Association Rule

Association rule  adalah salah satu teknik utama atau prosedur dalam Market Basket Analysis untuk mencari hubungan antat item dalam suatu data set dan menampilkan dalam bentuk association rule (Budhi dkk,2007). Association rule (aturan asosiatif) akan menemukan pola tertentu yang mengasosiasikan data yang satu dengan data yang lain. Untuk mencari association rule dari suatu kumpulan data, tahap pertama yang harus dilakukan adalah mencari  frequent itemset  terlebih dahulu. Frequent itemset adalah  sekumpulan item yang sering muncul secara bersamaan. Setelah semua pola frequent itemset ditemukan, barulah mencari aturan asosiatif atau aturan keterkaitan yang memenuhi syarat yang telah ditentukan.

Jika diasumsikan bahwa barang yang dijual di swalayan adalah semesta, maka setiap barang akan memiliki bolean variabel yang akan menunjukkan keberadaannya atau tidak barang tersebut dalam satu transaksi atau satu keranjang belanja. Pola bolean yang didapat dugunakan untuk menganalisa barang yang sering dibeli secara bersamaan. Pola tersebut dapat dirumuskan dalam sebuah association rule. Sebagai contoh konsumen biasanya akan membeli kopi dan susu yang ditunjukkan sebagai berikut :

Kopi à susu [support =2%, confidence=60%]

Association rule diperlukan suatu variable ukuran yang ditentukan sendiri oleh user untuk menentukan batasan sejauh mana atau sebanyak apa output yang diinginkan user. 

Support dan confidence adalah sebuah ukuran kepercayaan dan kegunaan suatu pola yang telah ditemukan. Nilai support2% menunjukkan bahwa keseluruhan dari total transaksi konsumen membeli kopi dan susu secara bersamaan yaitu sebanyak 2%. Sedangkan confidence 60% yaitu menunjukkan bila konsumen membeli kopi dan pasti membeli  susu sebesar 60%.

Penelitian ini akan menganalisis frekuensi wisatawan yang datang ke setiap objek wisata di Propinsi Yogyakarta. Hasil asosiasi dari penelitian ini dapat digunakan oleh para pemilik tour and travel dalam membuat  paket perjalanan  wisata. Pengetahuan mengenai pola kebiasaan wisatawan dalam berwisata bila dimanfaatkan dengan baik akan dapat menaikkan laba bisnisnya dengan membuat paket dengan objek wisata yang sering dikunjungi wisatawan. Namun dapat juga dengan membuat paket wisata yang berisi kombinasi antara objek yang sering dikunjungi dan yang jarang dikunjungi. Jumlah support dan confidence didapatkan dari data perjalanan wisata yang telah dilakukan tour and travel dalam jangka waktu tertentu.

sumber : materi ajar semester VI data mining, teknik informatika politeknik pos indoesia bandung, tahun angkatan 2012

Data Mining

Data mining merupakan salah satu ilmu dalam cabang informatika, dari namanya saja mungkin terdengar mengarik karna berkaitan dengan data atau secara singkat lebih mendalami data sehingga bisa dibentuk sebuah informasi untuk lebih jelasnya bisa dilihat pengertian dari data mining yang dikutip dari wikipedia adalah sebagai berikut.

Penggalian data (bahasa Inggris: data mining) adalah ekstraksi pola yang menarik dari data dalam jumlah besar . Suatu pola dikatakan menarik apabila pola tersebut tidak sepele, implisit, tidak diketahui sebelumnya, dan berguna. Pola yang disajikan haruslah mudah dipahami, berlaku untuk data yang akan diprediksi dengan derajat kepastian tertentu, berguna, dan baru. Penggalian data memiliki beberapa nama alternatif, meskipun definisi eksaknya berbeda, seperti KDD (knowledge discovery in database), analisis pola, arkeologi data, pemanenan informasi, dan intelegensia bisnis. Penggalian data diperlukan saat data yang tersedia terlalu banyak (misalnya data yang diperoleh dari sistem basis data perusahaan, e-commerce, data saham, dan data bioinformatika), tapi tidak tahu pola apa yang bisa didapatkan.

Proses Pencarian Pola

Penggalian data adalah salah satu bagian dari proses pencarian pola. Berikut ini urutan proses pencarian pola :

·         Pembersihan Data: yaitu menghapus data pengganggu (noise) dan mengisi data yang hilang.

·         Integrasi Data: yaitu menggabungkan berbagai sumber data.

·         Pemilihan Data: yaitu memilih data yang relevan.

·         Transformasi Data: yaitu mentransformasi data ke dalam format untuk diproses dalam penggalian data.

·         Penggalian Data: yaitu menerapkan metode cerdas untuk ekstraksi pola.

·         Evaluasi pola: yaitu mengenali pola-pola yang menarik saja.

·         Penyajian pola: yaitu memvisualisasi pola ke pengguna. 

 

Teknik Penggalian Data
Pada dasarnya penggalian data dibedakan menjadi dua fungsionalitas, yaitu deskripsi dan prediksi. Berikut ini beberapa fungsionalitas penggalian data yang sering digunakan:

·         Karakterisasi dan Diskriminasi, yaitu menggeneralisasi, merangkum, dan mengkontraskan karakteristik data.

·         Penggalian pola berulang, yaitu pencarian pola asosiasi (association rule) atau pola intra-transaksi, atau pola pembelian yang terjadi dalam satu kali transaksi.

·         Klasifikasi, yaitu membangun suatu model yang bisa mengklasifikasikan suatu objek berdasar atribut-atributnya. Kelas target sudah tersedia dalam data sebelumnya, sehingga fokusnya adalah bagaimana mempelajari data yang ada agar klasifikator bisa mengklasifikasikan sendiri.

·         Prediksi, yaitu memprediksi nilai yang tidak diketahui atau nilai yang hilang, menggunakan model dari klasifikasi.

·         Penggugusan/Cluster analysis, yaitu mengelompokkan sekumpulan objek data berdasarkan kemiripannya. Kelas target tidak tersedia dalam data sebelumnya, sehingga fokusnya adalah memaksimalkan kemiripan intrakelas dan meminimalkan kemiripan antarkelas.

·        Analisis outlier, yaitu proses pengenalan data yang tidak sesuai dengan perilaku umum dari data lainnya. Contoh: mengenali noise dan pengecualian dalam data.

·         Analisis trend dan evolusi,  meliputi analisis regresi, penggalian pola sekuensial, analisis periodisitas, dan analisis berbasis kemiripan

sumber : 

http://id.wikipedia.org/wiki/Penggalian_data