Data Mining - Asosiasi. Market basket analysis Tool untuk menemukan pengetahuan. Istilah-istilah

11/18/20

Data Mining - Asosiasi Data Mining III Market Basket Case Analysis

Data Mining-AturanAsosiasi-AAB

1

Data Mining - asosiasi • Informasi apa yang bisa diperoleh dari data tersebut? • Pengetahuan apa yang tersimpan dalam data di atas?


4

Data Mining - Asosiasi

• Bila diberi data transaksi item belanja dari 14 pengunjung pada swalayan UNSADA

• Market basket analysis • Tool untuk menemukan pengetahuan berdasarkan hubungan asosiasi dua set data


2

Data Mining-Aturan Asosiasi-AAB

3

Istilah-istilah

Istilah-istilah (lanj)

• Data di atas merupakan data historis, data masa lalu • € data latihan/training data • € data data pengalaman • Algoritma aturan asosiasi akan menggunakan data latihan ini untuk menemukan pengetahuan sesuai dengan definisi data mining • Pengetahuan yang dihasilkan adalah mengetahui item-item belanja yang sering dibeli secara bersamaan

• Aturan asosiasi yang berbentuk “if….then….” atau “jika….maka”, merupakan pengetahuan yang dihasilkan dari fungsi aturan asosiasi. • Item € barang yang dibeli atau barang yang menjadi objek kegiatan belanja. • Pada swalayan unsada terdapat 7 jenis item yaitu (urut abjad) asparagus, beans, brocolli, corn, green peppers, squash dan tomatoes.


5


6

11/18/20


Istilah-istilah (lanj) • Himpunan item dilambangkan dengan I merupakan himpunan dari semua jenis item yang akan dibahas. • Persamaan himpunan item € P Persamaan 1 1:

Persamaan 2: • • • •

I = {asparagus, beans, brocolli, corn, green peppers, squash, tomatoes}

T1 = {brocolli, green, peppers, corn} T2 = {Asparagus, squash, corn} ……… T14 = {corn, green, peppers, tomatoes, beans, brocolli}

• Himpunan item yang dibeli pengunjung ke–i disebut transaksi ke – i • Dilambangkan Ti Data Mining-AturanAsosiasi-AAB

7

Istilah-istilah

8

Istilah-istilah

Persamaan 4 € implikasi “jika A, maka B” atau “ A ⇒ B ” • A disebut anteseden atau pendahulu • B disebut konsekuen atau pengikut Aturan asosiasi yang dihasilkan nanti harus memenuhi dua sifat 1. A maupun B adalah himpunan bagian murni dari I € Persamaan 5 yaitu A,B  I Data Mining-AturanAsosiasi-AAB


9

• Persamaan 7

A ⇒ B =ø Salah l h satu ukuran k ki j bagi kinerja b i aturan asosiasi i i “A ⇒ B ” adalah besaran support (dukungan) yang dilambangkan dengan s(A ⇒ B). Dan didefinisikan sebagaimana di persamaan 7. Data Mining-AturanAsosiasi-AAB



2. A dan B adalah dua himpunan yang saling lepas. Sehingga disimbolkan pada persamaan 6:

10

Persamaan 3: • Himpunan seluruh transaksi dilambangkan dengan D sehingga persamaan 3 ini menjadi: D = {T1, T2, ….., T14}

•Ukuran kinerja lain bagi aturan asosiasi “A ⇒ B “ adalah besaran support yang dilambangkan dengan conf (A ⇒ B ) dan didefinisikan sebagai Persamaan 8

11


12

11/18/20




• Persamaan 8 Jumlah transaksi yang mengandungA B

A

Jumlah transaksi yang mengandung B

• Itemset € suatu himpunan yang beranggotakan sebagian atau seluruh item yang menjadi anggota I. Data Mining-AturanAsosiasi-AAB

13

• Contoh dari itemset adalah {Asparagus} atau {Asparagus, Bean}, atau {Asparagus, Beans,, Squash} q } • Itemset yang beranggotakan k buah item disebut k-itemset.


14


Istilah-istilah (lanj) • Besaran frekuensi itemset € mengukur berapa kali sebuah itemset muncul sebagai bagian atau keseluruhan transaksi yang menjadi anggota daftar transaksi D. Contoh: 1. Frekuensi itemset {asparagus} adalah 6 karena himpunan ini menjadi bagian dari enam transaksi (lihat data transaksi slide 3), yaitu T2, T5, T6, T9, T12 dan T13 Data Mining-AturanAsosiasi-AAB

1. Himpunan {Asparagus} adalah suatu itemset. Lebih spesifik lagi 1-itemset karena hanya beranggotakan satu buah item saja 2. Himpunan {Asparagus, Beans} adalah suatu itemset. Lebih spesifik lagi 2-itemset karena h hanya b beranggotakan t k dua d buah b h item it saja j 3. Himpunan {Asparagus, beans, squash} adalah suatu itemset. Lebih spesifik lagi 3-itemset karena beranggotakan tiga buah item saja

16

15

Istilah-istilah (lanj) • Itemset sering/frequent itemset € suatu itemset yang memiliki frekuensi itemset minimal sebesar bilangan  yang ditetapkan. Contoh€ bila kita tetapkan  = 4, 4 maka: 1. Itemset {asparagus, beans, squash} termasuk itemset yang sering karena memiliki frekuensi itemset yang telah melebihi atau minimal sebesar  = 4.

2.Frekuensi itemset {asparagus, beans} adalah 5 karena himpunan ini menjadi bagian dari lima transaksi , yaitu T5, T6, T9, T12 dan T13 3 Frekuensi itemset {asparagus, 3.Frekuensi beans, squash} adalah 4 karena himpunan ini menjadi bagian dari empat transaksi (slide 3), yaitu T6, T9, T12 dan T13 Data Mining-AturanAsosiasi-AAB


17


18

11/18/20

Istilah-istilah (lanj) 2. Itemset {squash, tomatoes} tidak termasuk itemset sering karena memiliki frekuensi itemset sebesar 3, artinya masih di bawah nilai  yang ditetapkan Itemset sering yang memiliki k buah anggota disebut k k-itemset sering. Misalnya Mi l i itemset {asparagus, beans, squash} termasuk 3 itemset sering karena himpunan ini termasuk itemset sering dan memiliki 3 anggota. Himpunan dari seluruh k-itemset dilambangkan dengan Fk. Data Mining-AturanAsosiasi-AAB

Prototip masalah aturan asosiasi dan pengetahuan yang dihasilkan


19

•

Aturan asosiasi secara ringkas digambarkan sbb: 1. Berawal dari data latihan yang tersedia (lihat slide 3) 2 Data latihan diolah dengan menggunakan 2. algoritma atuan asosiasi. 3. Masalah aturan asosiasi berakhir dengan dihasilkannya pengetahuan yang direpresentasikan dalam bentuk diagram yang disebut aturan asosiasi. Data Mining-AturanAsosiasi-AAB

“jika membeli asparagus, maka membeli beans” Dapat diartikan: • Item asparagus mempunyai kecenderungan untuk dibeli bersama-sama dengan item beans, atau • Pengunjung toko unsada yang membeli asparagus mempunyai kecenderungan untuk juga membeli beans • Dan lain-lain. (misalnya…?)

20


21

langkah umum Market Basket Analysis (MBA)

Prototip masalah aturan asosiasi dan pengetahuan yang dihasilkan

Algoritma aturan asosiasi Market Basket Analysis (MBA)

• Dengan adanya prototip ,masalah aturan asosiasi kita dapat mengetahui definisi masalah aturan asosiasi • Dengan pembahasan interpretasi pengetahuan yang dihasilkan oleh fungsi mayor aturan asosiasi, kita bisa mengetahui cara memaknai pengetahuan yang dihasilkan dari masalah ini.

Hasil pembahasan sebelumnya dapat disimpulkan menjadi: • Data historis merupakan data penting sebagai data latihan/training data j input p bagi g suatu • Data tersebut akan dijadikan algoritma yang saat ini belum kita ketahui algoritmnya • Sebagai keluaran algoritma yang saat ini belum kita ketahui jenisnya , kita akan memperoleh pengetahuan yang secara sederhana dapat direpresentasikan dalam bentuk “jika…., maka….”

1. Menetapkan besaran  (itemset sering), nilai minimum besaran support dan besaran confidence yang diinginkan untuk dipenuhi oleh aturan asosiasi yang ingin dihasilkan 2. Menetapkan p semua itemset sering, g, yyaitu itemset yang memiliki frekuensi itemset minimal sebesar bilangan  yang telah ditetapkan sebelumnya 3. Dari semua itemset sering, hasilkan aturan asosiasi yang memenuhi nilai minimum support dan confidence (yang telah ditetapkan)




22

23

24

11/18/20

Langkah dalam MBA-1

Langkah dalam MBA-2

1. Langkah pertama menetapkan besaran  dan nilai minimum support dan confidence , misalnya  = 4, maka min (support) = 30% dan min (confidence) = 70% 2. Langkah kedua Menyusun semua itemset sering, yaitu itemset yang memiliki frekuensi itemset minimal sebesar bilangan  = 4 yang telah ditetapkan di langkah pertama.

• Kita mulai dari pembahasan setiap 1-itemset sbb: {asparagus}, {beans}, {brocolli}, {corn}, {green peppers}, {squash} dan {tomatoes} adalah 1-itemset sering, karena itemset ini berhasil muncul melebihi  kali,


25

Langkah dalam MBA-2 (lanj) 2. Kesimpulan € hanya {asparagus, beans}, {asparagus, squash}, {bean, corn}, {bean, squash}, {bean, tomatoes}, {brocolli, greenpepper}, dan {corn, tomatoes} yang merupakan 2-itemset sering sehingga : F2 = {{asparagus, beans}, {asparagus, squash}, {bean, corn}, {bean, squash}, {bean, tomatoes}, {brocolli, greenpepper}, {corn, tomatoes} } Data Mining-AturanAsosiasi-AAB

28

Langkah dalam MBA-2 (lanj)

sebagai berikut: F1 ={{asparagus}, {beans}, {brocolli}, {corn}, {green peppers}, {squash} {tomatoes}}


26

• Dilanjutkan dengan 2-itemset 1. {asparagus,beans}, {asparagus,brocoli},{asparagus,corn},{a sparagus, green peppers}, {asparagus, squash}, {asparagus, tomatoes}, {beans, corn},{beans, green peppers}, {beans, squash} {beans squash}, {beans, tomatoes},{brocoli, tomatoes} {brocoli corn}, {brocoli, green peppers}, {brocoli, squash}, {brocoli, tomatoes}, {corn, green peppers}, {corn, squash}, {corn, squash},{corn, tomatoes}, {green peppers, squash}, {green peppers, tomatoes}, {squash, tomatoes}


27



Untuk meringankan kita dalam mengkaji F3, F4, F5 dan seterusnya , gunakan aturan berikut: “jika Z bukan itemset sering, maka Z  A pasti ti bukan b k itemset it t sering i , untuk t k setiap ti A”

Penggunaan aturan apriori Bila {asparagus, brocolli} bukan 2-itemset sering, maka menurut aturan apriori: {asparagus, brocoli, corn} merupakan gabungan dari 2-itemset {asparagus, brocolli} yang tidak termasuk kedalam 2-itemset sering, dengan 1-itemset sering {corn},maka

Aturan ini disebut aturan apriori

{asparagus, brocolli, corn} tidak akan pernah 3-itemset sering. Data Mining-AturanAsosiasi-AAB

29


30

11/18/20


Langkah dalam MBA-3

• Penerapan aturan apriori terhadap seluruh anggota F2 hanya akan memberikan {asparagus, beans, squash} sebagai satu-satunya 3-itemset sering sehingga didapatkan: F3 = {{asparagus, beans, squash}} Selanjutnya akan diperoleh F4=F5=F6=F7= ø

Singkatnya akan menghasilkan himpunan itemset sering F1, F2, F3 Data Mining-AturanAsosiasi-AAB

31

• Aturan asosiasi yang memenuhi nilai minimum support dan confidence (yang telah ditetapkan) dari semua itemset sering yang ada akan dibangun A Dari semua itemset sering s yang ada di A. F2, F3 dan seterusnya, daftarkan semua himpunan bagian murni yang tak kosong dari s sebutlah ss. Sehingga…..


• Sehingga: 1. Untuk s = {asparagus,beans} didapatkan ss = {asparagus} atau ss = {beans} 2. Untuk s = {asparagus,squash} didapatkan ss = {asparagus} { } atau t ss = {squash} { h} 3. Untuk s = {beans,corn} didapatkan ss = {beans} atau ss = {corn} 4. Untuk s = {beans,squash} didapatkan ss = {beans} atau ss = {squash} 32




33


B. Bentuk aturan asosiasi yang berpola “ jika ss, maka (s-ss) “ atau “s ⇒ (s-ss)” Untuk mempermudah, pilihlah aturan yang hanya berkonsekuen sebuah item saja sehingga (s-ss) (s ss) hanya beranggotakan sebuah item saja. Sehingga masalah toko unsada didapatkan calon aturan asosiasi pada tabel berikut.

5. Untuk s = {beans,tomatoes} didapatkan ss = {beans} atau ss = {tomatoes} 6. Untuk s = {brocolli, green pepper} didapatkan ss = {brocolli} atau ss = {greenpepper} 7 Untuk s = {corn, 7. {corn tomatoes} didapatkan ss = {corn} atau ss = {tomatoes} 8. Untuk s = {asparagus, beans, squash} didapatkan ss = {asparagus} atau ss = {beans} atau ss = {squash} atau ss = {asparagus, bean}, atau ss = {bean, squash} Data Mining-AturanAsosiasi-AAB


keterangan: kolom support = 5/14 € asosiasi terbanyak asparagus dan beans per banyaknya transaksi (14) Kolom confidence = 5/6 € 6 => jumlah banyaknya asparagus 5/10 € 10 => jumlah banyaknya beans

34


35


36

11/18/20



Pengetahuan apa yang bisa diperoleh dari perhitungan tersebut?

C. Pilih aturan asosiasi yang memenuhi nilai minimum (support) dan minimum (confidence) saja. Sebelumnya ditentukan batasan min (support) = 30% dan min (confidence) = 70% tampak pada tabel di bawah


• Jika pelanggan membeli asparagus maka barang berikutnya yang dibeli adalah beans dan atau squash € 83.3% • Jika pelanggan membeli squash, squash maka barang berikutnya yang dibeli adalah asparagus€ 71.4% • Jika pelanggan membeli beans, maka barang berikutnya yang dibeli adalah squash € 60% • Jika pelanggan membeli corn, maka barang berikutnya yang dibeli adalah beans € 62.5%

37

Langkah selanjutnya?

38


39

(kumpulkan minggu depan)

• Saya tinggal di pedesaan. Di desa ku sering ada pertunjukkan sirkus. Tidak setiap hari sirkus ini show di desaku. Saya y ppernah mengamati kapan saja mereka main ke sini. Dan data pengamatan saya , saya buatkan tabel sebagai berikut

• Market basket Analysis bukan satu-satunya algoritma untuk mengetahui asosiasi • Terdapat algoritma lain untuk keperluan yang sama misalnya: - algoritma Generalized Association Rules - Algoritma Quantitative Association rule - Algoritma Asynchronous Parallel Mining 40


Pekerjaan Rumah

Algoritma lain?

• Berdasarkan data tersebut bisa dilakukan penataan barang berdasarkan yang banyak dibeli • Pemberian discount pada hari tertentu • Dll • Dll • Stok asparagus dan beans diperbanyak sesuai permintaan pembelian salah satu barang Data Mining-AturanAsosiasi-AAB


41


42

11/18/20

referensi • selamat mengerjakan

• Dengan data di atas perkirakan kapan rombongan sirkus tersebut show atau tidak di desa saya. Data Mining-AturanAsosiasi-AAB

43


44

Data Mining-At

uran Asosiasi-AAB

46

Data Mining - Asosiasi. Market basket analysis Tool untuk menemukan pengetahuan. Istilah-istilah

Recommend Documents