Association Rules

Association Rules

Association Rules Adalah proses mendeteksi kumpulan atribut-atribut yang muncul bersamaan (co-occur) dalam frekuensi yang sering, dan membentuk sejumlah kaidah dari kumpulan-kumpulan tersebut.
Contoh : 90% orang yang berbelanja di suatu supermarket yang membeli roti juga membeli selai, dan 60% dari semua orang yang berbelanja membeli keduanya.

Association rule mining  adalah analisa dari kebiasaan belanja konsumen dengan mencari asosiasi dan korelasi antara item-item berbeda yang diletakkan konsumen dalam keranjang belanjaannya.
Contoh Association rule misalnya: "70% dari orang-orang yang membeli mie, juice dan saus akan membeli juga roti tawar".

Dengan kemajuan teknologi, data penjualan dapat disimpan dalam jumlah besar yang disebut dengan “basket data."

Aturan asosiasi yang didefinisikan pada basket data tersebut, dapat digunakan untuk menganalisa data dalam rangka :

- keperluan desain katalog promosi,
- proses pembuatan keputusan bisnis,
- segmentasi konsumen dan
- target pemasaran.

Contoh aplikasi kaidah asosiasi 

1. Marketing and Sales Promotion, Misal :

• Ketergantungan {bagels, … } → {Potato Chips}
• Potato Chips sebagai consequent → dapat digunakan untuk menentukan apa yang dilakukan untuk meningkatkan penjualan
• Bagels di dalam antecedent → dapat digunakan untuk melihat produk mana yang akan terkena dampak jika tidak lagi menjual bagels.

2.  Supermarket Shelf Management
3.  Inventory Management

Apriori Algorithma

Algoritma Apriori pertama kali dikenalkan oleh  Agrewal, Imielinski dan Swami. Algoritma Apriori merupakan salah satu algoritma yang digunakan di dalam memecahkan persoalan association rule mining.  Yang mengolah suatu database  transaksi dengan setiap transaksi adalah suatu himpunan item-item. Kemudian mencari seluruh kaidah apriori yang memenuhi kendala minimum support dan minimum confidence yang diberikan user.

Algoritma Apriori dapat digunakan untuk menemukan tren bisnis dengan menganalisa transaksi konsumen. Contoh: 30% dari transaksi yang memuat bir juga memuat popok 5% yang artinya 30% merupakan confidence dan 5% merupakan support dari kaidah ini.


Ilustrasi Algoritma Apriori

Contoh Soal:

Berikut ini Contoh dari 4 Transaksi belanja konsumen, akan dicari hubungan asosiasi antar item dengan minimal support 50%

Langkah 1: L1 = {large 1-itemset}

Langkah 2 : Mencari kandidat itemset untuk L2

2.1 Gabungkan itemset pada L1 (algoritma apriori gen)

2.2 Hapus yang tidak ada dalam itemset

Langkah 3 : Hitung Support dari tiap kandidat itemset

Langkah 4 : L2 {Large 2-itemset}

Langkah 5 : Ulangi langkah 2-4

5.1 Gabungkan itemset pada L2 dan L2 :
5.2 Hapus yang tidak ada dalam itemset : {ACE}

Langkah 6 : Hitung Support dari setiap kandidat itemset L3

Langkah 7 : L3 {Large 3-Itemset}   {BCE}
Langkah 8 : STOP karena sudah tidak ada lagi kandidat untuk 4-itemset

Hasil Akhir :

Untuk mencari aturan asosiasi diperlukan juga min-confidence :
Misal min-conf : 50%.
Aturan yang mungkin terbentuk :

Tweet