PENERAPAN ALGORITMA APRIORI UNTUK MEMPEROLEH ASSOCIATION RULE ANTAR ITEMSET BERDASARKAN PERIODE PENJUALAN DALAM SATU TRANSAKSI

Transkripsi

1 PENERAPAN ALGORITMA APRIORI UNTUK MEMPEROLEH ASSOCIATION RULE ANTAR ITEMSET BERDASARKAN PERIODE PENJUALAN DALAM SATU TRANSAKSI Devi Fitrianah, Ade Hodijah Program Studi Teni Informatia, Faultas Ilmu Komputer, Universitas Mercu Buana JL. Raya Meruya Selatan, Kembangan, Jaarta, Abstra Dalam dunia bisnis yang penuh persaingan menuntut seorang pengambil eputusan untu melihat peluangpeluang yang dapat meningatan penjualan di perusahaannya. Salah satu unsur penting penduung pengambilan eputusan adalah etersediaan data transasi dalam jumlah besar sebagai sumber informasi untu analisis ecenderungan pola pembelian belanja onsumen. Untu itu dalam penulisan ini diembangan apliasi analisis association untu mengestrasi dan menginterpretasi pola ecenderungan produ-produ yang sering dibeli bersamaan pada periode penjualan tertentu dari data transasi menggunaan algoritma apriori. Algoritma apriori ini aan membentu frequent itemset sebanya yang telah ditentuan sebelumnya berdasaran dua parameter, support dan confidence, untu menemuan aturan asosiasi antara suatu ombinasi item. Proses yang dilauan diawali dengan persiapan data melalui preprocessing data emudian ditransformasi e dalam bentu yang dapat diolah pada proses selanjutnya yaitu join dan prune hingga pembentuan association rules. Dari hasil pengujian, apliasi yang dibangun mampu melauan penerapan algoritma apriori dengan terbentunya pola-pola frequent itemset dari data transasi sebagai bahan analisis pola pembelian belanja onsumen. Kata Kunci: Apriori, Frequent Itemset, Association rules, Data Transasi 1. Pendahuluan Gudang data yang berisi data bisnis merupaan salah satu aset utama yang dimilii perusahaan. Bagi perusahaan dengan sala ecil, seperti tootoo ecil, pengolahan data dengan sistem basis data sederhana sudah mencuupi untu bahan analisa seorang manajer dalam pengambilan eputusan. Tida demiian dengan perusahaan yang bergera dengan sala besar, yang memasaran produ dalam jumlah besar dengan jenis item yang juga sangat banya dan beragam, misalnya sebuah supermaret, yang setiap bulannya harus menangani ratusan bahan ribuan transasi. Untu meningatan usability etersediaan data transasi sebagai sumber informasi, misalnya penggunaan computer based method untu menganalisis, meringas dan mengestrasi nowledge dari data tersebut, perlu adanya suatu sistem yang dapat menduung manajer dalam mengambil eputusan secara cepat dan juga tepat. Salah satu cara untu mendapatan nowledge adalah dengan melauan penambangan data. Penambangan data diperluan untu memperoleh informasi-informasi yang cuup untu dianalisa lebih lanjut. Pada supermaret, informasi tersebut dapat berupa produ-produ apa saja yang sering terjual pada periode watu tertentu dan data produ lain yang dibeli secara bersamaan oleh onsumen. Selanjutnya dapat diambil satu contoh hasil analisis yang diinginan, seperti jia manajer pemasaran telah mengetahui produ apa saja yang biasa dibeli bersamaan maa salah satu tindaan onrit yang dapat dilauan adalah menata rara barangnya, seperti tata leta barang mana yang harus diletaan berdeatan sehingga memudahan onsumen untu mendapatan barang atau mengingatan onsumen jia pada saat itu lupa ingin membeli atau membutuhan barang tersebut. Selain itu, manajer juga dapat mengambil siap dengan menyediaan lebih banya barang tertentu di watu-watu tertentu, sehingga nantinya edua eputusan ini dapat mendatangan euntungan yang lebih bagi perusahaan. Dari latar belaang seperti terpapar di atas, dapat dirumusan permasalahan yaitu bagaimana melauan penambangan data transasi penjualan dengan association rule mining menggunaan algoritma apriori untu mengetahui pola-pola frequent itemset agar diperoleh hasil analisis ecenderungan pola pembelian belanja onsumen. Data yang diambil sebagai contoh asus adalah basis data Northwind yang merupaan database default saat instalasi SQL Server Hasil penulisan ini diharapan dapat memberian gambaran langah-langah penerapan algoritma apriori dalam menambang data. 2. Teori Penunjang Topi yang dibahas merupaan topi yang beraitan dengan analisis yang beraitan dengan ebiasaan belanja onsumen, maa metode yang Volume III/No.1/Mei/

2 paling tepat digunaan adalah Maret Baset Analysis. Untu menghasilan pola asosiasinya, penulis menggunaan algoritma apriori. 2.1 Data Mining Data mining atau Knowledge Discovery in Database adalah proses untu menemuan interesting nowledge dari sejumlah besar data yang disimpan bai di dalam transactional database, data warehouse atau tempat penyimpanan informasi lainnya[1]. 2.2 Association Rule Mining Association rule mining adalah suatu prosedur untu mencari hubungan antar item dalam suatu data set yang ditentuan[1]. Association Rule Mining meliputi dua tahap: a. Mencari ombinasi yang paling sering terjadi dari suatu itemset (frequent itemset). b. Meng-generate Association Rule dari frequent itemset yang telah dibuat sebelumnya. Umumnya ada dua uuran epercayaan (interestingness measure) yang digunaan dalam menentuan suatu association rule, yaitu Support dan Confidence[3]. 2.3 Maret baset analysis Maret Baset Analysis merupaan analisis terhadap ebiasaan onsumen berbelanja pada supermaret dengan cara menemuan asosiasi dan orelasi diantara berbagai macam items yang dimasuan onsumen di dalam eranjang belanjaannya [5]. Secara lebih spesifi, maret baset analysis bertujuan untu mengetahui items apa saja yang sering dibeli bersamaan oleh onsumen. Items di sini diartian sebagai berbagai macam produ atau barang pada supermaret tersebut. Fungsi association rules seringali disebut dengan maret baset analysis. Fungsi ini paling banya digunaan untu menganalisa data dalam ranga eperluan strategi pemasaran, desain catalog, dan proses pembuatan eputusan bisnis. Algoritma paling dasar untu mencari itemset sering muncul (disebut frequent itemset) adalah algoritma apriori. 2.4 Algoritma Apriori Algoritma apriori adalah algoritma analisis eranjang pasar yang digunaan untu menghasilan aturan asosiasi, dengan pola ifthen. Algoritma apriori menggunaan pendeatan iteratif yang dienal dengan level-wise search, dimana -elompo produ digunaan untu mengesplorasi (+1)-elompo produ atau (+1)-itemset [1]. Beberapa istilah yang digunaan dalam algoritma apriori antara lain: a. Support (duungan): probabilitas pelanggan membeli beberapa produ secara bersamaan dari seluruh transasi. Support untu aturan X Y adalah probabilitas atribut atau umpulan atribut X dan Y yang terjadi bersamaan. b. Confidence (tingat epercayaan): probabilitas ejadian beberapa produ dibeli bersamaan dimana salah satu produ sudah pasti dibeli. Contoh: jia ada n transasi dimana X dibeli, dan ada m transasi dimana X dan Y dibeli bersamaan, maa confidence dari aturan if X then Y adalah m/n. c. Minimum support: parameter yang digunaan sebagai batasan freuensi ejadian atau support count yang harus dipenuhi suatu elompo data untu dapat dijadian aturan. d. Minimum confidence: parameter yang mendefinisian minimum level dari confidence yang harus dipenuhi oleh aturan yang berualitas. e Itemset: elompo produ f. Support count: freuensi ejadian untu sebuah elompo produ atau itemset dari seluruh transasi. g. Kandidat itemset (C ): itemset-itemset yang aan dihitung support count-nya. h. Frequent itemset (F ): itemset yang sering terjadi, atau itemset-itemset yang sudah melewati batas minimum support yang telah ditentuan. Ada dua proses utama yang dilauan algoritma apriori, yaitu: 1. Join (penggabungan): untu menemuan F, C dibangitan dengan melauan proses join F dengan dirinya sendiri, C =F *F lalu , anggota C diambil hanya yang terdapat didalam F Prune (pemangasan): menghilangan anggota C yang memilii support count lebih ecil dari minimum support agar tida dimasuan e dalam F. Metodologi dasar algoritma apriori untu membangitan frequent itemset terbagi menjadi dua tahap: a. Analisa pola freuensi tinggi 1. Menelusuri seluruh record di basis data transasi dan menghitung support count dari tiap item. Ini adalah andidat 1-itemset, C. 1 Nilai support menggunaan rumus [2]: Jumlah _ transasi _ berisi _ A Support( A) = Total _ transasi Jumlah _ transasi _ berisi _ A B Support( A, B) = Total _ transasi 2. Frequent 1-itemset F dibangun dengan 1 menyaring C dengan support count yang lebih 1 Volume III/No.1/Mei/

3 besar sama dengan minimum support untu dimasuan edalam F Untu membangun F, algoritma apriori 2 menggunaan proses join untu menghasilan C Dari C, 2-itemset yang memilii support count 2 yang lebih besar sama dengan minimum support aan disimpan e dalam L Proses ini diulang sampai tida ada lagi emunginan -itemset. Contoh tahapan pembangitan C, F, C, F, C, F terlihat pada Gambar 1. b. Pembentuan aturan asosiatif Dari beberapa frequent itemset yang telah ditemuan, dapat dibangitan aturan-aturan asosiasi yang berualitas. Syarat aturan asosiasi yang adalah harus memenuhi minimum support dan minimum confidence yang telah ditentuan. Confidence dari setiap aturan yang dibangitan dapat dihitung dengan menggunaan rumus [2]: sup port _ count( A B) Confidence( A B) = sup port _ count( A) Berdasaran rumusan diatas, aturan asosiasi dapat dibangitan dengan langah: 1. Untu setiap itemset l, bangitan seluruh subset l yang tida osong. 2. Untu setiap subset s dari l yang tida osong, buat aturan s => (l- s) jia sup port _ count( l) minimum _ confidence sup port _ count( s) Gambar 1. Pencarian candidate itemsets dan frequent itemset dengan minimum support = 2 [Sumber: Han, Jiawei, and Micheline Kamber, Data Mining: Concepts and Techniques, Morgan Kaufmann, 2001, p. 233 (telah diolah embali).] Algoritma aprirori dapat dilihat sebagai beriut [1]: L 1 = find_frequent_1_itemset(d); For (=2; L -1 ; ++) { C = apriori_gen(l -1,min_sup); For each transaction t D //scan D for counts { C t subset(c,t); //get the subsets of t that are candidates Volume III/No.1/Mei/

4 For each candidate c C t { c.count ++; L = { c C c.count min_sup return L = U L ; Procedure apriori_gen(l -1 :frequent(-1)-itemsets; min_sup:min_sup_threshold) For each itemset l 1 L -1 { For each l 2 L -1 { If ( (l 1 [1]= l 2 [1]) (l 1 [2]= l 2 [2]) (l 1 [-2]= l 2 [-2]) (l 1 [-1] < l 2 [-1]) )then { c = l 1 l 2 ; //join step: generate candidates If (has_infrequent_subset(c,l -1 )) then { delete c; //prune step: remove unfruitful candidate Else { add c to C ; return C ; Procedure has_infrequent_subset(c:candidate_-itemset; L -1 :frequent_(-1)-itemsets) //use prior nowledge For each (-1)-subset s of c { If s L -1 then { return TRUE; return FALSE; 3. Desain Sistem 3.1 Analisa Kebutuhan Sistem Dalam mengimplementasian algoritma apriori untu mencari aturan asosiasi, penulis menggunaan basis data Northwind, dimana dalam basis data tersebut terdapat diantaranya 3 tabel, yaitu tabel Orders menyimpan transasi yang terjadi dalam suatu perusahaan, tabel OrderDetails menjelasan barang apa saja yang terbeli dalam masing-masing transasi pada tabel Orders, sedangan tabel Products menyimpan detail data barang yang terbeli untu setiap transasi pada tabel OrderDetails. Atribut-atribut yang dipilih, yaitu atribut OrderDate sebagai representasi watu, Quantity sebagai representasi sto, ProductName sebagai representasi jenis barang yang dibeli oleh onsumen. Data yang dapat diterima oleh algoritma apriori adalah hanya data yang bersifat numeri, sehingga diperluan proses transformasi data terlebih dahulu. Proses transformasi data tes atau ategorial menjadi numeri adalah dengan cara memberian nilai epada setiap data yang berbeda secara ontinyu. Data yang bernilai sama maa aan mempunyai nilai yang sama. Atribut-atribut yang belum bertipe numeri, yani atribut ProductName dan OrderDate, maa pada atribut-atribut tersebut harus dilauan numerisasi terlebih dahulu. Sedangan atribut Quantity telah bertipe numeri, sehingga tida perlu lagi dilauan proses numerisasi. Pada atribut ProductName ategori yang ada hanya berupa Dibeli dan Tida dibeli, maa setelah dilauan proses numerisasi, data Dibeli aan ditransformasi menjadi 1 dan data Tida dibeli menjadi 0. Selanjutnya numerisasi pada atribut OrderDate ini difousan pada data tanggal transasi dengan rentang watu per-3 ali dalam sebulan, yani tanggal (1-10) adalah Periode awal bulan aan ditransformasi menjadi 1, (11-20) adalah Periode tengah bulan aan ditransformasi menjadi 2, dan (21-tanggal ahir per bulan) adalah Periode ahir bulan aan ditransformasi menjadi 3. Langah dalam pembuatan apliasi association rule mining menggunaan algoritma apriori dijelasan dalam flowchart yang tampa pada Gambar 2, Gambar 3, dan Gambar 4 beriut. Volume III/No.1/Mei/

5 Mulai min_support, min_confidence 1. c := 1 2. Total_transasi := Query SUM(OrderID) dalam tabel Orders 3. Ketemu := false Ada tabel C[c] dalam database? Hapus tabel C[c] Tida 1. Buat tabel C[c](ProductID,count_support) 2. Tabel C[c](ProductID) := Query DISTINCT(ProductID) dalam tabel OrderDetails 3. Tabel C[c](count_support) := Query SUM(ProductID) dalam tabel OrderDetails 4. L := 1 Query Frequent := count_support dalam tabel C[c] count_support >= min_support? Tida Hapus itemset dalam tabel C[c] Tida EOF Query Frequent? Gambar 2. Flowchart algoritma apriori proses join dan prune [Sumber: Kusrini dan Emha Taufiq Luthfi, Algoritma Data Mining, Penerbit Andi, 2009, p (telah diolah embali).] A Volume III/No.1/Mei/

6 Gambar 3. Flowchart algoritma apriori proses join dan prune (lanjutan) [Sumber: Kusrini dan Emha Taufiq Luthfi, Algoritma Data Mining, Penerbit Andi, 2009, p (telah diolah embali).] Volume III/No.1/Mei/

7 B c := c+1 Tambahan olom antecendent,antecendentconsequent,countconfidence dalam tabel C[c] Query Assosiatif := generate semua nonempty C[c-1](s) dari C[c](l) untu setiap frequent itemset C[c](l) Rule = s l-s or Rule trivial? Tida Hapus itemset dalam tabel C[c] Tida 1. A := s 2. B := l-s 3. Count_A := Query SUM(A(ProductID)) dalam tabel OrderDetails 4. Count_A B := Query SUM(A(ProductID) AND B(ProductID)) dalam tabel OrderDetails 5. Tabel C[c](antecendent) := Count_A 6. Tabel C[c](antecendentConsequent) := Count_A B 7. Tabel C[c](countConfident) := Count_A B / Count_A EOF Query Assosiatif? Query Confidence := count_confidence dalam tabel C[c] count_confident >= min_confidence? Tampil rule := count_confidence * 100% Tida Tida EOF Query Confidence? Selesai Gambar 4. Flowchart algoritma apriori proses pembentuan aturan asosiatif [Sumber: Kusrini dan Emha Taufiq Luthfi, Algoritma Data Mining, Penerbit Andi, 2009, p (telah diolah embali).] Volume III/No.1/Mei/

8 Gambar 5. Activity diagram use case association Gambar 6. Isi tabel transasi untu input proses Generate Association Volume III/No.1/Mei/

9 3.2 Tahap Proses Association Desain dari proses ini dapat dilihat pada Gambar 5. Tahap proses Association adalah apliasi berbasis Windows XP dan dibangun menggunaan software ompilasi PHP serta database engine MySQL. Pada tahap ini dilauan proses association rule mining terhadap data transasi Northwind yang telah tersimpan dalam tabel TabularTransasi. Implementasi dilauan menggunaan algoritma apriori dengan melauan proses analisa pola freuensi tinggi (proses join dan prune) emudian proses pembentuan aturan asosiatif (proses generate association rule). 3.3 Desain Database Basis data yang diembangan terdiri dari tabel yang bersifat referensi, input, dan output. Tabel yang bersifat referensi ini terdiri dari 3 tabel, yaitu tabel Orders, OrderDetails, dan Products. Tabel ini merupaan tabel dari basis data transasi penjualan, yaitu Northwind, yang diperoleh saat instalasi SQL Server 2000, database default. Relasi tabel relasi ini dapat dilihat pada gambar 7 Tabel yang bersifat input adalah tabel Transasi, yani tabel tabel yang menyimpan data sebagai input e proses association. Seluruh data yang berada dalam tabel ini telah bersifat numeri. Terahir adalah tabel yang bersifat output, tabel yang aan menyimpan data hasil association. Tabel ini terdiri dari 2 tabel. Pertama, tabel Frequent, yani tabel yang menyimpan data frequent itemsets, hasil proses join dan prune. Kedua, tabel Rule, yani tabel yang menyimpan data association rule, hasil proses pembentuan aturan asosiatif. Susunan tabel input dan tabel output dapat dilihat pada gambar 8. FREQUENT IDFREQUENT ORDERID PRODUCTID SUPPORT_COUNT BASEORDERIDFREQ ORDERID = ORDERID TRANSAKSI ORDERID PRODUCTID QUANTITY ORDERDATE IDFREQUENT = IDFREQUENT RULE IDRULE IDFREQUENT ANTECENDENT CONSEQUENT COUNT_SUPPORT COUNT_CONFIDENCE BASEORDERIDRL Gambar 7. Rancangan basis data dari apliasi yang aan dibangun 4. Pengujian Sistem Pengujian dilauan menggunaan spesfiasi hardware dan software beriut: Processor : Intel Dual-Core 1.2 GHz Memory : 1 GB Operating System : Ms. Windows XP SP2 Database : MySQL Beriut adalah senario pengujian yang dilauan: 1. Apaah sistem dapat melauan proses association rule mining dengan jumlah atribut data berbeda sesuai dengan pilihan pengguna? 2. Apaah sistem dapat melauan pra pemrosesan data (transformasi atribut)? 3. Apaah sistem dapat melauan proses asosiasi termasu proses join dan prune? 4. Apaah sistem dapat menampilan hasil asosiasi? 5. Apaah sistem dapat menyimpan hasil asosiasi? Hasil implementasi dapat dilihat dari gambar 8 sampai gambar 11. Hasil pengujian lengap terdapat pada table hasil pengujian. Gambar 8. Form Selection Data Volume III/No.1/Mei/

10 Gambar 9. Form Association Gambar 10. Form association rules mining Persentase Gambar 11. Form association rules mining Periode Volume III/No.1/Mei/

11 Aturan asosiasi yang diperoleh pada gambar 10 sebagai beriut: 1. JIKA membeli Asparagus dan Squash, MAKA aan membeli Beans dengan nilai support 28.6% dan confidence 80% 2. JIKA membeli Asparagus dan Beans, MAKA aan membeli Squash dengan nilai support 28.6% dan confidence 80% Aturan asosiasi yang diperoleh pada gambar 11 sebagai beriut: 1. JIKA membeli Asparagus dan Squash, MAKA aan membeli Beans dengan nilai support 28.6% dan confidence 80% Detail periode: Asparagus - Periode ahir bulan: 1 Squash - Periode ahir bulan: Beans - Periode ahir bulan: 0 2. JIKA membeli Asparagus dan Beans, MAKA aan membeli Squash dengan nilai support 28.6% dan confidence 80% Asparagus - Periode ahir bulan: 1 Beans - Periode ahir bulan: 1 Squash - Periode ahir bulan: 1 No Tabel 1 Hasil Pengujian Implementasi Kebutuhan Sistem dapat melauan proses association rule mining dengan jumlah atribut data berbeda sesuai pilihan pengguna. Sistem mampu melauan pra pemrosesan data (transformasi atribut). Sistem dapat melauan proses algoritma association, dalam hal ini algoritma apriori, termasu dilauannya proses join dan prune. Sistem dapat menampilan hasil association, sehingga data-data yang memilii ecenderungan pembelian bersama dapat dietahui. Informasi pengelompoan data barang ini berdasaran persentase dan periode penjualan. Sistem dapat menyimpan hasil association Terpen uhi T i Y d a a Keterangan Pengguna dapat menginputan data sesuai yang diinginan sebagai input e proses association. Pemenuhan ebutuhan ini terhadap sistem terdapat pada menu Selection Data. Sistem berhasil melauan transformasi menggunaan penguuran variabel biner untu atribut ProductName dan penguuran ategorial untu atribut OrderDate. Pemenuhan ebutuhan ini terhadap sistem terdapat pada menu Association. Sistem telah mengimplementasian algoritma apriori. Pemenuhan ebutuhan ini terhadap sistem terdapat pada menu Association. Pengguna dapat melihat data hasil association dan melihat hasilnya dalam format tabel dan grafi. Pemenuhan ebutuhan ini terhadap sistem terdapat pada menu Interpretasi Persentase dan Periode. Hasil proses association yang terahir dilauan dapat dilihat pengguna walau apliasi telah dimatian. Pemenuhan ebutuhan ini terhadap sistem terdapat pada menu View the last association. 4. KESIMPULAN Dari hasil pembahasan dapat disimpulan bahwa penulisan telah berhasil untu: Semain tinggi batasan minimum support count yang ditentuan maa association rules yang dihasilan semain sediit. Sehingga menurunan data barang yang dihasilan namun lebih meningatan asosiasi diantara user s threshold dengan pengelompoan data barang. Bila di-input-an nilai threshold yang tida sesuai dengan jumlah masimum support_count dan confidence berdasaran jumlah emunculan itemset pada database, maa hasil pencarian association rule aan menghasilan daftar yang null. Hal ini diarenaan nilai threshold tida memenuhi minimal persayaratan frequent 2-itemset. 5. DAFTAR PUSTAKA [1] Han, Jiawei and Micheline Kamber, Data Mining Concepts and Techniques, Morgan Kaufmann, California, [2] Kusrini, Emha Taufiq Luthfi, 2009, Algoritma Data Mining, Penerbit Andi, Yogyaarta. [3] Larose, D. T., 2005, Discovering Knowledge in data: An Introduction to Data Mining, A John Wiley and sons, Inc., Publication, New Jersey. [4] Santosa, Budi Data Mining-Teni Pemanfaatan Data Untu Keperluan Bisnis. Graha Ilmu. Yogyaarta. [5] Olson, David dan Yong Shi Introduction to Business Data Mining. New Yor: Mc- Graw-Hill. Volume III/No.1/Mei/