modul praktikum 4 - ar-mba - industrial.uii.ac.id fileuniversitas islam indonesia...

UNIVERSITAS ISLAM INDONESIA FM‐UII‐AA‐FKA‐07/R0

MATERI PRAKTIKUM

PRAKTIKUM 4

ANALISA AR-MBA

(ASSOCIATION RULE - MARKET BASKET ANALYSIS)

Tujuan Praktikum

1. Mahasiswa dapat mengetahui salah satu metode asosiasi dalam data mining.

2. Memberikan pemahaman mengenai prosedurMarket Basket Analysis.

3. Mahasiswa dapat mengolah suatu data yang cukup besar sehingga data tersebut dapat

digunakan dengan menggunakan Association Rule.

Latar Belakang AR-MBA

Dewasa ini, penggunaan mesin pencatat dan pemroses transaksi berteknologi barcode telah

umum digunakan pada penjual eceran maupun kecil (toko atau swalayan). Dengan mesin ini,

penjual eceran dapat menyimpan data transaksinya dalam suatu basis data transaksi. Tiap

informasi pada transaksi memuat tanggal dan item apa saja yang dibeli. Data ini disebut

sebagai basket data. Market Basket Analysis (MBA) merupakan studi mengenai analisis

basket data.

Salah satu metode yang banyak digunakan dalam MBA adalah association rule

mining yang bertujuan menemukan aturan-aturan asosiasi di antara himpunan besar data item

dalam basis data transaksi. Apabila diimplementasikan dalam basis data transaksi, aturan-

aturan asosiasi ini akan sangat berguna dalam menentukan strategi bisnis seperti mendesain

katalog, menata layout, serta merancang kampanye pemasaran dan promosi.

Salah satu kemungkinan contoh dari asosiasi misalnya adalah bahwa 80% pelanggan

yang membeli produk A juga membeli produk B. Dalam hal ini produk A dan B disebut

dengan istilah frequent itemset. Dari frequent itemset tersebut kita dapat menentukan aturan

asosiasi antar item dalam frequent itemset.


MATERI PRAKTIKUM

Menggali aturan asosiasi dari basis data transaksi bukan merupakan masalah trivial.

Pertama, jumlah transaksi yang terdapat dalam basis data umumnya sangat banyak. Kedua,

jumlah kemungkinan frequent itemset meningkat secara eksponensial terhadap jumlah jenis

item. Terdapat berbagai algoritma yang dapat digunakan untuk aplikasi AR-MBA, antara lain

yaitu algoritma apriori dan algoritma FP-growth. Berikut penjelasan dari kedua algoritma

tersebut:

Algoritma Apriori

Algoritma apriori merupakan suatu algoritma untuk mengurangi ruang pencarian kombinasi

item, sehingga analisis dapat dilakukan dengan lebih cepat. Lebih lanjut lagi, aturan-aturan

yang dihasilkan dari algoritma apriori dapat diidentifikasi lagi untuk menentukan aturan

mana yang dapat memberikan informasi lebih banyak dengan menggunakan ukuran support

dan lift ratio. Kemudian, aturan-aturan asosiasi yang telah dihasilkan dapat digunakan

sebagai bahan pertimbangan untuk pengambilan keputusan dalam strategi bisnis. Adapun dua

proses utama yang dilakukan dalam algoritma Apriori (Han & Kamber, 2006), yaitu :

1. Join (penggabungan).

Pada proses ini setiap item dikombinasikan dengan item yang lainnya sampai

tidak terbentuk kombinasi lagi.

2. Prune (pemangkasan).

Pada proses ini, hasil dari item yang telah dikombinasikan tadi lalu dipangkas

dengan menggunakan minimum support yang telah ditentukan oleh user.

Algoritma FP-Growth

Algoritma FP-Growth merupakan pengembangan dari algoritma Apriori. Sehingga

kekurangan dari algoritma Apriori diperbaiki oleh algoritma FP-Growth. Frequent Pattern

Growth (FP-Growth) adalah salah satu alternatif algoritma yang dapat digunakan untuk

menentukan himpunan data yang paling sering muncul (frequent itemset) dalam sebuah

kumpulan data (David Samuel, 2008). Pada algoritma Apriori diperlukan generate candidate


MATERI PRAKTIKUM

untuk mendapatkan frequent itemsets. Akan tetapi, di algoritma FP-Growth generate

candidate tidak dilakuka karena FP-Growth menggunakan konsep pembangunan tree dalam

pencarian frequent itemsets. Hal tersebutlah yang menyebabkan algoritma FP-Growth lebih

cepat dari algoritma Apriori.

Karakteristik algoritma FP-Growth adalah struktur data yang digunakan adalah tree

yang disebut dengan FP-Tree. Dengan menggunakan FP-Tree, algoritma FP-growth dapat

langsung mengekstrak frequent Itemset dari FP-Tree. Penggalian itemset yang frequent

dengan menggunakan algoritma FP-Growth akan dilakukan dengan cara membangkitkan

struktur data tree atau disebut dengan FP-Tree. Metode FP-Growth dapat dibagi menjadi 3

tahapan utama yaitu sebagai berikut (Han & Kamber 2006):

1. Tahap pembangkitan conditional pattern base,

2. Tahap pembangkitan conditional FP-Tree, dan

3. Tahap pencarian frequent itemset.

Association Rule

Asociation dalam data mining adalah pekerjaan untuk menentukan mana atribut yang akan

didapatkan bersamaan. Dalam dunia bisnis lazim dikenal istilah affinity analysis. Tugas dari

asociation rule adalah mencari aturan yang tidak mengcover untuk mengukur hubungan

antara dua atau lebih atribut.

Association Rule adalah bentuk jika “kejadian sebelumnya” kemudian

“konsekuensinya” (IF antecedent, THEN consequent). Bersamaan dengan perhitungan

aturan support dan confidence. Pola asosiasi menjadi salah satu fungsionalitas yang paling

menarik dalam penggalian data (Kumar dan Wahidabanu, 2007). Association Rule adalah

teknik data mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Contoh

dari Association Rule dari analisa pembelian di suatu pasar swalayan adalah bisa diketahui

berapa besar kemungkinan seorang pembeli membeli roti bersamaan dengan susu. Dengan

pengetahuan tersebut pemilik pasar swalayan dapat mengatur penempatan barangnya atau


MATERI PRAKTIKUM

merancang kampanye pemasaran dengan memakai kupon diskon untuk kombinasi barang

tertentu (Suwarningsih, 2008).

Menurut Leo Susanto (2003) penggalian kaidah asosiasi mempunyai peranan penting

dalam proses pengambilan keputusan. Salah satu contoh penerapan Association Rule adalah

Market Basket Analysis. Association Rule menjadi terkenal karena aplikasinya untuk

menganalisa isi keranjang belanja di pasar swalayan, sehingga Association Rule juga sering

disebut dengan istilah Market Basket Analysis. Association Rule juga dikenal sebagai salah

satu teknik data mining yang menjadi dasar dari berbagai teknik data mining lainnya.

Konsep Market Basket Analysis

Gambar 1. Ilustrasi Penggunaan MBA

Market Basket Analysis merupakan salah satu contoh penerapan Association Rule.

Untuk menyampaikan ide mendasar dari Market Basket Analysis, dimulai dengan melihat

gambar keranjangan belanjaan pada Gambar 1 yang berisi bermacam-macam barang-

barang yang dibeli oleh seseorang disebuah supermarket. Keranjang ini berisi bermacam-

macam barang-barang seperti roti, susu, sereal, telur, mentega, gula, dan sebagainya.

Sebuah keranjang memberitahukan kepada kita tentang apa saja yang dibeli oleh seorang

konsumen dalam satu waktu. Sebuah daftar belanjaan yang lengkap yang diperoleh dari


MATERI PRAKTIKUM

semua konsumen memberikan kita informasi yang sangat banyak, dan ini dapat

menjelaskan barang-barang apa saja yang paling penting dari bisnis penjualan yaitu ”apa

barang yang dibeli oleh konsumen dan kapan”.

Setiap konsumen membeli seperangkat barang-barang yang berbeda, dalam jumlah

yang berbeda, dan dalam waktu yang berbeda. Market Basket Analysis menggunakan

informasi apa yang dibeli oleh konsumen-konsumen untuk menyediakan tanda atau

informasi yaitu siapa mereka dan mengapa mereka melakukan pembelian tersebut?

Market Basket Analysis menyediakan pengertian tentang barang dagangan dengan

memberitahukan kepada kita produk-produk mana yang memungkinkan untuk dibeli

secara bersamaan dan produk mana yang lebih disetujui untuk di promosikan. Karena

dalam Market Basket Analysis tidak hanya memahami kuantitas dari item yang dibeli

dalam keranjang itu, tapi bagaimana item yang dibeli dalam hubungannya satu dengan

yang lain. Informasi ini dapat digunakan dalam:

1. Lebih menguntungkan periklanan dan promosi. Market Basket Analysis

menggunakan iklan dan promosi agar lebih memahami bagaimana pembeli

menanggapi dan berkomunikasi atas produk-produk yang ditawarkan, karena tujuan

dari retailer adalah ”Bagaimana mengubah penjualan ini? Apa lagi yang dijual dan

apa yang diiklankan?”.

2. Penargetan yang lebih tepat dalam mengembalikan ROI (Return of Investment).

Market Basket Analysis digunakan untuk mengoptimalkan kampanye dan promosi

untuk peningkatan penjualan dan margin dengan penargetan lebih tepat.

3. Loyalitas kartu promosi dengan analisis longitudinal. Longitudinal pengguna Market

Basket Analysis memungkinkan pengecer untuk membeli karakter perilaku pelanggan

seiring waktu. Retailer menggunakan kartu loyalitas pelanggan untuk menangkap

lifecycle data sehingga mereka dapat menganalisis pelanggan dari masa pembelian

perilaku seperti belanja. Misalnya, satu mainan pengecer menjelaskan bahwa ia tidak

masuk akal untuk menjual satu mesin permainan (dengan sedikit margin) kecuali

pelanggan yang juga membeli aksesoris dan perangkat lunak


MATERI PRAKTIKUM

permainan (tinggi dengan margin). Mereka menggunakan Market Basket Analysis

terhadap loyalitas kartu data mereka secara keseluruhan untuk menentukan margin

pada video game dan penjualan untuk membuat ingatan promosi pelanggan dan

mempengaruhi pembeli untuk membeli permainan dan aksesoris dari mereka dan

tidak dari pengecer lain.

4. Menentukan tata letak toko yang baru (new store layouts) atau menarik lebih banyak

lalu lintas ke toko, menetapkan produk-produk mana yang akan diletakan dalam

tempat yang khusus. Market Basket Analysis juga menggunakan ruang untuk

meningkatkan perencanaan dan visual merchandising lintas untuk meningkatkan

penjualan.

5. Mengidentifikasi ketika persoalannya berpasangan/kupon (issue coupons). Untuk

meningkatkan penjualan atau menghabiskan barang yang menjadi inventory.

Definisi Market Basket Analysis

Bebrapa definisi dari MBA adalah sebagai berikut:

Market Basket Analysis adalah teknik matematis yang biasa digunakan oleh

marketing yang profesional untuk menyatakan kesamaan antara produk individu

atau produk kelompok.

Market Basket Analysis berkenaan dengan sekumpulan permasalahan bisnis yang

berkaitan untuk mengetahui point of sale dari data transaksi.

Market Basket Analysis adalah istilah umum untuk metodologi yang mempelajari

tentang komposisi keranjang belanjaan yang dibeli oleh rumah tangga selama 1 kali

berbelanja.

Market Basket Analysis adalah kumpulan kombinasi produk yang dibeli bersamaan.

Market Basket Analysis adalah analisis kecenderungan suatu item terbeli oleh

customer yang sama pada waktu yang bersamaan.


MATERI PRAKTIKUM

Tiga Level Market Basket Data

Market Basket Data adalah data transaksi yang menjelaskan tiga perbedaan entitas yang

mendasar yaitu :

1. Customers

2. Orders/pembelian

3. Items (barang-barang)

Dalam sebuah relational database, struktur data dari market basket data sering terlihat

sama. Data Struktur ini didalamnya terdapat empat entitas yang penting.

Gambar 2. Relational database

Permintaan adalah stuktur data yang fundamental untuk Market Basket Data.

Permintaan dapat berupa kejadian suatu pembelian oleh customer. Pembelian juga dapat

dilakukan melalui website, grosir, ataupun dari catalog. Semua ini dapat termasuk dalahm

sebuah pembelian, pembelian tambahan, tipe dari pembayaran, dan data lain yang termasuk

dalam suatu transaksi. Beberapa transaksi diberikan identitas khusus. Namun ada beberapa

identitas khusus tersebut harus digabungkan dengan data yang lainnya. Sebagai contoh, kita

perlu mengkombinasikan empat lahan untuk mendapatkan empat identitas khusus untuk

penjualan di toko. Waktu dimulai ketika customer membayar, chain ID, store ID dan lane ID.


MATERI PRAKTIKUM

Barang dalam suatu pembelian digambarkan dalam line items. Data ini termasuk harga

pembayaran barang, jumlah barang, pajak yang harus dibayar, mungkin juga termasuk harga

(yang digunakan untuk penghitungan margin). Meja barang (item table) biasanya mempunyai

hubungan dengan product reference table yang memberikan gambaran lebih jelas mengenai

produk yang ada. Gambaran informasinya termasuk hierachy produk dan informasi lain yang

mungkin memudahkan dalam menganalisis.

Customer table (meja customer) adalah meja pilihan dan harus bisa digunakan ketika

customer dapat di identifikasikan. Contoh, di dalam sebuah website, ada sebuah syarat dalam

melakukan registrasi atau ketika customer menggunakan kartu anggota (affinity card) dalam

melakukan pembayaran. Walaupun customer table mempunyai area yang menarik, tetapi

yang paling penting adalah identitas tersebut. Sebab ini merupakan dasi dari sebuah transaksi

setiap waktu. Pengenalan customer setiap saat membuat mungkin untuk dikenali secara

cepat, seperti frekuensi pembelian yang dilakukan oleh customer. Tiga level dari market

basket data yang penting yang secara cepat dapat memahami permintaan. Ada beberapa dasar

pengukuran yaitu:

1. Berapa rata-rata pembelian yang dilakukan customer?

2. Berapa rata-rata barang yang khusus setiap pembelian?

3. Berapa rata-rata barang setiap pembelian?

4. Untuk produk tertentu, proporsi customer apa yang telah membeli produk?

5. Untuk produk tertentu, berapa rata-rata dari pembelian setiap customer yang

termasuk dalam barang?

6. Untuk produk tertentu, berapa rata-rata jumlah pembelian dalam suatu pembelian

ketika produk dibeli?

Pengukuran ini memberikan gambaran untuk sebuah bisnis. Dalam beberapa kasus, ada

beberapa pembeli yang berulang, sehingga proporsi dari sebuah pembelian setiap customer

mendekati 1. Saran ini digunakan suatu perusahaan untuk meningkatkan penjualan setiap

customers. Atau jumlah dari produk setiap pembelian mendekati 1, penyaranan akan

kesempatan untuk penjualan silang selama proses pembelian.


MATERI PRAKTIKUM

Pertemuan ke Modul ke Jumlah Halaman Mulai berlaku

: 4 : 4

: 28

: 2017

Fakultas : Teknologi Industri Jurusan/Program Studi : Teknik Industri Kode Mata Kuliah : 52224603

Nama Mata Kuliah : Analisis Keputusan dan Data Mining

Hal ini dapat berguna untuk membandingkan pengukuran ini terhadap yang lainnya. Kita

telah menemukan bahwa jumlah pembelian dapat menjadi acuan untuk membedakan diantara

para customer (costumer yang sesungguhnya/membeli lebih sering dari pada hanya sekedar

customer). Gambar 2 menggambarkan tentang hubungan antar customer (jumlah barang

khusus setiap pembelian) dengan seberapa dalam hubungannya (jumlah yang dibeli) untuk

customer yang membeli lebih dari 1 barang. Data ini bisa berasal dari retailer yang kecil.

Bulatan yang paling besar menunjukan jumlah customer yang membeli dua barang sekaligus

dalam waktu yang bersamaan., dalam gambar juga dapat dilihat bulatan yang besar

menunjukan jumlah customer yang membeli barang yang sama dalam dua kali pembelian.

Customers yang baik–yaitu mereka yang melakukan pembelian kembali berulang kali.

Cenderung untuk membeli bermacam-macam barang dalam jumlah besar. Walaupun,

beberapa dari mereka kembali dan membeli barang yang sama sepeti ketika mereka pertama

kali membeli. Bagaimana retailer dapat mendorong customers untuk datang kembali dan

membeli lebih dan juga barang yang berbeda? Market Basket Analysis tidak dapat menjawab

pertanyaan ini, tetapi Market Basket Analysis dapat sedikit dorongan untuk meminta itu dan

mungkin menbeikan isyarat yang dapat membantu.

Support dan Confidence

Menurut Nofriansyah (2008), penting tidaknya suatu aturan asosiatif dapat diketahui

dengan dua parameter, support (nilai penunjang) yaitu persentase kombinasi item tersebut

dan confidence (nilai kepastian) yaitu kuatnya hubungan antar item dalam aturan asosiatif.

Aturan asosiatif biasanya dinyatakan dalam bentuk :

{roti, mentega} → {susu} (support = 40%, confidence = 50%)

Yang artinya: ”50% dari transaksi di database yang memuat item roti dan mentega juga

memuat item susu. Sedangkan 40% dari seluruh transaksi yang ada di database memuat

ketiga item itu”. Dapat juga diartikan : "Seorang konsumen yang membeli roti dan mentega


MATERI PRAKTIKUM


: 4 : 4 : 33

: 2017



punya kemungkinan 50% untuk juga membeli susu. Aturan ini cukup signifikan karena

mewakili 40% dari catatan transaksi selama ini."

Analisis asosiasi didefinisikan suatu proses untuk menemukan semua aturan asosiatif yang

memenuhi syarat minimum untuk support (minimum support) dan syarat minimum untuk

confidence (minimum confidence).

Metode Dasar Association Rule

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, yang dapat dirumuskan sebagai berikut:

Contohnya pada database transaksi belanja pasar swalayan berikut:

Tabel 1. Data Transaksi

Diketahui bahwa jumlah transaksi yang memuat {roti, mentega} ada 4 (support 80%),

sedangkan jumlah transaksi yang memuat {roti, mentega, susu} ada 2 (support 40%), transaksi

yang memuat {buncis} hanya 1 (support 20%) dan sebagainya. Bila ditetapkan syarat

minimum dari nilai support untuk pola frekuensi tinggi dalam contoh ini adalah 30%,

diperoleh pola frekuensi tinggi yang memenuhi syarat minimum nilai support adalah :


MATERI PRAKTIKUM


: 4 : 4 : 33

: 2017



Tabel 2. Data Transaksi dengan Frekuensi Tertinggi

2. Pembentukan aturan assosiatif

Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiatif yang

memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan asosiatif

A→ B dengan menggunakan rumus berikut :

Bila syarat minimum untuk confidence dari contoh diatas adalah 50% maka salah satu contoh

aturan asosiatif yang dapat ditemukan adalah : {telur,susu} → {roti,mentega} dengan nilai

confidence:

Aturan assosiatif lain yang dapat ditemukan diantaranya adalah :

Tabel 3. Tabel Association Rule


MATERI PRAKTIKUM


: 4 : 4 : 33

: 2017



3. Lift / Improvement Ratio

Lift Ratio adalah parameter penting selain support dan confidence dalam association rule. Lift

Ratio mengukur seberapa penting rule yang teleh terbentuk berdasarkan nilai support dan

confidence. Lift Ratio merupakan nilai yang menunjukkan kevalidan proses transaksi dan

memberikan informasi apakah benar produk A dibeli bersamaan dengan produk B. Lift /

Improvement Ratio dapat dihitung dengan rumus:

Sebuah transaksi dikatakan valid jika mempunyai nilai Lift / Improvement lebih dari 1, yang

berarti bahwa dalam transaksi tersebut, produk A dan B benar-benar dibeli secara bersamaan.

Pemanfaatan Aturan Asosiasi

Beberapa manfaat penggunaan aturan asosiasi khususnya dalam Market Basket Analysis

yaitu:

1. Untuk bagian pemasaran, peningkatan penjualan dapat dicapai dengan

mengorganisasikan ulang item-item sehingga item-item yang terjual bersama-sama

selalu ditemukan bersama. Hal ini akan memicu pembelian dan membantu memastikan

pelanggan untuk membeli sebuah item tidak lupa untuk membelinya karena tidak

melihatnya. Organisasi retail juga dapat memberikan kupon diskon untuk pembelian item

B jika pelanggan membeli item A (jika aturan asosiasi A => B merupakan aturan asosiasi

yang kuat).

2. Situs e-commerce juga dapat menggunakan aturan asosiasi untuk memberikan saran

(recommender system/suggestive sell) bagi pembeli berdasarkan item-item apa saja yang

sudah berada dalam keranjang belanja (shopping cart) mereka. Situs e-commerce

terkenal seperti Amazon.com menggunakan sistem pemberi saran ini untuk

meningkatkan penjualan.


MATERI PRAKTIKUM


: 4 : 4 : 33

: 2017



3. Untuk pemasaran langsung, promosi kepada pelanggan yang sudah ada lebih disukai,

karena data pembelian mereka telah diketahui. Perusahaan telah memiliki data para

pelanggan dalam basis datanya, dan mengetahui informasi yang signifikan mengenai

mereka. Setelah menjalankan Market Basket Analysis, staf pemasaran dapat

menghubungi pelanggan atau mengirimkan katalog produk untuk mempromosikan

produk yang kira-kira akan menarik untuk mereka beli dengan berdasarkan catatan

riwayat pembelian mereka. Amazon.com juga menggunakan sistem ini. Perusahaan

tersebut mengirimkan e-mail kepada pelanggan untuk menawarkan produk-produk yang

kemungkinan menarik untuk mereka beli dengan melihat produk apa saja yang telah

mereka beli sebelumnya.

Selain dalam bisnis retail, Market Basket Analysis juga dapat diaplikasikan dalam

bidang-bidang yang lain. Market Basket Analysis dapat digunakan dalam spam filtering,

fraud detection (pendeteksi kecurangan, dalam klaim asuransi misalnya), analisis pembelian

kartu kredit, analisis pola panggilan telepon, analisis penggunaan layanan telekomunikasi,

dan sebagainya.

Situs Google Reader yang merupakan aplikasi web di mana pengguna dapat

berlangganan feed dari situs-situs berita atau blog (pengguna akan dapat mengetahui apakah

sebuah situs sudah di-update atau belum tanpa harus mengunjungi masing-masing situs) juga

menggunakan Market Basket Analysis. Aturan asosiasi yang dihasilkan bersama daftar situs

yang dilanggani feed-nya digunakan untuk memberikan saran bagi pengguna mengenai situs

lain yang kira-kira menarik untuk ditambahkan dalam daftar feed.


MATERI PRAKTIKUM


: 4 : 4 : 33

: 2017



Gambar 3. Flowchart Tahapan MBA


MATERI PRAKTIKUM


: 4 : 4 : 33

: 2017



STUDI KASUS

Super Jaya Supermarket ingin melakukan identifikasi terhadap perilaku konsumen yang bertujuan

untuk menentukan kebijakan yang akan diterapkan ke depan. Metode yang akan digunakan adalah

AR-MBA dengan 30 data transaksi belanja Super Jaya Supermarket yang akan diidentifikasi

hubungan antara item dengan item yang lain dengan nilai minimal support 10% dan minimal

confidence 50%

Tabel 3. Rekapitulasi Data

No Jenis

1 frestea, nano

2 coca cola, champ, nano

3 good day, pronas corn beef, delmonte, yakult, bango kecap, indomilk

4 kratingdaeng, sampoerna, aqua

5 sariroti, roma, campina, nutrijel

6 aqua, tango, malboro

7 biore, ades, goal

8 ades, nu green tea, fruit tea

9 ultramilk, lifebuoy, Javana, Aqua, indomilk

10 alfa air pet, vit, coca cola, happy tos

11 miranda, forvita, segitiga biru, wall's, pocky, listerin

12 mamypoko, nescafe

13 nestle air pet, mie gemez, abc exo, root beer

14 frisian flag, pocky, tango, sari roti

15 aqua, citato

16 taro, tango, pulpy

17 ultramilk, hit, gatsby, indomilk

18 aqua, vidoran kids

19 aqua, antangin, sariroti

20 komix, frisian flag

21 aqua, teh kotak

22 aqua, sugus

23 indomilk, aqua, wall's, telur ayam

24 aqua, pocari

25 adem sari, goodtime, sampoerna

26 goodmood, yupi, mr hottest, lifebuoy

27 vit, campina, antangin, lifebuoy

28 monde, kraft, happydent

29 handyplast, sari kacang hijau, sosro, taro, frisian flag, indomilk

30 you c1000, aqua


MATERI PRAKTIKUM


: 4 : 4 : 33

: 2017



Tabel 4. Pembagian Departemen

Departemen Jenis Barang

Departemen 1 (bumbu

dapur dan bahan makanan) champ, pronas corn beef, delmonte, bango kecap, nutrijel, kunci

mas minyak goreng, segitiga biru, telur ayam, kraft, forvita

Departemen 2 (snack) sariroti, Roma, Tango, Happy Tos, Pocky, Citato, Goodtime, Mr Hottest, Monde, Taro, Mie gemez

Departemen 3 (rokok) Sampoerna, Malboro, Dunhill, Djarum

Departemen 4 (minuman

dan jelly)

Frestea, Cocacola, Sosro, Good day, nu green tea, fruit tea, javana,

nescafe, root beer, abc exo, pulpy, the kotak, pocari, goodmood, abc sari kacang hijau, you c1000, kratingdaeng

Departemen 5 (permen) Nano, Sugus, Yupi, happydent, chomp

Departemen 6 (sabun

mandi dan wajah) Goal, Biore, Lifebuoy, Miranda, Listerin, Gatsby, mamypoko

Departemen 7 (air mineral) Aqua, Vit, Nestle air pet, Ades, Alfa air pet

Departemen 8 (susu) Indomilk, Yakult, Frisian Flag, Ultra

Departemen 9 (ice cream) Wall's, Campina

Departemen 10 (obat-

obatan) handyplast, adem sari, komix, vidoran kids, antangin


MATERI PRAKTIKUM


: 4 : 4 : 33

: 2017



Tabel 5. Integrasi Data

Transaksi Item Set 1 DEPT 4, DEPT 5

2 DEPT 4, DEPT 1, DEPT 5





7 DEPT 6, DEPT 7

8 DEPT 7, DEPT 4

9 DEPT 8, DEPT 6, DEPT 4, DEPT 7


11 DEPT 6, DEPT 1, DEPT 9, DEPT 2,

12 DEPT 6, DEPT 4


14 DEPT 8, DEPT 2

15 DEPT 7, DEPT 2

16 DEPT 2, DEPT 4


18 DEPT 7, DEPT 10


20 DEPT 10, DEPT 8

21 DEPT 7, DEPT 4

22 DEPT 7, DEPT 5


24 DEPT 7, DEPT 4






30 DEPT 4, DEPT 7


MATERI PRAKTIKUM


: 4 : 4 : 33

: 2017



Tabel 6. Tranformasi Data

Transaksi dept.1 dept.2 dept.3 dept.4 dept.5 dept.6 dept.7 dept.8 dept.9 dept.10

1 0 0 0 1 1 0 0 0 0 0

2 1 0 0 1 1 0 0 0 0 0

3 1 0 0 1 0 0 0 1 0 0

4 0 0 1 1 0 0 1 0 0 0

5 1 1 0 0 0 0 0 0 1 0

6 0 1 1 0 0 0 1 0 0 0

7 0 0 0 0 0 1 1 0 0 0

8 0 0 0 1 0 0 1 0 0 0

9 0 0 0 1 0 1 1 1 0 0

10 0 1 0 1 0 0 1 0 0 0

11 1 1 0 0 0 1 0 0 1 0

12 0 0 0 1 0 1 0 0 0 0

13 0 1 0 1 0 0 1 0 0 0

14 0 1 0 0 0 0 0 1 0 0

15 0 1 0 0 0 0 1 0 0 0

16 0 1 0 1 0 0 0 0 0 0

17 0 0 0 0 0 1 0 1 0 1

18 0 0 0 0 0 0 1 0 0 1

19 0 1 0 0 0 0 1 0 0 1

20 0 0 0 0 0 0 0 1 0 1

21 0 0 0 1 0 0 1 0 0 0

22 0 0 0 0 1 0 1 0 0 0

23 1 0 0 0 0 0 1 1 1 0

24 0 0 0 1 0 0 1 0 0 0

25 0 1 1 0 0 0 0 0 0 1

26 0 1 0 1 1 1 0 0 0 0

27 0 0 0 0 0 1 1 0 1 1

28 1 1 0 0 1 0 0 0 0 0

29 0 1 0 1 0 0 0 1 0 1

30 0 0 0 1 0 0 1 0 0 0


MATERI PRAKTIKUM


: 4 : 4 : 33

: 2017



Langkah-langkah yang dilakukan dalam software adalah sebagai berikut:

1. Buka software rapid miner, klik New Process

2. Pilih File – Import Data – Import Excel Sheet

3. Kemudian cari data excel tersebut di dalam computer, pilih, klik Next

Gambar 4. Membuka Data


MATERI PRAKTIKUM


: 4 : 4 : 33

: 2017



4. Klik Next

Gambar 5. Data Import Step 1

5. Klik Next



MATERI PRAKTIKUM


: 4 : 4 : 33

: 2017



6. Klik Next


7. Klik Next



MATERI PRAKTIKUM


: 4 : 4 : 33

: 2017



8. Simpan data di folder latihan1 dengan nama training


9. Klik Finish, akan muncul output seperti gambar di bawah ini

Gambar 10. Output Import Data


MATERI PRAKTIKUM


: 4 : 4 : 33

: 2017



10. Kemudian drag file training ke dalam kotak Main Process

Gambar 11. Drag Training File

11. Cari Select Attributes, kemudian drag ke dalam kotak Main Process

Gambar 12. Drag Select Attribute


MATERI PRAKTIKUM


: 4 : 4 : 33

: 2017



12. Hubungkan training dengan Select Attributes

Gambar 13. Menghubungkan Data Training dengan Select Attribute

13. Klik Select Attributes, ganti attribute filter by… dengan subset. Kemudian klik menu

Select Attributes di attributes. Pindahkan semua departemen ke dalam kotak sebelah

kanan

Gambar 14. Select Attributes: attributes


MATERI PRAKTIKUM


: 4 : 4 : 33

: 2017



14. Cari Numerical to Binominal, kemudian drag ke dalam kotak Main Process

Gambar 15. Proses Drag Numerical to Binominal

15. Cari Remap Binominals, kemudian drag ke dalam kotak Main Process

Gambar 16. Proses Drag Remap Binominals


MATERI PRAKTIKUM


: 4 : 4 : 33

: 2017



16. Hubungkan Select Attributes dengan Numerical to Binominal, dan Numerical to

Binominal dengan Remap Binominals. Kemudian ganti negative value dengan nilai 0

dan positive value dengan nilai 1

Gambar 17. Proses Numerical to Binominal, dan Numerical to Binominal

dengan Remap Binominals

17. Cari FP-Growth, kemudian drag ke dalam kotak Main Process

Gambar 18. Proses drag FP-Growth

18. Cari Create Association Rules, kemudian drag ke dalam kotak Main Process.


MATERI PRAKTIKUM


: 4 : 4 : 33

: 2017



Lalu hubungkan Remap Binominals ke FP-Growth dan FP-Growth (fre) ke Create

Association Rules

Gambar 19. Proses Create Association Rules

19. Hubungkan FP-Growth (exa) ke res pertama (sebelah kanan) dan Create Association

Rules (rul) ke res kedua (sebelah kanan)

Gambar 20. Proses menghubungkan FP-Growth ke ras pertama dan

Create Association Rules ke res kedua


MATERI PRAKTIKUM


: 4 : 4 : 33

: 2017



20. Klik FP-Growth, ganti min support dengan nilai 0.1, lalu uncheklist pada find min number

of itemset

Gambar 21. Min Support bernilai 0.1

21. Klik Create Association Rules kemudian ganti min confidence dengan nilai 0.5

Gambar 22. Min Confidence bernilai 0.5


MATERI PRAKTIKUM


: 4 : 4 : 33

: 2017



22. Lalu klik Run, akan muncul output seperti gambar di bawah ini.

Gambar 23. Output

23. Rule yang valid adalah yang memiliki nilai Lift Ratio > 1

Gambar 25. Rule valid jika nilai Lift Ratio > 1


MATERI PRAKTIKUM


: 4 : 4 : 33

: 2017



Dari hasil output di atas, dapat diketahui rules sebagai berikut:

1. Dept. 1 akan terbeli bersama dengan Dept. 2, dengan tingkat kepercayaan 50% dan

didukung oleh 10% dari data keseluruhan.







Knowledge yang didapatkan pada rule dapat digunakan untuk aplikasi berikut :

Pembuatan katalog dengan mendekatkan produk yang sering terbeli secara bersamaan didekatkan

dalam penyusunan katalog.

Pemilihan layout tempat belanja, dimana produk yang sering terbeli secara bersamaan didekatkan

tempat peletakannya.

Pembuatan kupon belanja, dengan membuat produk yang jarang terbeli sebagai bonus dari

pembelian produk yang sering terbeli.


MATERI PRAKTIKUM


: 4 : 4 : 33

: 2017



Berikut ini contoh pembuatan katalog dengan mengambil rule yang ketiga yaitu Jika dept. 5 (permen)

terbeli maka memiliki kemungkinan 60% (nilai confidence) untuk membeli dept. 4 (minuman rasa).

Aturan ini cukup signifikan karena mewakili 10% (nilai support) dari semua transaksi. Lift ratio > 1.

Gambar 27. Katalog Berdasarkan Hasil Rules


MATERI PRAKTIKUM


: 4 : 4 : 33

: 2017



DAFTAR PUSTAKA

David Samuel. 2008. Penerapan Stuktur FP-Tree dan Algoritma FPGrowth dalam Optimasi

Penentuan Frequent Itemset. Institut Teknologi Bandung.

Han Jiawei, and M. Kamber. 2006. Data Mining: Concepts and Techniques. Morgan

Kaufmann, USA.

Wiwin Suwarningsih. 2008. Penerapan Association Rule Mining untuk Perancangan Data

Mining BDP (Barang Dalam Proses) Obat. Pusat Penelitian Informatika LIPI.

Nofriansyah, Dicky. 2014. Konsep Data Mining vs Sistem Pendukung Keputusan. Yogyakarta:

Deepublish.

modul praktikum 4 - ar-mba - industrial.uii.ac.id fileuniversitas islam indonesia...

Documents