditolak< {Detergen,PastaGigi,Shampo,SikatGigi} = 1/10 = 10,000% >Ditolak< {Detergen,PastaGigi,Shampo,Softener} = 1/10 = 10,000% >Ditolak< {Detergen,PastaGigi,Shampo,Teh} = 0/10 = ,000% >Ditolak< {Detergen,PastaGigi,SikatGigi,Softener} = 2/10 = 20,000% >Ditolak< {Detergen,PastaGigi,SikatGigi,Teh} = 0/10 = ,000% >Ditolak< {Detergen,PastaGigi,Softener,Teh} = 0/10 = ,000% >Ditolak< {Detergen,SabunMandi,Shampo,SikatGigi} = 0/10 = ,000% >Ditolak< {Detergen,SabunMandi,Shampo,Softener} = 1/10 = 10,000% >Ditolak< {Detergen,SabunMandi,Shampo,Teh} = 0/10 = ,000% >Ditolak< {Detergen,SabunMandi,SikatGigi,Softener} = 1/10 = 10,000% >Ditolak< {Detergen,SabunMandi,SikatGigi,Teh} = 0/10 = ,000% >Ditolak< {Detergen,SabunMandi,Softener,Teh} = 1/10 = 10,000% >Ditolak< {Detergen,Shampo,SikatGigi,Softener} = 1/10 = 10,000% >Ditolak< {Detergen,Shampo,SikatGigi,Teh} = 0/10 = ,000% >Ditolak< {Detergen,Shampo,Softener,Teh} = 0/10 = ,000% >Ditolak< {Detergen,SikatGigi,Softener,Teh} = 0/10 = ,000% >Ditolak< {Gula,PastaGigi,SabunMandi,Shampo} = 0/10 = ,000% >Ditolak< {Gula,PastaGigi,SabunMandi,SikatGigi} = 1/10 = 10,000% >Ditolak< {Gula,PastaGigi,SabunMandi,Softener} = 0/10 = ,000% >Ditolak< {Gula,PastaGigi,SabunMandi,Teh} = 1/10 = 10,000% >Ditolak< {Gula,PastaGigi,Shampo,SikatGigi} = 0/10 = ,000% >Ditolak< {Gula,PastaGigi,Shampo,Softener} = 0/10 = ,000% >Ditolak< {Gula,PastaGigi,Shampo,Teh} = 0/10 = ,000% >Ditolak< {Gula,PastaGigi,SikatGigi,Softener} = 0/10 = ,000% >Ditolak< {Gula,PastaGigi,SikatGigi,Teh} = 1/10 = 10,000% >Ditolak< {Gula,PastaGigi,Softener,Teh} = 0/10 = ,000% >Ditolak< {Gula,SabunMandi,Shampo,SikatGigi} = 0/10 = ,000% >Ditolak< {Gula,SabunMandi,Shampo,Softener} = 0/10 = ,000% >Ditolak< {Gula,SabunMandi,Shampo,Teh} = 0/10 = ,000% >Ditolak< {Gula,SabunMandi,SikatGigi,Softener} = 0/10 = ,000% >Ditolak< {Gula,SabunMandi,SikatGigi,Teh} = 1/10 = 10,000% >Ditolak< {Gula,SabunMandi,Softener,Teh} = 1/10 = 10,000% >Ditolak< {Gula,Shampo,SikatGigi,Softener} = 0/10 = ,000% >Ditolak< {Gula,Shampo,SikatGigi,Teh} = 0/10 = ,000% >Ditolak< {Gula,Shampo,Softener,Teh} = 0/10 = ,000% >Ditolak< {Gula,SikatGigi,Softener,Teh} = 0/10 = ,000% >Ditolak< {PastaGigi,SabunMandi,Shampo,SikatGigi} = 0/10 = ,000% >Ditolak< {PastaGigi,SabunMandi,Shampo,Softener} = 0/10 = ,000% >Ditolak< {PastaGigi,SabunMandi,Shampo,Teh} = 0/10 = ,000% >Ditolak< {PastaGigi,SabunMandi,SikatGigi,Softener} = 1/10 = 10,000% >Ditolak< {PastaGigi,SabunMandi,SikatGigi,Teh} = 1/10 = 10,000% >Ditolak< {PastaGigi,SabunMandi,Softener,Teh} = 0/10 = ,000% >Ditolak< {PastaGigi,Shampo,SikatGigi,Softener} = 1/10 = 10,000% >Ditolak< {PastaGigi,Shampo,SikatGigi,Teh} = 0/10 = ,000% >Ditolak< {PastaGigi,Shampo,Softener,Teh} = 0/10 = ,000% >Ditolak< {PastaGigi,SikatGigi,Softener,Teh} = 0/10 = ,000% >Ditolak< {SabunMandi,Shampo,SikatGigi,Softener} = 0/10 = ,000% >Ditolak< {SabunMandi,Shampo,SikatGigi,Teh} = 0/10 = ,000% >Ditolak< {SabunMandi,Shampo,Softener,Teh} = 0/10 = ,000% >Ditolak< {SabunMandi,SikatGigi,Softener,Teh} = 0/10 = ,000% >Ditolak< {Shampo,SikatGigi,Softener,Teh} = 0/10 = ,000% >Ditolak<
Dan seterusnya hingga 9 Item Set (L9)
Daftar Interesting Rules :
*******************************
Gambar. 3 Hasil Perhitungan Frequent Item Set
IV.
K
ESIMPULANDari hasil penjelasan dan uraian sebelumnya, dapat
disimpulkan bahwa :
1)
Algoritma apriori telah berhasil diterapkan untuk melihat
aturan asosiasi antar produk pada transaksi yang terjadi di
database penjualan pada perusahan retail.
2)
Untuk mengimplementasikan algoritma apriori untuk
menemukan aturan asosiasi produk dalam aplikasi seperti
yang kami bangun diperlukan penyesuaian tabel dan
kolom dari database yang sudah ada.
3)
Kecendrungan pola yang terbentuk dari Association rule
Mining dari percobaan diatas adalah terdapat pola jika
pelanggan membeli Detergen maka dia juga akan
membeli Sabun Mandi, begitu pula jika pelanggan
membeli Detergen maka di juga akan membeli Softener.
Demikian pula terdapat pola Pembelian pelanggan yang
akan membeli Gula sekaligus Teh. Hal ini berguna untuk
menentukan tata letak dan pengelompokan barang yang
akan dijual di perusahaan retail.
D
AFTARP
USTAKA[1] Abidi dan Yu-N, 2000, A Convergence of Knowledge Management and Data mining: Towards ‘Knowledge-Driven’ Strategic Services. 3rd
International Conference on the Practical Applications of Knowledge Management (PAKeM’2000), April 12-14 2000, Manchester. [2] Berry, Michael J.A dan Linoff , Gordon S., 2004, Data mining
Techniques For Marketing, Sales, Customer RelationshipManagement Second Editon, Wiley Publishing, Inc.
[3] Larose , Daniel T, 2005, Discovering Knowledge in Data: An Introduction to Data mining, John Willey & Sons. Inc
[4] Ponniah, P., 2001, Datawarehouse Fundamentals : A comprehensive Guide for IT Professional, John Willey & Sons. Inc
[5] Pramudiono, I., 2006, Apa itu data mining?, http://datamining.japati.net/cgi-bin/
indodm.cgi?bacaarsip&1155527614&artikel, tanggal terakhir akses 16 Januari 2007
[6] Srikant, R ., Vu, Q., dan Agrawal R., 1997, Mining Association rules with Item Constraints, www.aaai.org
[7] Turban, E., dkk, 2005, Decicion Support Systems and Intelligent Systems,Andi Offset.
