Puji dan syukur penulis panjatkan kehadirat Allah SWT, karena atas segala rahmat dan karunia-Nya yang diberikan kepada tim penulis, sehingga penulisan buku monograf ini berhasil diselesaikan tepat pada waktunya. Buku monograf berjudul Association rule yang berisi tentang penentuan pola frekuensi tertinggi dengan menggunakan pola item-item dalam database yang memiliki nilai support di atas ambang batas tertentu yang disebut dengan minimum support dan untuk mengetahui nilai confidence.
- Data Mining
- Sejarah Singkat Data Mining
- Tahapan Data Mining
- Pengelompokan Data Mining
- Kelebihan Dan Kekurangan Data Mining
- Kelebihan Data Mining
- Kekurangan Data Mining
- Kelebihan Dan Kekurangan Knowledge Discovery in Databases
- Kelebihan Knowledge Discovery in Databases (KDD)
- Kekurangan Knowledge Discovery in Databases (KDD)
Data mining adalah proses pengolahan data yang memungkinkan ditemukannya pola dan hubungan dalam data yang dapat membantu pengambilan keputusan bisnis” (Kantardzic, 2011). Integrasi data memastikan bahwa data yang digunakan dalam proses Data Mining adalah data yang akurat dan relevan Algoritma yang digunakan harus memenuhi karakteristik Data Mining dan memastikan bahwa hasil analisis memenuhi tujuan pengguna.
Penambangan data (data mining) merupakan bagian dari proses Knowledge Discovery in Databases (KDD) atau Penemuan Pengetahuan dalam Database. Fase penambangan data sangat penting karena memungkinkan analisis data yang lebih dalam dan menemukan pola dan hubungan yang sebelumnya tidak diketahui. Proses pengolahan data yang kompleks dalam data mining dapat memakan banyak waktu dan biaya.
Pengertian Asosiation Rule
- Aturan Asosiation Rule
- Analisa Pola Frekuensi Tinggi
- Pembentukan Aturan Asosiatif
Aturan asosiasi adalah teknik yang memungkinkan menemukan pola hubungan dalam data yang diberikan, menggunakan tingkat dukungan dan kepercayaan” (Zaki dan Meira, 2014). Aturan asosiasi adalah teknik analisis data yang digunakan untuk menemukan hubungan atau pola antar elemen dalam kumpulan data, dan dapat digunakan dalam berbagai aplikasi seperti analisis kurva pasar dan sistem rekomendasi” (Kantardzic, 2011). Aturan asosiasi adalah teknik yang memungkinkan penemuan hubungan atau hubungan antar elemen dalam kumpulan data besar dan dapat membantu membuat keputusan bisnis” (Jain dan Dubes, 1988).
Aturan asosiasi adalah metode analisis data yang digunakan untuk menemukan hubungan antar item dalam kumpulan data, dengan tujuan menemukan pola tertentu yang membantu pengambilan keputusan (Shmueli et al., 2017). Aturan asosiasi adalah teknik penambangan data yang memungkinkan identifikasi pola—pola asosiasi antara item dalam kumpulan data, yang dapat digunakan dalam aplikasi yang beragam seperti analisis keranjang pasar dan sistem rekomendasi" (Hastie et al., 2017). Aturan asosiasi adalah salah satu teknik Data Mining yang digunakan untuk menemukan hubungan atau korelasi antar item dalam sebuah database.
Konsep Dasar Aturan Asosiasi Aturan asosiasi digunakan untuk menemukan hubungan antara dua atau lebih elemen dalam database. Aturan asosiasi memungkinkan kita untuk menemukan topik terkait dan kemudian membuat aturan yang menjelaskan hubungan di antara mereka. Aturan asosiasi menentukan frekuensi minimum item yang muncul bersamaan, yang dikenal sebagai support, dan tingkat kepercayaan, yang menentukan tingkat kepercayaan aturan asosiasi.
Cari tahu item mana yang sering dibeli bersamaan dan buat rekomendasi produk berdasarkan aturan asosiasi. Setelah semua pola yang memiliki frekuensi tinggi teridentifikasi, langkah selanjutnya adalah mencari aturan asosiasi yang memenuhi syarat minimum nilai kepercayaan dengan cara menghitung nilai kepercayaan aturan asosiatif AB menggunakan rumus yang diberikan.
Kelebihan Dan Kekuranagan Asosiation Rule
- Kelebihan Asosiation Rule
- Kekurangan Asosiation Rule
Dapat digunakan di berbagai bidang Aturan asosiasi dapat digunakan di berbagai bidang, seperti pemasaran, penjualan, ekonomi, ilmu sosial, dll. Hal ini dikarenakan teknik ini dapat menemukan pola hubungan antar elemen atau variabel dalam kumpulan data apapun. Secara keseluruhan, aturan asosiasi adalah teknik penambangan data yang berguna untuk menemukan pola hubungan antara elemen atau variabel dalam kumpulan data.
Memerlukan aturan Asosiasi Data Besar memerlukan data besar untuk memberikan hasil yang akurat dan bermakna. Akibatnya, teknik ini tidak dapat menangani tipe data yang terlibat dalam data ilmiah atau teknik yang memerlukan variabel kontinu. Tidak dapat menangani data yang tidak terstruktur Aturan asosiasi tidak dapat menangani data yang tidak terstruktur atau data yang tidak memiliki format tertentu, seperti data teks atau data multimedia.
Banyak asosiasi palsu Teknik aturan asosiasi dapat menemukan banyak asosiasi yang mungkin acak atau tidak signifikan. Tidak dapat menangani variasi dalam pola asosiasi Aturan asosiasi tidak dapat menangani variasi dalam pola asosiasi. Misalnya, jika ada pola keterikatan yang hanya terjadi pada hari atau waktu tertentu, teknik ini tidak dapat menangkap pola tersebut.
Meskipun ada beberapa kekurangan, teknik aturan asosiasi tetap menjadi alat yang berguna dalam penambangan data. Sebelum menggunakannya, perlu dipertimbangkan kelebihan dan kekurangan teknik ini dan memastikan bahwa teknik ini sesuai dengan tujuan dan jenis data yang akan dianalisis.
Latar Belakang
33 bertujuan untuk menemukan pola yang sering muncul diantara banyak transaksi, dimana setiap transaksi terdiri dari beberapa record [6]. Analisis asosiasi atau penambangan aturan asosiasi adalah teknik penambangan data untuk menemukan aturan asosiatif antara kombinasi elemen. Analisis asosiasi juga dikenal sebagai teknik data mining yang menjadi dasar dari salah satu teknik data mining lainnya [7].
Dengan demikian, diharapkan aplikasi yang akan dirancang dapat membantu proses data mining untuk pengolahan data ekspor kelapa sawit [8]. Association rule merupakan metode yang bertujuan untuk menemukan pola yang sering terjadi diantara banyak transaksi, dimana setiap transaksi terdiri dari beberapa item sehingga metode ini akan mendukung sistem rekomendasi dengan menemukan pola antar item dalam transaksi yang terjadi [9]. Dari latar belakang diatas peneliti tertarik untuk melakukan penelitian untuk mengetahui jenis produk kelapa sawit yang paling banyak diekspor, hasil ekspor kelapa sawit dalam interval waktu tertentu.
Oleh karena itu judul yang diambil adalah Pengolahan Data Ekspor Varietas Produk Kelapa Sawit Menggunakan Metode Association Rule. Hasil dari metode aturan asosiasi yang digunakan dapat memprediksi kemungkinan bahwa varietas tertentu dari minyak sawit akan paling laku di pasar internasional.
Rumusan Masalah
Batasan Masalah
Tujuan Dan Manfaat Penelitian
- Tujuan Penelitian
- Manfaat Penelitian
Memberikan informasi kepada perusahaan untuk meningkatkan produksi minyak sawit rafinasi tertentu yang permintaannya lebih tinggi di pasar internasional.
Metode Penelitian
- Pengumpulan Data
- Data Acquisition
- Data Prepocessing
- Hasil Metode Association Rules
- Visualisasi Data
Akuisisi data adalah proses pengumpulan dan pencatatan data dari berbagai sumber untuk keperluan analisis atau pengolahan lebih lanjut. Proses ini melibatkan pengumpulan data dari berbagai sumber, termasuk sumber internal dan eksternal, seperti sensor, alat ukur, sistem informasi, dan sumber data lainnya. Dataset tersebut akan diolah melalui pengolahan data dan digunakan untuk mengidentifikasi kombinasi produk yang diminati pasar internasional [11].
Proses ini melibatkan serangkaian langkah untuk membersihkan, mengatur, dan menyiapkan data agar dapat digunakan secara efektif dalam proses analisis data. Tujuannya adalah untuk memanfaatkannya sebagai sumber informasi melalui sekumpulan data yang dapat diteruskan untuk diolah [12]. Proses menghasilkan data kombinasi produk yang memenuhi aturan asosiasi dapat memberikan informasi kepada perusahaan tentang kombinasi produk yang paling sering dipilih oleh pembeli [13].
Aturan Asosiasi atau Association Rule adalah teknik analisis data yang digunakan untuk menemukan hubungan atau pola antar item atau variabel dalam suatu kumpulan data. Visualisasi data adalah representasi visual dari data dan informasi yang dimaksudkan untuk membantu pemahaman dan interpretasi data. Tujuannya adalah untuk mengubah data yang kompleks dan rumit menjadi bentuk yang lebih mudah dipahami dan dianalisis, sehingga dapat membantu pengambilan keputusan yang lebih baik dan lebih efisien.
Visualisasi data dapat membantu kita mengungkap pola dan hubungan yang mungkin tersembunyi dalam data, serta mengidentifikasi tren, anomali, dan hubungan antara variabel yang berbeda. Tujuan akhir dari penelitian ini adalah untuk mendeskripsikan hasil metode Association Rules dalam bentuk grafik agar lebih mudah dipahami.
Analisis Masalah
Analisis Data
Nama-nama produk minyak sawit rafinasi diinisialisasi oleh penulis untuk memudahkan dalam menganalisis dengan menggunakan metode aturan asosiasi. Data transaksi produk olahan kelapa sawit dapat divisualisasikan dalam bilangan biner seperti yang ditunjukkan pada data. Setiap kolom mewakili produk olahan sawit dan setiap baris mewakili setiap transaksi, nilai 1 menunjukkan produk olahan sawit ada dalam transaksi, atau 0 jika produk tidak disertakan dalam transaksi.
Setelah mendapatkan data berupa nilai biner, langkah selanjutnya adalah menentukan nilai support dan confidence value dari data transaksi ekspor produk olahan kelapa sawit. Penulis menggunakan aturan asosiasi dimana bentuk pernyataannya adalah X → Y, dimana himpunan item X dan Y dipisahkan oleh kondisi jika-maka (hipotesis-kesimpulan). Support digunakan untuk mengetahui berapa banyak kombinasi yang dapat terjadi pada suatu data set, sedangkan confidence digunakan untuk mengetahui seberapa sering item set Y muncul dalam transaksi dengan item set X.
Dari tabel dengan 4 set item, tidak efisien untuk data ekspor minyak sawit rafinasi, sehingga aturan item produk hanya berdasarkan 3 set item. Dengan menggunakan rumus 2 dan kepercayaan yang diperoleh dengan menetapkan nilai kepercayaan minimum ≥70%, hasilnya ditunjukkan pada tabel berikut. Dari hasil rule di atas terlihat bahwa kombinasi produk olahan sawit yang paling banyak diekspor adalah berdasarkan nilai support dan confidence minimum tertentu.
Visualisasi Data
- Upload Dataset
- Import Library Association Rules Dan Menampilkan Dataset
- Visualisasi Data dengan Matplotlib
- Visualisasi Data dengan Seaborn
47 Setelah memasukan data, langkah selanjutnya adalah memanggil library apriori dan menentukan parameter support minimal sesuai dengan kebutuhan yaitu 0.07 atau 7%, sehingga dapat diperoleh daftar kumpulan elemen yang sesuai dengan nilai support minimal = 0.07 terlihat pada Gambar 3.3 Kumpulan elemen daftar. Tentukan parameter kepercayaan terkecil seperlunya, baik 0,7 atau 70%, sehingga kumpulan item memenuhi nilai kepercayaan minimum. Visualisasi kumpulan data aturan koneksi menjadi garis yang membandingkan kandidat daftar aturan koneksi dengan daftar aturan koneksi, data yang sesuai dengan aturan koneksi ditunjukkan oleh grafik yang bersinggungan satu sama lain dan titik yang memiliki dua simbol.
Visualisasi line plot dari kumpulan data aturan koneksi membandingkan daftar kandidat aturan koneksi dengan daftar aturan koneksi, data yang sesuai dengan aturan koneksi ditandai dengan garis biru, sedangkan data yang tidak sesuai dengan aturan koneksi ditandai dengan garis hijau. Setelah memvisualisasikan data dengan pustaka Python (Matplotlib dan Seaborn), ditemukan bahwa produk dengan set elemen Glycerine→Stearic Acid dan Glycerine-RBDPO→Stearic Acid merupakan kombinasi dari Linking Rules yang paling sering muncul, yaitu 100%. Sedangkan kombinasi HPKO→Stearic acid memenuhi aturan Asosiasi dengan nilai 94%, RBDPO-HPKO→Stearic acid dan fatty acid-.
51 HPKO→ Asam Stearat memenuhi Aturan Asosiasi dengan nilai 90%, Gliserin→RBDPO, Gliserin→RBDPO-Asam Stearat, dan Gliserin Asam Stearat→RBDPO memenuhi Aturan Asosiasi dengan nilai 88%, HPKS→Asam Stearat dan RBDPO - Fatty Acid→Stearic Acid memenuhi Aturan Asosiasi dengan skor 83%.
Kesimpulan Dan Saran
- Kesimpulan
- Saran
5] Emha Taufik, Luthfi, 2009, Penerapan Asosiasi Algoritma Data Mining untuk Meningkatkan Penjualan, Jurnal, Yogyakarta, STMIK AMIKOM Yogyakarta. Aplikasi data mining untuk menganalisis penjualan barang dagangan dengan menggunakan metode Apriori di Supermarket Sejahtera Lhokseumawe.
