ix
Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri
ABSTRAK
Nama : Lusa Indah Prahartiwi
NIM : 14001692
Program Studi : Magister Ilmu Komputer Jenjang : Strata Dua (S2)
Konsentrasi : Management Information System
Judul Tesis : “Algoritma Apriori Berbasis Prinsip Inklusi-Eksklusi Untuk Pencarian Frequent Itemset Pada Analisis Keranjang Belanja”
Analisis keranjang belanja merupakan satu metode data mining yang berfokus untuk menemukan pola pembelian dengan mengekstrasi data transaksi sebuah toko. Analisis keranjang belanja dapat dilakukan dengan pengetahuan Association Rules Mining. Association rules adalah suatu prosedur untuk mencari hubungan antar item yang ada pada suatu dataset. Beberapa studi telah dilakukan oleh peneliti dalam menganalisis keranjang belanja dengan menggunakan metode Apriori dan FP-Growth. Apriori menghasilkan kandidat dan mengurangi kandidat set secara signifikan, yang mengakibatkan kenaikan kinerja yang baik. Namun Apriori memiliki kelemahan apabila itemset sangat banyak atau minimum support sangat rendah, Apriori perlu berulang kali memindai seluruh database yang menyebabkan aturan asosiasi yang terbentuk memiliki kekuatan korelasi yang rendah. FP-Growth dapat meningkatkan kinerja dalam proses pencarian frequent itemset. Tidak seperti Apriori, FP-Growth menambang frequent itemsets dengan frequent pattern tree, menghilangkan calon generasi dan dapat mengurangi ukuran dataset yang akan dicari. Akan tetapi, FP-Growth membutuhkan banyak ruang untuk menyimpan struktur data menengah. Penanganan masalah yang ada pada algoritma Apriori dapat diatasi dengan menggunakan metode Apriori berbasis prinsip inklusi-eksklusi untuk menemukan frequent itemset. Eksperimen dilakukan dengan menggunakan metode Apriori, FP-Growth dan metode Apriori berbasis prinsip inklusi-eksklusi serta menggunakan dataset Supermarket dan Online Retail. Hasil eksperimen pada dataset Supermarket menggunakan metode Apriori didapatkan lift ratio sebesar 1,5845, dan pada metode FP-Growth didapat hasil 1,585. Sedangkan pada metode yang diusulkan didapatkan hasil lebih tinggi yaitu sebesar 4,0102. Kemudian pada dataset Online Retail nilai lift ratio yang dihasilkan oleh metode Apriori dan FP-Growth sama besarnya yaitu 1,250, sedangkan pada metode yang diusulkan memperoleh kekuatan korelasi yang lebih tinggi yaitu sebesar 1,666667. Maka dapat disimpulkan metode Apriori berbasis prinsip inklusi-eksklusi memiliki kinerja yang lebih baik dibandingkan dengan Apriori dan FP-Growth
Kata Kunci: Analisis Keranjang Belanja, Apriori, FP-Growth, Inklusi-Eksklusi
x
Program Pascasarjana Magister Ilmu Komputer STMIK Nusa Mandiri
ABSTRACT
Nama : Lusa Indah Prahartiwi
NIM : 14001692
Program Studi : Magister Ilmu Komputer Jenjang : Strata Dua (S2)
Konsentrasi : Management Information System
Judul Tesis : “Algoritma Apriori Berbasis Prinsip Inklusi-Eksklusi Untuk Pencarian Frequent Itemset Pada Analisis Keranjang Belanja
Market basket analysis is one of the data mining methods focusing discovering purchasing patterns by extracting association or co-occurrances from a stores’s transactional data. Market basket analysis can be done with the knowledge of Association Rules Mining. Association rules is a procedure to find relations between items in dataset. Several studies have been carried out by researchers in analyzing the shopping cart by using Apriori and FP-Growth. Apriori generate candidates and significantly reduce the candidate set, which resulted in an increase of good performance. But has the disadvantage when itemsets Apriori are very much or very low minimum support, Apriori need to repeatedly scan the entire database is causing the association rules formed has a low correlation strength. FP-Growth can improve performance in frequent itemset search process. Not like Apriori, FP-Growth mine the frequent itemsets by frequent pattern tree, eliminating the generation of candidates and can reduce the size of the dataset to be searched. However, FP-Growth requires a lot of space for storing intermediate data structures. Handling problems that exist in the Apriori algorithm can be overcome by using a method based Apriori inclusion-exclusion principle to find frequent itemset. Experiments conducted using the method of Apriori, FP-Growth and Apriori-based method of inclusion-exclusion principle, and use datasets and Online Retail Supermarket. Results of experiments on the dataset using Apriori obtained Supermarket lift a ratio of 1.5845, and the method of FP-Growth results obtained 1,585. While the proposed method showed higher at 4.0102. Then in Online Retail dataset lift value ratio produced by methods Apriori and FP-Growth same magnitude is 1.250, whereas the proposed method of obtaining a higher strength of the correlation is equal to 1.666667. So we can conclude Apriori method based on the inclusion-exclusion principle has a better performance compared with Apriori and FP-Growth
Keyword: Market Basket Analysis, Apriori, FP-Growth, Inclusion-Exclusion