NEGATIVE ASSOCIATION RULE UNTUK MELIHAT POLA KETERKAITAN PERILAKU KONSUMEN PADA DATA TRANSAKSI PEMBELIAN
YOGI PRANOTO
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013
NEGATIVE ASSOCIATION RULE UNTUK MELIHAT POLA KETERKAITAN PERILAKU KONSUMEN PADA DATA TRANSAKSI PEMBELIAN
YOGI PRANOTO
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Program Studi Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013
ABSTRACT YOGI PRANOTO. Negative Association Rule to See the Relationship between Consumer Behavior Pattern in the Purchase Transaction Data. Supervised by ANNISA. Association rule mining is one of the most popular data mining techniques to find associations among items in a set by mining necessary patterns in a large database. Typical association rules consider only items enumerated in transactions. Such rules are referred to as positive association rules. Negative association rules also consider the same items, but in addition consider negated items or absent from transactions. The behavior of the customers is studied with reference to buying different products in a shopping store, the discovery of interesting patterns in this collection of data can lead to important marketing and management strategic decisions. Negative association rules are useful in market-basket analysis to identify products that conflict with each other or products that complement each other, in devising marketing strategies. This study used the combinations of minimum support of 10%, 30%, 50% and 70% and minimum confidence 10%, 30%, 50%, and 70%, also minimum interest 0.01, 0.001, 0.0001, and 0.00001. The result shows that the highest value is established by the occurence of rules if customers buy soap then customers will not buy soft drinks and otherwise if a customer buys a soft drink, the customer will not buy soap. Both rules have an interesting value 0.02012. Keywords: Negative association rule, purchasing transaction data.
Penguji
: Imas S. Sitanggang, S.Si., M.Kom. Hari Agung Adrianto, S.Kom., M.Kom.
Judul Skripsi Nama NRP
: Negative Association Rule untuk Melihat Pola Keterkaitan Perilaku Konsumen pada Data Transaksi Pembelian : Yogi Pranoto : G64086049
Menyetujui: Pembimbing
Annisa, S.Kom., M.Kom. NIP 197907312005012002
Mengetahui: Ketua Departemen Ilmu Komputer
Dr. Ir. Agus Buono, M.Si., M.Kom. NIP 196607021993021001
Tanggal Lulus :
RIWAYAT HIDUP Penulis dilahirkan pada tanggal 7 Oktober 1987 di Jakarta. Penulis merupakan anak pertama dari tiga bersaudara dari pasangan Bapak Sisman Susilo dan Ibu Sumiyati. Pada tahun 2005, penulis lulus dari SMU Negeri 44 Jakarta Timur. Pada tahun yang sama, penulis lulus seleksi masuk IPB melalui jalur Undangan Seleksi Masuk IPB. Pada tahun 2008, penulis lulus dari program Diploma Teknik Komputer, Institut Pertanian Bogor. Pada tahun yang sama, penulis melanjutkan studi ke Program Sarjana di Departemen Ilmu Komputer, Institut Pertanian Bogor, dengan memilih Program Studi Ilmu Komputer.
PRAKATA Puji dan syukur penulis panjatkan ke hadirat Allah subhanahu wa ta’ala yang telah memberikan rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan karya ilmiah ini. Terima kasih penulis ucapkan kepada Ibu Annisa, S.Kom., M.Kom. selaku pembimbing. Adapun penulis mengucapkan terima kasih kepada: 1 Kedua orang tua, serta istri tercinta yang telah memberikan dukungan, perhatian, dan doa sehingga penulis dapat menyelesaikan studi di Departemen Ilmu Komputer IPB. 2 Dosen penguji, Ibu Imas S. Sitanggang, S.Si., M.Kom., dan Bapak Hari Agung Adrianto, S.Kom., M.Kom. atas saran dan bimbingannya. 3 Teman-teman satu bimbingan atas kerja samanya, serta 4 Teman-teman Alih Jenis Ilkom angkatan 3 atas kerjasamanya selama penelitian. Semoga penelitian ini dapat bermanfaat bagi semua pihak yang membutuhkan.
Bogor, Mei 2013
Yogi Pranoto
DAFTAR ISI Halaman DAFTAR TABEL............................................................................................................................ vi DAFTAR GAMBAR ....................................................................................................................... vi DAFTAR LAMPIRAN .................................................................................................................... vi PENDAHULUAN ............................................................................................................................ 1 Latar Belakang .............................................................................................................................. 1 Tujuan .......................................................................................................................................... 1 Ruang Lingkup ............................................................................................................................. 1 Manfaat ........................................................................................................................................ 1 TINJAUAN PUSTAKA .................................................................................................................... 1 Association Rule Mining................................................................................................................ 1 Negative Association Rule Mining ................................................................................................. 2 Interesting Itemset ......................................................................................................................... 2 Conditional Probability Increment Ratio ....................................................................................... 3 METODE PENELITIAN .................................................................................................................. 3 Data Selection ............................................................................................................................... 3 Data Cleaning............................................................................................................................... 3 Data Transformation ..................................................................................................................... 3 Data Mining.................................................................................................................................. 3 Knowledge Representation ............................................................................................................ 5 Lingkungan Pengembangan ........................................................................................................... 5 HASIL DAN PEMBAHASAN.......................................................................................................... 5 Pembersihan Data ......................................................................................................................... 5 Transformasi Data ......................................................................................................................... 5 Data Mining.................................................................................................................................. 5 Penerapan dalam Kode Program .................................................................................................... 7 KESIMPULAN DAN SARAN.......................................................................................................... 8 Kesimpulan ................................................................................................................................... 8 Saran ............................................................................................................................................ 8 DAFTAR PUSTAKA ....................................................................................................................... 8 LAMPIRAN ..................................................................................................................................... 2
v
DAFTAR TABEL 1 2 3 4 5 6
Halaman Large 1-frequent itemset dengan min_sup 30% ......................................................................... 6 Large 2-infrequent itemset dengan min_sup 30% ....................................................................... 6 Large 1-frequent itemset dengan min_sup 10% .......................................................................... 6 Large 2-frequent itemset dengan min_sup 10% .......................................................................... 6 Large 2-infrequent itemset dengan min_sup 10% ....................................................................... 6 Large 3-infrequent itemset dengan min_sup 10% ....................................................................... 6
DAFTAR GAMBAR 1 2 3 4
Halaman Ilustrasi CNR dengan Diagram Venn ......................................................................................... 2 Ilustrasi ANR dengan Diagram Venn ........................................................................................ 2 Ilustrasi ACNR dengan Diagram Venn ...................................................................................... 2 Tahapan Penelitian.................................................................................................................... 3
DAFTAR LAMPIRAN 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Halaman Langkah pengerjaan ................................................................................................................ 10 Deskripsi sampel data transaksi pembelian Sinar Mart Swalayan ............................................. 11 Format konversi items ke dalam bentuk numerik ..................................................................... 12 Sampel data transaksi pembelian setelah praproses .................................................................. 13 Large 1-frequent itemset dengan min_sup 10% ........................................................................ 14 Large 2-frequent itemset dengan min_sup 10% ........................................................................ 14 Large 2-infrequent itemset dengan min_sup 10% ..................................................................... 14 Large 3-infrequent itemset dengan min_sup 10% ..................................................................... 15 Valid Rule ANR min_sup 10%, min_conf 50%, dan min_int 0.00001, 0.0001, 0.001, 0.01 ........ 16 Valid Rule CNR min_sup 10%, min_conf 30%, dan min_int 0.00001, 0.0001, 0.001, 0.01 ........ 16 Valid Rule ANR min_sup 10%, min_conf 30%, dan min_int 0.00001, 0.0001, 0.001, 0.01 ........ 16 Valid Rule CNR min_sup 10%, min_conf 10%, dan min_int 0.00001, 0.0001, 0.001, 0.01 ........ 17 Valid Rule ANR min_sup 10%, min_conf 10%, dan min_int 0.00001, 0.0001, 0.001, 0.01 ........ 19 Valid Rule ACNR min_sup 10%, min_conf 10%, dan min_int 0.00001, 0.0001, 0.001, 0.01 ..... 21 Antarmuka grafis aplikasi yang menunjukan valid rule dari negative association rule .............. 23
vi
1
PENDAHULUAN Latar Belakang Association rule mining merupakan teknik data mining yang digunakan untuk menemukan keterhubungan antar-item atau objek dalam database yang kemudian direpresentasikan dalam bentuk aturan asosiasi (association rules). Association rule mining di antara record yang jumlahnya sangat banyak dapat membantu dalam proses pengambilan keputusan (Han dan Kamber 2006). Salah satu penerapan association rule mining ialah market basket analysis. Dalam proses ini data transaksi pembelian digunakan untuk mengetahui keterkaitan perilaku konsumen pada pembelian suatu barang dan rule yang dihasilkan dapat digunakan untuk membantu pengambilan keputusan dalam strategi pemasaran. Association rule mining yang biasa diterapkan ialah positive association rule yang digunakan untuk mendapatkan keterhubungan positif antar item-item, misalnya: “jika pembeli membeli roti maka juga membeli susu”. Untuk keterhubungan negatif seperti: “jika pembeli membeli roti maka tidak membeli beras” digunakan Negative association rule yang merupakan aturan yang berisi negasi dari item dan berbeda dari positive association rule baik dalam prosedur mining-nya tetapi juga bentuknya (Ramaraj dan Venkatesan 2008). Negative association rule tidak hanya mempertimbangkan item yang ada data set transaksi, tetapi juga item yang dinegasikan (item yang tidak ada pada data transaksi). Negative association rule berguna untuk mengidentifikasi produk yang bertentangan dengan satu sama lain atau produk yang saling melengkapi pada contoh kasus market basket analysis (Antonie dan Zaïane 2004). Tujuan Tujuan dari penelitian ini ialah mengimplementasikan algoritme negative association rule untuk mengetahui pola keterhubungan antar item pada sekumpulan data transaksi pembelian. Ruang Lingkup Batasan pada penelitian ini ialah: 1 Menggunakan data transaksi pembelian Sinar Mart Swalayan selama periode 1 bulan terhitung sejak 1 Maret hingga 31 Maret 2004.
2 Menggunakan semua association rule.
bentuk
negative
Manfaat Dari penelitian ini dapat diketahui informasi hubungan antar barang yang dibeli oleh pembeli pada data transaksi pembelian. Selain itu juga dapat diidentifikasi produk yang bertentangan dengan satu sama lain atau produk yang saling melengkapi. Keterhubungan tersebut dapat digunakan sebagai bahan pertimbangan dalam pengambilan keputusan yang berhubungan dengan penempatan produk, serta menyusun strategi pemasaran yang lebih baik.
TINJAUAN PUSTAKA Association Rule Mining Aturan asosiasi (association rule) atau analisis afinitas (affinity analysis) berkenaan dengan studi “apa bersama apa”. Pada dasarnya aturan ini digunakan untuk menggambarkan keterkaitan antara item pada sekumpulan data (Han dan Kamber 2006). Aturan asosiasi dapat diperoleh melalui 2 tahap berikut: 1 Mencari itemset yang memenuhi support di atas minimum support (min_sup). Min_sup merupakan nilai ambang batas dari support di dalam suatu basis data, sedangkan support merupakan persentase dari transaksi dalam basis data yang mengandung sebuah itemset tertentu (Han dan Kamber 2006). Support diperoleh dengan menggunakan persamaan: su
t
= P(A
B) ......................(1)
= dengan: support (A B) = support itemset A dan B = jumlah kemunculan item A bersamaan dengan item B N = jumlah seluruh transaksi 2 Menggunakan itemset untuk membuat aturan asosiasi yang memiliki confidence di atas minimum confidence (min_conf). Min_conf merupakan nilai ambang batas confidence yang ditentukan, sedangkan confidence merupakan persentase kemunculan dari transaksi yang mengandung itemset tertentu juga diikuti kemunculan itemset lainnya. Confidence diperoleh dengan menggunakan persamaan: confidence
→
= P(A
B) ............(2)
2
= dengan: confidence
support
if CPIR(X|¬Y) mc then output rule ¬Y X adalah valid if CPIR(¬Y|¬X) mc then output rule ¬X ¬Y adalah valid if CPIR(¬X| ¬Y) mc then output rule ¬Y ¬X adalah valid end;
support
→B)
= confidence itemset → support(A B) = support itemset A B support(A) = support itemset A Misalkan j = {i1,i2,….,im}, association rules adalah implikasi dari bentuk A B, dengan Aj, Bj, A B = Ø. Oleh karena itu, transaksi yang mengandung A dan B dinotasikan A B. Negative Association Rule Mining Pada association rule mining, tidak hanya positive association rule yang bermanfaat dalam pengambilan keputusan, tetapi juga negative association rule (NAR). Asosiasi negatif disebut sebagai hubungan negatif antara dua itemset. Hubungan negatif tersebut menyiratkan aturan negatif antara dua itemset. Namun, asosiasi negatif hanya mengungkapkan aturan negatif dalam representasi tersembunyi, dan tidak memberikan aturan negatif yang sebenarnya. Contoh aturan asosiasi negatif adalah: Pelanggan yang beli susu tidak beli kopi, Pelanggan yang beli permen tidak beli rokok. Algoritme Negative association rules (NAR) (Wu et al. 2004) adalah sebagai berikut: Input: D: basis data, ms: minimum support, mc: minimum confidence, mi: minimum interesting. NL: Kumpulan interest infrequent itemset; Output: negative association rules Method: (1) Menghitung frequent itemset dan infrequent itemset dari potential interest pada database (lihat pada halaman 4) (2) //Men-generate negative association rule pada NL for masing-masing itemset A pada NL do for masing-masing X Y = A dan X Y 0 do if iipis(X,Y) then begin if CPIR(Y|¬X) mc then output rule ¬X Y adalah valid if CPIR(¬X|Y) mc then output rule Y ¬X adalah valid if CPIR(¬Y|X) mc then output rule X ¬Y adalah valid
(3) return. Bentuk negative association rule (NAR), antara lain: Consequent Negative Rule (CNR), bentuknya: A ¬B seperti yang diilustrasikan pada Gambar 1, supp(A ¬B) = supp(A) – supp(AB) conf(A ¬B)
=
supp
– supp
supp
Gambar 1 Ilustrasi CNR dengan Diagram Venn Antecedent Negative Rule (ANR), bentuknya: ¬A B seperti yang diilustrasikan pada Gambar 2, supp(¬A B) = supp(B) – supp(AB) conf(¬A B)
=
supp
– supp
-supp
Gambar 2 Ilustrasi ANR dengan Diagram Venn. Antecedent and Consequent Negative Rule (ACNR), bentuknya: ¬A ¬B seperti yang diilustrasikan pada Gambar 3. supp(¬A ¬B) = 1-supp(A)-supp(B) + supp(AB) conf(¬A ¬B) =
-supp
-supp
supp
-supp
Gambar 3 Ilustrasi ACNR dengan Diagram Venn. Interesting Itemset Pada negative association rule, dilakukan perhitungan interesting itemset dengan langkahlangkah sebagai berikut: -
interest(X,Y)
3
= |su
- su
su
|..................(3)
dengan batas ambang mi (minimum interestingness). menggabungkan nilai interest, support dan confidence. Rumus interesting positive association rules: fipis(X, Y ) = f (X, Y,ms,mc,mi)
-
su su
c nf → s c nf
nte est , s c c nte est ,
........................................................................(4)
Rumus interesting negative association rule: iipis(X, Y ) = g(X,¬Y,ms,mc,mi) f
,
, s, c,
su su
su s su
s
s
Data Cleaning Pada penelitian ini, pembersihan data merupakan tahap yang dilakukan untuk membersihkan data dari duplikasi. Pada tahap ini, sebuah transaksi pembelian suatu barang yang terdiri atas lebih dari satu barang yang sama, akan dianggap sebagai satu transaksi. Data Transformation Pada tahap ini data yang digunakan diubah ke dalam bentuk yang sesuai dengan kebutuhan. Bentuk yang dimaksud adalah tabel dan susunan field yang disusun sesuai kebutuhan pada proses selanjutnya yaitu tahap association rules. Mulai
........................................................................(5)
(Wu et al. 2004)
Data Selection
Conditional Probability Increment Ratio Conditional probability increment ratio (CPIR) merupakan nilai korelasi antara item X dan Y. Nilai CPIR yang didapatkan nantinya akan dijadikan nilai confidence. CPIR didapat dengan persamaan sebagai berikut: P
su
- su su
-su
su
Data Cleaning
Data Tranformation
..................(6) Data Mining
METODE PENELITIAN Pada Penelitian ini dilakukan beberapa tahapan untuk mendapatkan hasil yang diinginkan. Alur metodologi penelitian dapat dilihat pada Gambar 4. Data Selection Tahap pertama adalah memilih data yang akan digunakan untuk dilakukan proses data mining. Pada tahapan ini ditentukan basis data yang akan digunakan, yaitu data transaksi pembelian Sinar Mart Swalayan selama periode 1 bulan terhitung sejak 1 Maret hingga 31 Maret 2004. Data transaksi pembelian tersebut sebelumnya sudah digunakan pada penelitian yang dilakukan oleh Sijabat (2011). Pada penelitian sebelumnya, data tersebut sudah dilakukan tahap pembersihan data, yaitu apabila transaksi yang terjadi pada waktu yang sama dan tercatat lebih dari satu kali akan dianggap sebagai satu transaksi dan data yang tidak lengkap akan dibuang, serta pada tahap proses seleksi data, yaitu dengan memilih atribut id pembeli, waktu pembelian berdasarkan tanggal, dan juga jenis barang atau item yang dibeli.
Knowledge Representation Selesai
Gambar 4 Tahapan Penelitian Data Mining Pada association rule, pencarian aturan (rule) dari bentuk A B adalah dengan support dan confidence lebih besar, atau sama dengan, dengan ambang batas min_sup, dan min_conf yang telah ditentukan. Bentuk association rules A ¬B, ¬A B, dan ¬A ¬B mengindikasikan negative association rule antar itemset-nya. NAR mencari aturan (rule) dengan support dan confidence lebih besar, atau sama dengan, dengan ambang batas min_sup, dan min_conf yang telah ditentukan, dengan A dan B merupakan disjoint itemset (A B = Ø); supp(A) ms, supp(B) ms, supp(A B) ms; supp(A ¬B) = supp(A¬B), dan conf(A ¬B) = supp(A¬B) / supp(A) ms sehingga aturan
4
A ¬B disebut negative rule.
juga
sebagai
interesting
Tahap ini merupakan inti dari analisis data. Pada tahap ini diterapkan penggunaan algoritme NAR. Tahapan-tahapan yang akan digunakan pada metode tersebut adalah: 1 Identifikasi interesting itemset Sebelum mencari interesting itemset pada NAR adalah menemukan frequent dan infrequent itemset. Frequent itemset merupakan itemset yang memenuhi minimum support yang telah ditentukan (lebih besar atau sama dengan ms), sedangkan infrequent itemset merupakan itemset yang tidak memenuhi minimum support yang telah ditentukan (lebih kecil dari ms). 1.1 Pruning Pada negative association rule dihasilkan infrequent itemset dalam jumlah yang sangat banyak, namun hanya beberapa di antaranya yang berguna dalam menambang negative association rule. Oleh karena itu, perlu dilakukan pruning. Pada negative association rule, pruning dilakukan dengan menghitung interesting itemset menggunakan rumus 3, selanjutnya menggabungkan nilai interest, support dan confidence dengan menggunakan rumus 4 dan 5. Jika hasil fipis(X, Y) sama dengan 1, rule diterima, sedangkan jika hasil fipis(X, Y) > 1 dan < 1, rule tidak diterima (Wu et al. 2004). Jika hasil iipis(X, Y) sama dengan 2, rule diterima, sedangkan jika hasil fipis(X, Y) > 2 dan < 2, rule tidak diterima (Wu et al. 2004). Penggunaan fipis dan iipis pada positive dan negative rule adalah untuk membatasi pencarian interesting rule, selanjutnya proses pruning akan menghapus rule yang tidak mengarah pada interesting rule. 1.2 Mencari interest frequent dan infrequent itemsets Untuk mengefesiensikan algoritme dalam mencari frequent itemset yang berhubungan dengan positive rules dan infrequent itemset yang berhubungan dengan negative rules dilakukan pruning pada itemset yang tidak termasuk dalam interest itemset. Pada penelitian ini digunakan algoritme sebagai berikut untuk menemukan frequent itemset dan infrequent itemset dari potential interest pada database, dengan: Input: D : database; ms : minimum support; mc : n u c nfidence;
mi : minimum interestingness; Output: PL : Kumpulan interest frequent itemset; NL : Kumpulan interest infrequent itemset; (1) PL ←∅; NL ←∅; (2) L1←{frequent 1-itemsets}; PL←PL L1; (3) for (k = 2; (Lk− =∅); k ++) do begin //membangkitkan semua kemungkinan interest frequent dan infrequent k-itemsets pada D. (3.1) Temk←{{x1, ... , xk−2, xk− ,xk}|{x1, ... , xk−2, xk−1} ∈ Lk−1 ∧ {x1, ... xk−2, xk} ∈ Lk−1}; (3.2) for masing-masing transaksi pada D do begin //Periksa apakah k-itemset termasuk pada transaksi t. Temt←k-itemset pada t juga berisi pada Temk; for masing-masing itemset A pada Temt do A.count ← A.count + 1; end (3.3) Lk←{c|c ∈ Temk ∧ (supp(c) = (c.count / |D|) >= ms)}; Nk ← Temk − Lk; (3.4) //Prune semua uninteresting kitemset pada Lk for masing-masing itemset i pada Lk do if NOT(fipi(I )) then Lk ← Lk −{I}; PL ← PL Lk; (3.5) //Prune semua uninteresting kitemset pada Nk for masing-masing itemset J pada Nk do if NOT(iipi(J)) then Nk ← Nk −{J}; NL ← NL Nk; end (4) output PL dan NL; (5) return (Wu et al. 2004). 2 Generate negative association rule Tahapan selanjutnya adalah membangkitkan negative association rule pada iipis(X,Y). Pada tahap ini, dilakukan perhitungan CPIR menggunakan rumus 6. Setelah didapatkan nilai CPIR, selanjutnya, rule X ¬Y dikatakan valid apabila supp(X¬Y) ms, supp(X) ms, supp(Y) ms, interest(X, ¬Y) mi, dan CPIR (¬Y|X) mc (Wu et al. 2004).
5
Knowledge Representation Knowledge representation merupakan tahap untuk merepresentasikan hasil asosiasi yang diperoleh ke dalam bentuk yang mudah dipahami. Pada penelitian ini, knowledge representation mendeskripsikan hasil penelitian. Lingkungan Pengembangan Penelitian ini dilakukan dalam lingkungan pengembangan sebagai berikut : Perangkat lunak : - Microsoft Windows 7 - MySQL client - PHP - Browser Perangkat Keras : - Processor AMD E350 - 2 GB RAM - Harddisk kapasitas 320 GB - Monitor dengan resolusi 1280 x 800 piksel
HASIL DAN PEMBAHASAN Pada penelitian ini, data yang digunakan adalah data transaksi pembelian Sinar Mart Swalayan selama periode waktu 1 Maret hingga 31 Maret 2004. Data transaksi pembelian yang didapat memiliki tiga atribut, yaitu customer id (sid), waktu transaksi (eid), dan barang yang dibeli (item). Data didapat dalam format Microsoft Excel (transaksi_maret2004.xlsx). Urutan pengerjaan digambarkan pada Lampiran 1 dan deskripsi sampel data transaksi pembelian Sinar Mart Swalayan dapat dilihat pada Lampiran 2. Pembersihan Data Pembersihan data dilakukan apabila terdapat data pembelian barang yang sama pada satu transaksi, pembelian barang tersebut dicatat hanya satu kali. Transformasi Data Pada tahap ini dilakukan beberapa proses transformasi data, yaitu: 1 Konversi waktu transaksi (eid) ke dalam bentuk numerik. Waktu transaksi (eid) yang semula berformat date diubah menjadi numerik dengan mengganti format date menjadi number yang terdapat pada Microsoft Excel untuk menyesuaikan ke dalam format MySQL. 2 Konversi item ke dalam bentuk numerik. Items yang dibeli oleh pembeli diubah ke dalam bentuk numerik dengan memberikan kode yang dimulai dari 1 hingga 35. Mie
instan dikodekan dengan 1, minyak goreng dikodekan dengan 2, demikian halnya dengan jenis barang lain. Format item yang dikonversi ke dalam bentuk numerik dapat dilihat pada Lampiran 3. Data hasil konversi terdiri atas 11866 baris, 308 pembeli yang berbeda dan 35 item yang berbeda. Sampel data transaksi pembelian setelah praproses dapat dilihat pada Lampiran 4. Data mining Pada tahap ini, percobaan dilakukan terhadap data transaksi pembelian Sinar Mart Swalayan yang telah melewati tahap praproses sebanyak 11866 record. Tahapan-tahapan yang dilakukan, yaitu 1 Identifikasi interesting itemset Sebelum mencari interesting itemset pada NAR adalah menemukan frequent dan infrequent itemset. Pada tahap ini, pengguna harus terlebih dahulu memberikan nilai minimum support. Nilai minimum support digunakan ialah 10%, 30%, 50%, 70%. Selanjutnya, dari masing-masing hasil min_sup tersebut, jika min_sup 70% tidak ada itemset yang memenuhi, kemudian diturunkan hingga min_sup 50% hanya didapatkan frequent itemset dengan 1 itemset, yaitu itemset snack dengan support 53.81%. Hasil pada min_sup 50% tidak bisa dijadikan sebagai bahan untuk analisis, karena karena pada large 1-itemset hanya menghasilkan 1 itemset, sehingga pada large 2itemset tidak bisa menghasilkan frequent dan infrequent itemset. Kemudian, min_sup diturunkan lagi dan dicoba dengan min_sup 30% dan 10%. 1.1 Pembentukan Large Itemset Dengan Min_sup 30% a Large 1-frequent itemset Berdasarkan min_sup 30% dihasilkan 3 itemset. Support tertinggi pada itemset snack dan terendah pada itemset susu dengan support masing-masing 53.81% dan 33.33%. Hasil large 1-frequent itemset dengan min_sup 30% ditampilkan pada Tabel 1. Berdasarkan hasil tersebut dapat dilihat bahwa selama periode 1 bulan terhitung sejak 1 Maret hingga 31 Maret 2004, transaksi pembelian pada Sinar Mart lebih banyak pembelian snack.
6
Tabel 1 Large 1-frequent min_sup 30% No 1 2 3
Itemset Snack Softdrink Susu
itemset
Jumlah Transaksi 1821 1150 1128
dengan Support (%) 53.81 33.98 33.33
b Large 2-itemset Pembentukan large 2-itemset dari large 1frequent itemset hanya menghasilkan infrequent itemset sehingga tidak memungkinkan lagi untuk dilanjutkan ke pembentukan large 3itemset. Oleh karena itu, pada tahap ini belum bisa didapatkan informasi yang cukup sebagai bahan analisis, walaupun sudah menghasikan beberapa rule, namun belum menghasilkan valid rule. Hasil infrequent itemset tersebut dapat dilihat pada Tabel 2. Tabel 2 Large 2-infrequent itemset dengan min_sup 30% No
Itemset
Jumlah Transaksi 702
Support (%) 20.74
1
Susu, Snack
2
Softdrink, Snack
649
19.17
3
Susu, Softdrink
349
10.31
1.2 Pembentukan Large itemset dengan min_sup 10% a Large 1-itemset Tahap pembentukan large 1-itemset menghasilkan 11 itemset. Beberapa hasil large 1-itemset dengan min_sup 30% ditampilkan pada Tabel 3, untuk hasil keseluruhan dapat dilihat pada Lampiran 5. Tabel 3 Large 1-frequent itemset dengan min_sup 10% No
Itemset
Jumlah Transaksi 1821
Support (%) 53.81
1
Snack
2
Softdrink
1150
33.98
3
Susu
1128
33.33
4
Sabun
836
24.70
5
Mie Instant
706
20.86
b Large 2-itemset Dari large 1-frequent itemset, itemset selanjutnya dapat dibentuk frequent itemset sebanyak 6 itemset dan infrequent itemset sebanyak 49 itemset. Pada Tabel 4 dan 5 menampilkan beberapa hasil dari dibentuk frequent itemset dan infrequent itemset tersebut, untuk dapat melihat hasil keseluruhan dapat dilihat pada Lampiran 6 dan 7.
Tabel 4 Large 2-frequent min_sup 10% No
Itemset
itemset
dengan
Jumlah Transaksi 702
Support (%) 20.75
1
Susu, Snack
2
Softdrink, Snack
649
19.18
3
Permen, Snack
435
12.86
4
Snack, Sabun
372
10.99
5
Mie Instan, Snack
355
10.49
Tabel 5 Large 2-infrequent itemset dengan min_sup 10% Jumlah Transaksi
Support (%)
Sabun, Pasta gigi
278
82.15
Kopi, Snack
262
77.42
3
Permen, Softdrink
260
76.83
4
Susu, Sabun
251
74.17
5
Mie instant, Susu
238
70.33
No
Itemset
1 2
c Large 3-itemset Tahap pembentukan large 3-itemset dari large 2-frequent itemset hanya menghasilkan sebanyak 20 infrequent itemset. Beberapa hasil infrequent itemset pada large 3-itemset ini dapat dilihat pada Tabel 6, untuk hasil selengkapnya dapat dilihat pada Lampiran 8. Tabel 6 Large 3-infrequent itemset dengan min_sup 10% No 1 2 3 4 5
Itemset Susu, Softdrink, Snack Permen, Softdrink, Snack Susu, Permen, Snack Susu, Snack, Sabun Mie instant Susu, Snack
Jumlah Transaksi
%
230
67.97
178
52.60
162
47.87
154
45.51
151
44.62
2 Pembentukan aturan asosiasi Negative association rule mampu menghasilkan infrequent itemset dalam jumlah yang sangat banyak, namun hanya beberapa di antaranya yang berguna dalam menghasilkan negative association rule. Oleh karena itu, perlu dilakukan pruning, serta perhitungan interesting itemset pada proses pembentukan aturan asosiasi. Pada tahapan sebelumnya didapatkan nilai min_sup 10% yang digunakan untuk langkah selanjutnya. Nilai minimum confidence dan minimum interest yang digunakan adalah
7
minimum confidence 10%, 30%, 50%, 70%, serta minimum interest 0.01, 0.001, 0.0001, dan 0.00001. 2.1 Pembentukan aturan asosiasi dengan min_conf 70% Hasil percobaan dengan menggunakan min_conf 70%, min_sup 10%, serta min_int 0.01, 0.001, 0.0001, dan 0.00001 untuk CNR, ANR dan ACNR tidak menghasilkan valid rule. 2.2 Pembentukan aturan asosiasi dengan min_conf 50% Pada percobaan dengan menggunakan min_sup 10%, min_conf 50%, dan min_int 0.01, 0.001, 0.0001, 0.00001 untuk CNR dan ACNR tidak menghasilkan valid rule, sedangkan ANR menghasilkan 3 valid rule yang dapat dilihat pada Lampiran 9. 2.3 Pembentukan aturan asosiasi dengan min_conf 30% Percobaan ini menggunakan nilai min_sup sebesar 10%, min_conf sebesar 30%, dan min_int sebesar 0.01, 0.001, 0.0001, dan 0.00001. Hasilnya, CNR menghasilkan 2 valid rule ( Lampiran 10), ANR menghasilkan 9 valid rule (Lampiran 11), dan ACNR tidak menghasilkan valid rule. 2.4 Pembentukan aturan asosiasi dengan min_conf 10% Percobaan ini menggunakan nilai min_sup sebesar 10%, min_conf sebesar 10%, dan min_int sebesar 0.01, 0.001, 0.0001, dan 0.00001. Hasilnya, CNR menghasilkan 39 valid rule, ANR menghasilkan 40 valid rule, dan ACNR menghasilkan 15 valid rule. Valid rule yang dihasilkan dari ketiga bentuk NAR tersebut dapat dilihat pada Lampiran 12, 13, dan 14. Penerapan dalam kode program Kode program yang digunakan untuk menghasilkan kombinasi itemset dan rule adalah sebagai berikut: //fungsi k-itemset //a = awal //x = array kosong untuk index //i = array yang dikombinasikan function kitem($a,$x,$i){ $t = count($i); for($x[$a+1]=$x[$a]+1;$x[$a+1]<=$t;$x[ $a+1]++){ $j = count($x);//jumlah array $s="";//mengosongkan foreach ($x as $y) { if ($s=="") $s=$i[$y-1]; else $s=$s.",".$i[$y-1]; } //function output
output($s); kitem($a+1,$x,$i); } } function input ($isi){ $i=explode(",",$isi); kitem(0,$S = array(),$i); }
Untuk menggunakan fungsi k-item harus melalui fungsi input dengan mengisi itemset yang ingin dikombinasikan pada variable isi dengan tipe data string, kemudian diproses oleh fungsi k-item dengan rekursif sebanyak jumlah anggota pada itemset yang dimasukkan. Hasil proses fungsi k-item disimpan dalam variable s dan j, variable s berisi itemset yang sudah di kombinasikan dan j berisi jumlah itemset dari s. Misalnya variable isi berisi data string 01,03,06 maka pada iterasi pertama s = 01 dan j = 1, iterasi kedua s = 01,03 dan j =2, selanjutnya secara berturut-turut isi variable s, yaitu: 01,03,06; 01,06; 03; 03,06; 06 dan isi variable j, yaitu: 3, 2, 1, 2, 1. 3 Analisis aturan asosiasi Berdasarkan percobaan yang dilakukan didapat hasil sebagai berikut: 1 Dari 35 item kelompok barang yang dijadikan bahan analisis, hanya 3 item yang memiliki support di atas 30%, yaitu snack (53.81%), softdrink (33.98%) dan susu (33.33%), 2 Support tertinggi dibentuk oleh item snack sebesar 53.81% dan support terendah dibentuk oleh item sandal sebesar 0.15%, 3 CNR dengan nilai tertinggi dibentuk oleh rule jika konsumen membeli snack maka konsumen tidak akan membeli makanan pokok dengan support 49.47%, interest 0.01285, dan CPIR 0.2283. 4 ANR dengan nilai tertinggi dibentuk oleh rule jika konsumen tidak membeli permen dan sabun maka konsumen akan membeli snack dengan support 51.33%, interest 0.4312 dan CPIR 0.644. 5 ACNR dengan nilai tertinggi dibentuk oleh rule jika konsumen tidak membeli permen dan sabun maka konsumen tidak akan membeli snack dengan support 51.33%, interest 0.43907 dan CPIR 0.205 6 CNR dengan nilai terendah dibentuk oleh rule jika konsumen membeli lotion maka konsumen tidak akan membeli softdrink dengan support 10.05%, interest 0.01171 dan CPIR 0.256.
8
7 ANR dengan nilai terendah dibentuk oleh rule jika konsumen tidak membeli susu dan sabun maka konsumen akan membeli permen dengan support 17.85%, interest 0.78142 dan CPIR 0.151. 8 ACNR dengan nilai terendah dibentuk oleh rule jika konsumen tidak membeli kopi maka konsumen tidak akan membeli snack dengan support 46.07%, interest 0.4701 dan CPIR 0.149
KESIMPULAN DAN SARAN Kesimpulan Berdasarkan percobaan yang dilakukan didapat rule dengan nilai interesting yg tinggi yaitu jika pelanggan membeli sabun maka pelanggan tidak akan membeli softdrink dan sebaliknya jika pelanggan membeli softdrink maka pelanggan tidak akan membeli sabun. Kedua rule ini mempunyai nilai interesting sebesar 0.02012. Saran bagi pengelola Sinar Mart Swalayan, dalam pengambilan keputusan atau kebijakan dari rule tersebut, yaitu: Jangan menempatkan sabun dan softdrink secara berdekatan karena pembeli hanya membeli salah satu dari item tersebut. Tidak menjadikan sabun dan softdrink satu paket pembelian. Saran Penelitian ini menggunakan data sebanyak 3384 transaksi. Penelitian selanjutnya dapat menambahkan data yang lebih banyak dengan menggunakan data series berikutnya sehingga dapat diperoleh hasil yang lebih baik. Selain itu,
penggunaan metode atau algoritme lain diharapkan dapat memperoleh hasil yang lebih baik lagi. Pengembangan sistem dapat dilakukan dengan penambahan fitur maupun tampilan agar lebih baik.
DAFTAR PUSTAKA Antonie ML, Zaiane OR. 2004. Mining positive and negative association rules: an approach for confined rules. Di dalam: European PKDD Conference [Internet]. 2004 Sep 2024; Edmonton, Alberta. hlm 29-30. Han J, Kamber M. 2006. Data Mining: Concept and Techniques. Edisi ke-2. San Diego(US): Morgan-Kauffman. Ramaraj E, Venkatesan N. 2008. Positive and negative association rule analysis in health care database. IJCSNS International Journal of Computer Science and Network Security. 8(10): 326. Sijabat R. 2011. Penentuan pola sekuensial data transaksi pembelian menggunakan algoritme SPADE [skripsi]. Bogor(ID): Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Sumalatha R, Ramasubbareddy B. 2010. Mining positive and negative association rules. International Journal on Computer Science and Engineering. 2(9): 2917-2918. Wu X, Zhang C, Zhang S. 2004. Efficient mining of both positive and ngative association rules. ACM Transactions on Information Systems. 22(3):403.
LAMPIRAN
10
Lampiran 1 Langkah pengerjaan Mulai
Praproses Data
Data transaksi
Input minimum support
Cek 1 itemset yang memenuhi support
Positif itemset
Kombinasikan itemset 1+ n
Cek itemset yang terbentuk
Negatif itemset
=2 Cek interisting negtif itemset
< min supp
!=2
Pruning
Cek support =1
>=min supp
!=1
Cek interisting positif itemset
Bangkitkan rule dari itemset yang didapat
< min interest
Cek minimum interest
Rule positif
< min confidence Cek confidence
Rule yang valid
selesai
>= min confidence
Rule negatif
11
Lampiran 2 Deskripsi sampel data transaksi pembelian Sinar Mart Swalayan eid
sid
item
01/03/2004
00001
mie instant
01/03/2004
00001
makanan pokok
01/03/2004
00001
susu bayi
01/03/2004
00001
obat
01/03/2004
00004
mie instant
01/03/2004
00004
minyak goreng
01/03/2004
00004
kopi
01/03/2004
00004
makanan pokok
01/03/2004
00004
saus kecap
01/03/2004
00004
sabun
01/03/2004
00004
obat
01/03/2004
00014
permen
01/03/2004
00014
snack
01/03/2004
00017
susu
01/03/2004
00017
softdrink
01/03/2004
00018
mie instant
01/03/2004
00018
obat
01/03/2004
00020
permen
01/03/2004
00020
softdrink
01/03/2004
00020
snack
01/03/2004
00020
rokok
01/03/2004
00022
susu
01/03/2004
00022
softdrink
01/03/2004
00022
snack
01/03/2004
00023
permen
01/03/2004
00023
softdrink
01/03/2004
00027
susu
01/03/2004
00027
susu bayi
01/03/2004
00029
mie instant
01/03/2004
00029
tissue
01/03/2004
00031
susu
01/03/2004
00031
snack
01/03/2004
00031
susu bayi
01/03/2004
00031
perlengkapan bayi
01/03/2004
00034
mie instant
01/03/2004
00034
ice cream
01/03/2004
00039
makanan pokok
01/03/2004
00039
obat
01/03/2004
00041
handuk
01/03/2004
00041
tissue
01/03/2004
00041
korek
12
Lampiran 3 Format konversi items ke dalam bentuk numerik ID 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35
Nama Mie Instant Minyak Goreng Susu Kopi Makanan Pokok Permen Softdrink Snack Pelengkap Roti Saus Kecap Makanan Kaleng Lotion Sabun Shampo Obat Nyamuk Pengharum Ruangan Bumbu Dapur Tepung Susu Bayi Rokok Baterai Eskrim Sosis Perlengkapan Komputer Obat Pasta Gigi Multivitamin Perlengkapan Bayi Handuk Perlengkapan Dapur Tissue Sandal Korek Pembersih Lantai Pencuci Piring
13
Lampiran 4 Sampel data transaksi pembelian setelah praproses sid
eid
items
1
38047
1
1
38047
5
1
38047
19
1
38047
25
1
38047
3
1
38047
25
1
38049
3
1
38049
8
1
38050
1
1
38050
7
1
38050
8
1
38051
8
1
38051
28
1
38055
7
1
38055
8
1
38057
12
1
38057
31
1
38057
35
1
38058
3
1
38058
4
1
38058
6
1
38058
7
1
38058
8
1
38058
19
1
38058
20
1
38058
25
1
38058
31
1
38060
6
1
38060
7
1
38060
8
1
38060
16
1
38063
13
1
38063
26
1
38064
8
1
38064
23
1
38064
31
1
38065
1
1
38065
2
14
Lampiran 5 Large 1-frequent itemset dengan min_sup 10% No
Itemset
Jumlah Transaksi 1821
Support (%) 53,81
1
Snack
2
Softdrink
1150
33,98
3
Susu
1128
33,33
4
Sabun
836
24,70
5
Mie Instant
706
20,86
6
Permen
654
19,33
7
Kopi
507
14,98
8
Lotion
455
13,45
9
Pasta Gigi
440
13,00
10
Tissue
372
10,99
11
Makanan Pokok
354
10,46
Lampiran 6 Large 2-frequent itemset dengan min_sup 10% No
Itemset
Jumlah Transaksi 702 649
Support (%) 20,75 19,18
1 2
Susu, Snack Softdrink, Snack
3
Permen, Snack
435
12,86
4
Snack, Sabun
372
10,99
5
Mie Instan, Snack
355
10,49
6
Susu, Softdrink
349
10,31
Lampiran 7 Large 2-infrequent itemset dengan min_sup 10% Jumlah Transaksi
Support (%)
No
Jumlah Transaksi
Support (%)
Sabun, Pasta gigi
278
82,15
26
Lotion, Pasta gigi
117
34,57
2
Kopi, Snack
262
77,42
27
Softdrink, Lotion
115
33,98
3
Permen, Softdrink
260
76,83
28
Softdrink, Tissue
115
33,98
4
Susu, Sabun
5
Mie instant, Susu
251
74,17
29
Susu, Tissue
108
31,92
238
70,33
30
97
28,66
Susu, Permen
217
64,12
31
94
27,78
7
Softdrink, Sabun
216
63,83
32
94
27,78
8
215
63,53
33
94
27,78
210
62,06
34
Kopi, Permen
88
26,01
10
Mie instant, Sabun Mie instant, Softdrink Snack, Lotion
Makanan pokok, Sabun Mie instant, Pasta gigi Susu, Makanan Pokok Lotion, Susu
6
209
61,76
35
85
25,12
11
Susu, Kopi
192
56,74
36
Makanan pokok, Softdrink Kopi, Pasta gigi
83
24,53
12
Snack, Pasta gigi
191
56,44
37
Permen, Lotion
78
23,05
13
Snack, Tissue
177
52,31
38
75
22,16
14
Lotion, Sabun
171
50,53
39
Kopi, Makanan pokok Mis instant, Tissue
74
21,87
15
Kopi, Sabun
163
48,17
40
Mie instant, Lotion
73
21,57
No
Itemset
1
9
Itemset
15
Lanjutan No
Itemset
Jumlah Transaksi
Support (%)
No
Itemset
Jumlah Transaksi
Support (%)
16
Kopi, Softdrink
160
47,28
41
Pasta gigi, Tissue
72
21,28
17
157
46,39
42
Kopi, Tissue
67
19,80
18
Mie instant, Makanan Pokok Susu, Pasta gigi
154
45,51
43
Permen, Tissue
64
18,91
19
Mie instant, kopi
149
44,03
44
Permen, Pasta gigi
63
18,62
20
Makanan pokok, Snack Susu, Lotion
147
43,44
45
Kopi, Lotion
54
15,96
134
39,60
46
52
15,37
129
38,12
47
39
11,53
23
Mie instant, Permen Sabun, Tissue
129
38,12
48
38
11,23
24
Permen, Sabun
123
36,35
49
Makanan pokok, Permen Makanan pokok, Pasta gigi Makanan pokok, Lotion Makanan pokok, Tissue
35
10,34
25
Softdrink, Pasta gigi
117
34,57
21 22
Lampiran 8 Large 3-infrequent itemset dengan min_sup 10% No 1 2 3 4 5 6 7 8 9 10
Itemset Susu, Softdrink, Snack Permen, Softdrink, Snack Susu, Permen, Snack Susu, Snack, Sabun Mie instant Susu, Snack Mie instant, Softdrink, Snack Softdrink, Snack, Sabun Mie instant, Snack, Sabun Mie instant, Permen, Snack Susu, Permen, Softdrink
Jumlah Transaksi
Support (%)
No
230
67,97
11
178
52,60
12
162
47,87
13
154
45,51
14
151
44,62
15
124
36,64
16
111
32,80
17
110
32,51
18
97
28,66
19
91
26,89
20
Itemset Permen, Snack, Sabun Mie instant, Susu, Softdrink Mie instant, Susu, Sabun Susu, Softdrink, Sabun Mie instant, Softdrink, Sabun Mie instant, Susu, Permen Mie instant, Permen, Softdrink Susu, Permen, Sabun Permen, Softdrink, Sabun Mie instant, Permen, Sabun
Jumlah Transaksi
Support (%)
84
24,82
79
23,35
73
21,57
69
20,39
60
17,73
56
16,55
54
15,96
50
14,78
49
14,48
43
12,71
Lampiran 9 Valid Rule ANR min_sup 10%, min_conf 50%, dan min_int 0.00001, 0.0001, 0.001, 0.01 No
Item
Jumlah Transaksi Item
Body
Jumlah Transaksi Body
Head
Jumlah Transaksi Head
1
01,06,08
97
01,06
372
08
1821
2
01,08,13
110
01,13
372
08
3
06,08,13
84
06,13
349
08
Rule
Support
CPIR
Interest
FIPIS
IIPIS
0 ,06 → 08
50.95
0.601
0.43139
1
2
1821
0 , 3 → 08
50.56
0.525
0.43523
1
2
1821
06, 3 → 08
51.33
0.644
0.4312
1
2
Support
CPIR
Interest
FIPIS
IIPIS
3
15.9
0.308
0.01458
1
2
07,08
21.42
0.308
0.01458
1
2
Support
CPIR
Interest
FIPIS
IIPIS
Lampiran 10 Valid Rule CNR min_sup 10%, min_conf 30%, dan min_int 0.00001, 0.0001, 0.001, 0.01 No
Item
Jumlah Transaksi Item
Body
Jumlah Transaksi Body
Head
Jumlah Transaksi Head
1
07,08,13
111
07,08
649
13
836
2
07,08,13
111
13
836
07,08
649
Rule 07,08 → 3→
Lampiran 11 Valid Rule ANR min_sup 10%, min_conf 30%, dan min_int 0.00001, 0.0001, 0.001, 0.01 No
Item
Jumlah Transaksi Item
Body
Jumlah Transaksi Body
Head
Jumlah Transaksi Head
1
01,06,08
97
01,06
372
08
1821
0 ,06 → 08
50.95
0.601
0.43139
1
2
2
01,07,08
124
01,07
372
08
1821
0 ,07 → 08
50.15
0.443
0.43937
1
2
3
01,08,13
110
01,13
372
08
1821
0 , 3 → 08
50.56
0.525
0.43523
1
2
4
03,06,13
50
06,13
435
03
1128
06, 3 → 03
31.86
0.328
0.63859
1
2
5
03,07,13
69
03,13
702
07
1150
03, 3 → 07
31.94
0.366
0.61006
1
2
Rule
16
No
Item
Jumlah Transaksi Item
Body
Jumlah Transaksi Body
Head
Jumlah Transaksi Head
6
03,07,13
69
07,13
649
03
1128
7
06,07,13
49
06,13
435
07
8
06,08,13
84
06,13
349
9
07,08,13
111
07,13
349
Rule
Support
CPIR
Interest
FIPIS
IIPIS
07, 3 → 03
31.29
0.341
0.62313
1
2
1150
06, 3 → 07
32.54
0.344
0.63096
1
2
08
1821
06, 3 → 08
51.33
0.644
0.4312
1
2
08
1821
07, 3 → 08
50.53
0.476
0.43918
1
2
Support
CPIR
Interest
FIPIS
IIPIS
Lampiran 12 Valid Rule CNR min_sup 10%, min_conf 10%, dan min_int 0.00001, 0.0001, 0.001, 0.01 No
Item
Jumlah Transaksi Item
Body
Jumlah Transaksi Body
Head
Jumlah Transaksi Head
1
01,07
210
07
1150
01
706
07 →
0
27.78
0.125
0.00884
1
2
2
01,12
73
12
455
01
706
→
0
11.29
0.231
0.00648
1
2
3
04,06
88
06
654
04
507
06 →
04
16.73
0.102
0.00295
1
2
4
04,12
54
12
455
04
507
→
04
11.85
0.208
0.00419
1
2
5
03,05
94
03
1128
05
354
03 →
05
30.56
0.203
0.00709
1
2
6
05,06
52
06
654
05
354
06 →
05
17.79
0.24
0.00485
1
2
7
05,07
85
07
1150
05
354
07 →
05
31.47
0.293
0.01043
1
2
8
05,08
147
08
1821
05
354
08 →
05
49.47
0.228
0.01285
1
2
9
05,12
38
12
455
05
354
→
05
12.32
0.202
0.00284
1
2
10
05,26
39
26
440
05
354
6→
05
11.85
0.153
0.00208
1
2
11
04,06
88
04
507
06
654
04 →
06
12.38
0.102
0.00295
1
2
12
06,12
78
12
455
06
654
→
06
11.14
0.113
0.00294
1
2
Rule
17
No
Item
Jumlah Transaksi Item
Body
Jumlah Transaksi Body
Head
Jumlah Transaksi Head
13
06,13
123
13
836
06
654
3→
14
06,26
63
26
440
06
654
15
01,07
210
01
706
07
16
07,12
115
12
455
17
07,13
216
13
18
01,12
73
19
03,12
20
Rule
Support
CPIR
Interest
FIPIS
IIPIS
06
21.07
0.239
0.0114
1
2
6→
06
11.14
0.259
0.00651
1
2
1150
0 →
07
14.66
0.125
0.00884
1
2
07
1150
→
07
10.05
0.256
0.01171
1
2
836
07
1150
3→
07
18.32
0.24
0.02012
1
2
01
706
12
455
0 →
18.71
0.231
0.00648
1
2
134
03
1128
12
455
03 →
29.37
0.116
0.00522
1
2
04,12
54
04
507
12
455
04 →
13.39
0.208
0.00419
1
2
21
06,12
78
06
654
12
455
06 →
17.02
0.113
0.00294
1
2
22
07,12
115
07
1150
12
455
07 →
30.59
0.256
0.01171
1
2
23
08,12
209
08
1821
12
455
08 →
47.64
0.146
0.01059
1
2
24
03,08,13
154
03,08
702
13
836
03,08 →
3
16.19
0.112
0.00574
1
2
25
06,08,13
84
06,08
435
13
836
06,08 →
3
10.37
0.218
0.00693
1
2
26
06,13
123
06
654
13
836
06 →
15.69
0.239
0.0114
1
2
27
07,08,13
111
07,08
649
13
836
07,08 →
15.9
0.308
0.01458
1
2
28
07,13
216
07
1150
13
836
07 →
3
27.6
0.24
0.02012
1
2
29
06,26
63
06
654
26
440
06 →
6
17.46
0.259
0.00651
1
2
30
07,26
117
07
1150
26
440
07 →
6
30.53
0.218
0.00961
1
2
31
08,26
191
08
1821
26
440
08 →
6
48.17
0.193
0.01353
1
2
32
03,31
108
03
1128
31
372
03 →
30.14
0.129
0.00473
1
2
3 3
3
18
No
Item
Jumlah Transaksi Item
Body
Jumlah Transaksi Body
Head
Jumlah Transaksi Head
33
06,31
64
06
654
31
372
06 →
34
08,31
177
08
1821
31
372
08 →
35
03,07,13
69
13
836
03,07
349
36
03,08,13
154
13
836
03,08
37
06,08,13
84
13
836
38
07,08,13
111
13
39
07,08,13
111
07
Rule
Support
CPIR
Interest
FIPIS
IIPIS
3
17.43
0.11
0.00233
1
2
3
48.58
0.116
0.00685
1
2
3→
03,07
22.67
0.2
0.00509
1
2
702
3→
03,08
20.15
0.112
0.00574
1
2
06,08
435
3→
06,08
22.22
0.218
0.00693
1
2
836
07,08
649
3→
07,08
21.42
0.308
0.01458
1
2
1150
08,13
372
07 →
08, 3
30.7
0.122
0.00456
1
2
Support
CPIR
Interest
FIPIS
IIPIS
Lampiran 13 Valid Rule ANR min_sup 10%, min_conf 10%, dan min_int 0.00001, 0.0001, 0.001, 0.01 Item
Jumlah Transaksi Item
Body
Jumlah Transaksi Body
Head
Jumlah Transaksi Head
1
01,03,06
56
01,06
372
03
1128
0 ,06 → 03
31.68
0.274
0.64657
1
2
2
01,03,07
79
01,03
372
07
1150
0 ,03 → 07
31.65
0.193
0.64615
1
2
3
01,03,07
79
01,07
372
03
1128
0 ,07 → 03
31
0.181
0.65337
1
2
4
01,03,08
151
01,03
372
08
1821
0 ,03 → 08
49.35
0.286
0.44735
1
2
5
01,03,13
73
03,13
702
01
706
03, 3 → 0
18.71
0.132
0.76966
1
2
6
01,03,13
73
01,13
355
03
1128
0 , 3 → 03
31.18
0.192
0.65327
1
2
7
01,06,07
54
06,07
702
01
706
06,07 → 0
19.27
0.166
0.76405
1
2
8
01,06,07
54
01,06
372
07
1150
0 ,06 → 07
32.39
0.295
0.63877
1
2
9
01,06,08
97
01,06
372
08
1821
0 ,06 → 08
50.95
0.601
0.43139
1
2
Rule
19
No
No
Item
Jumlah Transaksi Item
Body
Jumlah Transaksi Body
Head
Jumlah Transaksi Head
10
01,06,13
43
01,06
372
13
836
11
01,06,13
43
06,13
435
01
12
01,07,08
124
01,07
372
13
01,07,13
60
07,13
14
01,07,13
60
15
01,07,13
16
Rule
Support
CPIR
Interest
FIPIS
IIPIS
0 ,06 → 3
23.43
0.175
0.7385
1
2
706
06, 3 → 0
19.59
0.139
0.77726
1
2
08
1821
0 ,07 → 08
50.15
0.443
0.43937
1
2
649
01
706
07, 3 → 0
19.09
0.147
0.76909
1
2
01,13
355
07
1150
0 , 3 → 07
32.21
0.259
0.64225
1
2
60
01,07
372
13
836
0 ,07 → 3
22.93
0.114
0.74353
1
2
01,08,13
110
01,13
372
08
1821
0 , 3 → 08
50.56
0.525
0.43523
1
2
17
03,05
94
05
354
03
1128
05 → 03
30.56
0.102
0.65957
1
2
18
03,06,07
91
03,06
355
07
1150
03,06 → 07
31.29
0.126
0.65141
1
2
19
03,06,07
91
06,07
355
03
1128
06,07 → 03
30.64
0.115
0.65859
1
2
20
03,06,08
162
03,06
372
08
1821
03,06 → 08
49.02
0.222
0.4506
1
2
21
03,06,13
50
03,13
702
06
654
03, 3 → 06
17.85
0.151
0.78142
1
2
22
03,06,13
50
06,13
435
03
1128
06, 3 → 03
31.86
0.328
0.63859
1
2
23
03,06,13
50
03,06
355
13
836
03,06 → 3
23.23
0.141
0.74181
1
2
24
03,07,13
69
03,13
702
07
1150
03, 3 → 07
31.94
0.366
0.61006
1
2
25
03,07,13
69
07,13
649
03
1128
07, 3 → 03
31.29
0.341
0.62313
1
2
26
03,08,13
154
03,13
349
08
1821
03, 3 → 08
49.26
0.21
0.45189
1
2
27
05,07
85
05
354
07
1150
05 → 07
31.47
0.151
0.64973
1
2
28
05,08
147
05
354
08
1821
05 → 08
49.47
0.266
0.44903
1
2
29
06,07,13
49
07,13
649
06
654
07, 3 → 06
17.88
0.146
0.78415
1
2
20
No
Item
Jumlah Transaksi Item
Body
Jumlah Transaksi Body
Head
Jumlah Transaksi Head
30
06,07,13
49
06,13
435
07
1150
31
06,07,13
49
06,07
702
13
32
06,08,13
84
06,13
349
33
07,08,13
111
07,08
34
07,08,13
111
35
07,12
36
Rule
Support
CPIR
Interest
FIPIS
IIPIS
06, 3 → 07
32.54
0.344
0.63096
1
2
836
06,07 → 3
23.26
0.235
0.71619
1
2
08
1821
06, 3 → 08
51.33
0.644
0.4312
1
2
649
13
836
07,08 → 3
21.42
0.101
0.73838
1
2
07,13
349
08
1821
07, 3 → 08
50.53
0.476
0.43918
1
2
115
12
455
07
1150
→ 07
30.59
0.132
0.64846
1
2
07,13
216
13
836
07
1150
3 → 07
27.6
0.123
0.64004
1
2
37
07,26
117
26
440
07
1150
6 → 07
30.53
0.112
0.65055
1
2
38
08,12
209
12
455
08
1821
→ 08
47.64
0.171
0.45129
1
2
39
08,26
191
26
440
08
1821
6 → 08
48.17
0.225
0.44835
1
2
40
08,31
177
31
372
08
1821
3 → 08
48.58
0.135
0.45503
1
2
Support
CPIR
Interest
FIPIS
IIPIS
Lampiran 14 Valid Rule ACNR min_sup 10%, min_conf 10%, dan min_int 0.00001, 0.0001, 0.001, 0.01 Item
Jumlah Transaksi Item
Body
Jumlah Transaksi Body
Head
Jumlah Transaksi Head
1
01,03,08
151
01,03
372
08
1821
0 ,03 →
08
49.35
0.172
0.45573
1
2
2
01,06,08
97
01,06
372
08
1821
0 ,06 →
08
50.95
0.205
0.43977
1
2
3
01,07,08
124
01,07
372
08
1821
0 ,07 →
08
50.15
0.189
0.44775
1
2
4
01,08,13
110
01,13
372
08
1821
0 , 3→
08
50.56
0.197
0.44361
1
2
5
03,06,08
162
03,06
372
08
1821
03,06 →
08
49.02
0.165
0.45898
1
2
Rule
21
No
No
Item
Jumlah Transaksi Item
Body
Jumlah Transaksi Body
Head
Jumlah Transaksi Head
6
03,07,08
230
03,07
349
08
1821
03,07 →
7
03,08,13
154
03,13
349
08
1821
03, 3 →
8
04,08
262
04
507
08
1821
04 →
9
05,08
147
05
354
08
1821
05 →
10
06,07,08
178
06,07
349
08
1821
06,07 →
11
06,08,13
84
06,13
349
08
1821
12
07,08,13
111
07,13
349
08
1821
13
08,12
209
12
455
08
1821
→
14
08,26
191
26
440
08
1821
15
08,31
177
31
372
08
1821
Rule
Support
CPIR
Interest
FIPIS
IIPIS
08
47.02
0.116
0.48221
1
2
08
49.26
0.162
0.45975
1
2
08
46.07
0.149
0.4701
1
2
08
49.47
0.168
0.457
1
2
08
48.55
0.148
0.46685
1
2
06, 3 →
08
51.33
0.205
0.43907
1
2
07, 3 →
08
50.53
0.189
0.44705
1
2
08
47.64
0.164
0.46154
1
2
6→
08
48.17
0.171
0.45827
1
2
3 →
08
48.58
0.156
0.46341
1
2
22
Lampiran 15 Antarmuka grafis aplikasi yang menunjukan valid rule dari negative association rule
23
