20121107 Apriori Code

8/18/2019 20121107 Apriori Code

1/34

BAB 5ALGORITMA A PRIORI

A. Algoritma A Priori

Algoritma a priori termasuk jenis aturan assosiasipada data mining. Selain a priori yang termasukpada golongan ini adalah metode Generalized RuleInduction dan Algoritma Hash Based .

Aturan yang menyatakan asosiasi antara beberapaatribut sering disebut sebagai affinity analysis ataumarket basket analysis .

Analisis asosiasi atau association rule miningadalah teknik data mining untuk menemukan aturan

assosiatif antara suatu kombinasi item. Contoh dariaturan assosiatif dari analisa pembelian di suatupasar swalayan adalah dapat diketahuinya berapabesar kemungkinan seorang pelanggan membeliroti bersamaan dengan susu. Dengan pengetahuantersebut pemilik pasar swalayan dapat mengaturpenempatan barangnya atau merancang kampanyepemasaran dengan memakai kupon diskon untukkombinasi barang tertentu.

Karena analisis asosiasi menjadi terkenal karenaaplikasinya untuk menganalisa isi keranjang belanja

di pasar swalayan, analisis asosiasi juga seringdisebut dengan istilah market basket analysis .

Analisis asosiasi dikenal juga sebagai salah satuteknik data mining yang menjadi dasar dariberbagai teknik data mining lainnya. Khususnyasalah satu tahap dari analisis asosiasi yang disebutanalisis pola frequensi tinggi (frequent pattern

8/18/2019 20121107 Apriori Code

2/34

8/18/2019 20121107 Apriori Code

3/34

Tahap ini mencari kombinasi item yang memenuhisyarat minimum dari nilai support dalam database.Nilai support sebuah item diperoleh dengan rumusberikut:

TransaksiTotal

Amengandungtransaksi Jumlah ASupport =)(

sedangkan nilai support dari 2 item diperoleh darirumus 2 berikut :

)(),( B AP B ASupport ∩=

Transaksi

Bdan AmengandungTransaksi B ASupport

∑∑

=),(

Tabel 5.1. Transaksi

Transaksi Item yang dibeli1 Susu, Teh, Gula2 Teh, Gula, Roti3 Teh, Gula4 Susu, Roti5 Susu, Gula, Roti6 Teh, Gula7 Gula, Kopi, Susu8 Gula, Kopi, Susu

9 Susu, Roti, Kopi10 Gula, Teh, Kopi

Sebagai contoh, ada database dari transaksibelanja pasar swalayan seperti ditunjukkan dalamTabel 5.1

8/18/2019 20121107 Apriori Code

4/34

Data pada Tabel 5.1 dalam database transaksionalbiasa direpresentasikan dalam bentuk sepertitampak pada Tabel 5.2

Representasi Data Transaksi dalamDatabase Transaksional

Transaksi Item yang dibeli

1 Susu1 Teh1 Gula2 Teh2 Gula2 Roti3 Teh3 Gula

4 Susu4 Roti5 Susu5 Gula5 Roti6 Teh6 Gula7 Gula7 Kopi7 Susu8 Gula

8 Kopi8 Susu9 Susu9 Roti9 Kopi10 Gula10 Teh10 Kopi

8/18/2019 20121107 Apriori Code

5/34

Dan bila kita bentuk dalam bentuk tabular, datatransaksi akan tampak seperti pada Tabel 5.3.

Format Tabular Data TransaksiTransaksi Teh Gula Kopi Susu Roti1 1 1 0 1 02 1 1 0 0 13 1 1 0 0 04 0 0 0 1 15 0 1 0 1 16 1 1 0 0 07 0 1 1 1 08 0 1 1 1 09 0 0 1 1 1

10 1 1 1 0 0

Misalkan D adalah himpunan transaksi yangdireperesentasikan dalam Tabel 5.1, dimanamasing-masing transaksi T dalam Dmerepresentasikan himpunan item yang beradadalam I. I adalah himpunan iterm yang dijual {Teh,Gula, Kopi, Susu, Roti}. Misalkan kita memilikihimpunan items A (misal Susu dan Gula) danhimpunan item lain B (misal Kopi). Kemudian aturanasosiasi akan berbentuk

Jika A, maka B ( A B)

Dimana antecedent A dan consequent Bmerupakan subset dari I, dan A dan B merupakanmutually exclusive dimana aturan

Jika A maka B

8/18/2019 20121107 Apriori Code

6/34

tidak berarti

Jika B maka A

Definisi ini tidak berlaku untuk aturan trivial seperti :

Jika beans dan Squash Maka beans

Seorang analis mungkin hanya akan mengambilaturan yang memiliki support dan/atau confidenceyang tinggi. Aturan yang kuat adalah aturan-aturanyang melebihi kriteria support dan/atau confidenceminimum . Misalnya seorang analist menginginkanaturan yang memiliki support lebih dari 20% danconfidence lebih dari 35%.

Sebuah itemset adalah himpunan item-item yangada dalam I, dan k-itemset adalah itemset yangberisi k item. Misalnya {Teh, Gula) adalah sebuah2-itemset dan {Teh, Gula, Roti) merupakan 3- itemset .

Frequent Itemset menunjukkan itemset yangmemiliki frekuensi kemunculan lebih dari nilaiminimum yang telah ditentukan (ф). Misalkan ф =2, maka semua itemset yang frekuensikemunculannya lebih dari atau sama dengan 2 kalidisebut frequent . Himpunan dari frequent k-itemset

dilambangkan dengan Fk.

Tabel 5.4 berikut ini menujukkan calon 2-itemsetdari data transaksi pada Tabel 5.1.

8/18/2019 20121107 Apriori Code

7/34

Calon 2-itemsetKombinasi JumlahTeh, Gula 5

Teh, Kopi 1Teh, Susu 1Teh, Roti 1Gula, Kopi 3Gula, Susu 4Gula, Roti 2Kopi, Susu 3Kopi, Roti 1Susu, Roti 3

Dari data tersebut diatas, jika ditetapkan nilai ф = 3maka

F2 = { {Teh, Gula}, {Gula, Kopi}, {Gula,Susu}, {Gula, Roti}, {Kopi, Susu},{Susu, Roti}}

Calon 3-itemsetKombinasi Jumlah

Teh, Gula, Kopi 1Teh, Gula, Susu 1Gula, Susu, Kopi 2Gula, Susu, Roti 0

Gula, Kopi, Roti 0Kopi, Susu, Roti 1

Kombinasi dari itemset dalam F2 dapat kitagabungkan menjadi calon 3-itemset. Itemset-itemset dari F2 yang dapat digabungkan adalahitemset-itemset yang memiliki kesamaan dalam k-1

8/18/2019 20121107 Apriori Code

8/34

8/18/2019 20121107 Apriori Code

9/34

Jika membeli Gula dan Kopi Maka akan

membeli Susu

Jika membeli Kopi dan Susu Maka akan

membeli Gula

Sementara itu calon aturan asosiasi dari F2 bisadilihat pada tabel 5.7

Aturan AsosiasiAturan ConfidenceJika membeli TehMaka akan membeli Gula

5/5 100%

Jila membeli GulaMaka akan membeli Teh

5/8 62.5%

Jika membeli GulaMaka akan membeli Kopi

3/8 37.5%

Jika membeli KopiMaka akan membeli Gula

3/4 75%

Jika membeli GulaMaka akan membeli Susu

4/8 50%

Jika membeli SusuMaka akan membeli Gula

4/6 67%

Jika membeli GulaMaka akan membeli Roti

2/8 25%

Jika membeli RotiMaka akan membeli Gula

2/4 50%

Jika membeli KopiMaka akan membeli Susu

3/4 75%

Jika membeli SusuMaka akan membeli Kopi

3/6 50%

Jika membeli SusuMaka akan membeli Roti

3/6 50%

Jika membeli RotiMaka akan membeli Susu

3/4 75%

8/18/2019 20121107 Apriori Code

10/34

dan aturan asosiasi final terurut berdasarkanSupport x Confidence terbesar dapat dilihat padaTable 5.8.

Aturan Asosiasi Final

ATURAN SUPPORT CONFIDENCESUPPORT xCONFIDENCE

Jika membeli TehMaka akan membeliGula

50% 100%

50.0%

Jila membeli GulaMaka akan membeliTeh

50% 62.50%

31.3%

Jika membeli Susu

Maka akan membeliGula

40% 67%

26.8%

Jika membeli KopiMaka akan membeliGula

30% 75%

22.5%

Jika membeli KopiMaka akan membeliSusu

30% 75%

22.5%

Jika membeli RotiMaka akan membeliSusu

30% 75%

22.5%

Jika membeli Gula

dan Kopi Maka akanmembeli Susu

20% 67%

13.4%

Jika membeli Kopidan Susu Maka akanmembeli Gula

20% 67%

13.4%

8/18/2019 20121107 Apriori Code

11/34

B. Contoh Aplikasi

Dalam mengimplementasikan algoritma aprioriuntuk mencari aturan asosiasi, penulismenggunakan database default saat instalasi SQLserver 2000 yaitu database Northwind , dimanadalam database tersebut terdapat diantaranya 2tabel dengan relasi seperti tampak pada Gambar5.1.

Gambar 5.1 Relasi Tabel

8/18/2019 20121107 Apriori Code

12/34

Tabel Orders menyimpan transaksi yang terjadidalam suatu perusahaan sedangkan tabel OrderDetails menjelaskan prodecur apa saja yang terbelidalam masing-masing transaksi pada tabel Orders .

Dalam menerapkan algoritma apriori , kamimenggunakan tabel-tabel dalam database untukmenyimpan frequent itemset . Selain itu fasilitasquery dalam database juga dimanfaatkan untukmendapatkan kombinasi item yang mungkin dalamitemset .

Langkah yang dilakukan dalam pembuatan aplikasimining aturan asosisasi dengan algoritma apriori

pada penelitian ini dijelaskan dalam flowchart yangtampak pada Gambar 5.2, Gambar 5.3, Gambar 5.4dan Gambar 5.5

8/18/2019 20121107 Apriori Code

13/34

Gambar 5.2 Flowchart Program untuk mendapatkankombinasi yang memenuhi (1)

8/18/2019 20121107 Apriori Code

14/34

Gambar 5.3. Flowchart Program untukmendapatkan kombinasi yang memenuhi(2)

8/18/2019 20121107 Apriori Code

15/34

Gambar 5.4 Flowchart Program untuk mendapatkankombinasi yang memenuhi(3)

8/18/2019 20121107 Apriori Code

16/34

Gambar 5.5 Flowchart Program untuk mendapatkankombinasi yang memenuhi(4)

Gambar 5.6 menunjukkan Rancangan Form yangdigunakan dalam impelementasi algoritma apriori.

8/18/2019 20121107 Apriori Code

17/34

Gambar 5.6. Rancangan Form

File aplikasi dan source code dapat di perolehdalam CD yang disertakan dalam buku ini. Untukdapat menjalankan aplikasi ini, komputer harusterinstal SQL Server 2000.

Kode program ditulis dengan bahasa pemrogramanBorland Delphi 6. Aplikasi ini berjalan diatas sistemoperasi Microsoft Windows.

Aplikasi ini membutuhkan database Northwind,yaitu database default saat menginstal SQL Server2000. Setelah SQL Server terinstal, masukkan

8/18/2019 20121107 Apriori Code

18/34

database Northwind dalam ODBC. Berikut iniadalah langkah yang harus dilakukan untukmenambahkan database Northwind dalam ODBC:1. Buka Control Panel – Administrative Tool –Data

Source (ODBC). Fasilitas ini dapat dilihat padaGambar 5.7

Gambar 5.7 Adminiatrative Tools

2. Pada form ODBC, tekan tombol Add. Form inidapat dilihat pada Gambar 5.8

8/18/2019 20121107 Apriori Code

19/34

Gambar 5.8. Form ODBC

3. Pada Form Create New Data Source pilih DriverSQL Server dan tekan Tombol Finish. Form inidapat dilihat pada gambar 5.9.

8/18/2019 20121107 Apriori Code

20/34

Gambar 5.9 Form Create New Data Source

4. Pada Form Create a New Data Source to SQLServer masukkan name Northwind dan pilihserver dimana databasenya diletakkankemudian tekan Tombol Next dan padahalaman selanjutnya tekan Tombol Next lagi.Form ini dapat dilihat pada Gambar 5.10

8/18/2019 20121107 Apriori Code

21/34

Gambar 5.10 Form Create a New Data Sourceto SQL Server

5. Pada halaman pemilihan database, ganti

database default dengan database Northwindseperti tampak pada Gambar 5.11, kemudiantekan Tombol Next dan di halaman berikutnyatekan Tombol Finish.

Gambar 5.11. Halaman Pemilihan Database

8/18/2019 20121107 Apriori Code

22/34

Setelah database Northwind terdaftar dalam ODBC,langkah selanjutnya adalah membuat form sepertitampak pada Gambar 5.6. Properti yang palingpenting dalam rancangan form tersebut adalahproperti database pada komponen Query danQuery1. properti tersebut harus diisi denganNorthwind untuk menghubungkan aplikasi dengandatabasenya.

Berikut ini adalah listing programnya:

program Apriori;

uses

Forms,

UApriori in 'UApriori.pas' {Form1};

{$R *.res}

begin

Application.Initialize;

Application.CreateForm(TForm1, Form1);

Application.Run;

end.

unit UApriori;

interface

usesWindows, Messages, SysUtils, Variants,

Classes, Graphics, Controls, Forms,

Dialogs, StdCtrls, Buttons, DB, DBTables,

ComCtrls, IBDatabase,

IBCustomDataSet, IBQuery, ExtCtrls;

type

8/18/2019 20121107 Apriori Code

23/34

TForm1 = class(TForm)

Query: TQuery;

Panel1: TPanel;

Panel2: TPanel;

Panel3: TPanel;

Label1: TLabel;Label2: TLabel;

EdtMinTransaksi: TEdit;

EdtMinConfidence: TEdit;

BitBtn1: TBitBtn;

Panel4: TPanel;

BitBtn2: TBitBtn;

Memo1: TMemo;

Bevel2: TBevel;

Bevel3: TBevel;

Bevel1: TBevel;

Label3: TLabel;

EdtTotalTransaksi: TEdit;

Query1: TQuery; procedure BitBtn1Click(Sender:

TObject);

procedure FormShow(Sender: TObject);

procedure BitBtn2Click(Sender:

TObject);

private

{ Private declarations }

public

{ Public declarations }

end;

varForm1: TForm1;

C : integer;

implementation

uses DateUtils;

{$R *.dfm}

8/18/2019 20121107 Apriori Code

24/34

procedure TForm1.BitBtn1Click(Sender:

TObject);

var i,j,k,l,temp,total_transaksi,

min_transaksi : integer;

min_confidence : real;keluar : boolean ;

antecedent, konklusi : string;

begin

Memo1.Clear;

with Query do

begin

Close;

SQL.Text :=

' SELECT count(OrderId) '+

' FROM Orders ';

Open;

EdtTotalTransaksi.Text :=

Fields[0].AsString;

total_transaksi := Fields[0].AsInteger;

min_transaksi :=

StrToInt(EdtMinTransaksi.text);

min_confidence :=

StrToFloat(EdtMinConfidence.Text);

//==========mengambil item yang

memenuhi syarat (C1)=========//

C := 1;

Close;

SQL.Text := 'DROP TABLE C1';

try

ExecSQL;

except

end;

Close;

8/18/2019 20121107 Apriori Code

25/34

SQL.Text :=

' CREATE TABLE C1 ( '+

' ITEM1 INTEGER, '+

' JML INTEGER)';

try

ExecSQL;except

end;

Close;

SQL.Text :=

' INSERT INTO C1 '+

' SELECT ProductId, count(OrderId)

'+

' FROM [Order Details] '+

' GROUP BY Productid '+

' HAVING count(OrderId) >= ' +

IntToStr(min_transaksi) +

' ORDER BY ProductId';ExecSQL;

//===========end of mengambil item

yang memenuhi syarat (C1)==============//

//===============mengambil item yang

memenuhi syarat (C2 dst)=============//

while not keluar do

begin

inc(C);

Close;SQL.Text := 'DROP TABLE C' +

IntToStr(C);

try

ExecSQL;

except

end;

//buat tabel

8/18/2019 20121107 Apriori Code

26/34

8/18/2019 20121107 Apriori Code

27/34

' FROM C'+ IntToStr(C-1) + ' P,

C'+ IntToStr(C-1) + ' Q '+

' WHERE Q.ITEM'+ IntToStr(C-1) +

' > P.ITEM' + IntToStr(C-1) );

for i := 2 to C-1 do

SQL.Add(' AND P.ITEM' + IntToStr(i)

+ ' > P.ITEM' + IntToStr(i-1) );

SQL.Add(' ORDER BY ');


SQL.Add (' P.ITEM' + IntToStr(i)

+', ');

SQL.Add(' Q.ITEM' + IntToStr(C-1));

try

ExecSQL;except

end;

//hapus isi tabel yg tidak memenuhi

syarat

Close;

SQL.Text := ' DELETE FROM C'+

IntToStr(C) +

' WHERE JML

8/18/2019 20121107 Apriori Code

28/34

if IsEmpty then keluar := true;

end; //end of while not keluar do

//===========end of mengambil item

yang memenuhi syarat (C2 dst)==========//

//===========itung confidence

===================//


begin

Close;

SQL.Text := 'SELECT * FROM C' +

IntToStr(i) + ' ORDER BY JML DESC';

Open;

while not eof do

begin

temp := 0;

for j := i downto 1 do

beginQuery1.Close;

Query1.SQL.Text := ' SELECT JML

FROM C' + IntToStr(i-1) + ' WHERE ';

for k := 1 to i-1 do

begin

Query1.SQL.Text :=

Query1.SQL.Text + ' item' + IntToStr(k) +

' = ' ;

if temp = k then

begin

Query1.SQL.Text :=

Query1.SQL.Text + Fields[temp].AsString +

' and '; temp := temp + 2

end else

begin

Query1.SQL.Text :=

Query1.SQL.Text + Fields[temp].AsString +

' and ';

temp := temp + 1

end

8/18/2019 20121107 Apriori Code

29/34

end;

Query1.SQL.Text :=

copy(Query1.SQL.Text,1,

length(Query1.SQL.Text)-7);

Query1.Open;

//jika nilai confidence minimum

terpenuhi

if

FieldByName('jml').AsInteger*100/

Query1.FieldByName('jml').AsInteger >=

min_confidence then

begin

antecedent := 'JIKA membeli ';

for k := 1 to i do

begin

if k = j then

konklusi := ' MAKA akanmembeli '+ Fields[k-1].AsString +

' dengan SUPPORT '+

FormatFloat('0.00',

FieldByName('jml').AsInteger/

total_transaksi*100) +

' %' +

' dan CONFIDENCE '+

FormatFloat('0.00',FieldByName('jml').AsIn

teger * 100 /

Query1.FieldByName('jml').AsInteger) +

' %' else if ((j = 1) and (k>2))

or ((j>1) and (k>1)) then

antecedent := antecedent +

', ' + Fields[k-1].AsString

else antecedent :=

antecedent + Fields[k-1].AsString;

end;

8/18/2019 20121107 Apriori Code

30/34

Memo1.Lines.Add(antecedent +

konklusi);

end;

end; //end of for j := 1 to i do

Next;

end; //end of while not eofend;

end; //end of with query do

end;

procedure TForm1.FormShow(Sender: TObject);

begin

C := 0;

Memo1.Clear;

end;

procedure TForm1.BitBtn2Click(Sender:

TObject);

beginClose;

end;

end

Gambar 5.12 berikut ini adalah tampilan hasilrunning program aplikasi untukmengimplementasikan algoritma apriori.

8/18/2019 20121107 Apriori Code

31/34

Gambar 5.12 Aplikasi Aturan Asosiasi denganalgoritma apriori

Aturan asosiasi yang diperoleh adalah sebagaiberikut:

8/18/2019 20121107 Apriori Code

32/34

1. JIKA membeli 21 MAKA akan membeli 61dengan SUPPORT 0.96 % dan CONFIDENCE

20.51 %


33.33 %3. JIKA membeli 16 MAKA akan membeli 31

dengan SUPPORT 0.84 % dan CONFIDENCE

16.28 %


13.73 %


13.95 %


12.76 %


13.95 %


12.50 %


18.75 %


16.67 %

11. JIKA membeli 31 MAKA akan membeli 72

dengan SUPPORT 0.72 % dan CONFIDENCE12.76 %


15.79 %


12.76 %

8/18/2019 20121107 Apriori Code

33/34


14.29 %

Aturan-aturan tersebut diperoleh dengan langkah-

langkah sebagai berikut:1. Mengambil ProductId dan frekunesi transaksi

terhadap produk tersebut dari tabel OrderDetails yang memenuhi minimum transaksidan dimasukkan ke dalam tabel C1. TabelOrder Details dan tabel C1 dapat dilihat padalampiran 2, sedangkan minimum transaksiditentukan oleh user pada form aplikasi, dandalam hal ini diambil nilai minimum transaksisebesar 5.

2. Membuat kombinasi item-item pada tabel C1dan dimasukkan ke dalam tabel C2 menjadicalon 2-itemset. Pada langkah ini dilakukanpula penghitungan frekuensi transaksi yangmengandung kombinasi item-item tersebut.Kombinasi item yang memiliki frekuensitransaksi kurang dari nilai minimum_transaksidihapus dari tabel C2. Isi dari tabel C2 dapatdilihat pada lampiran 2.

3. Membuat kombinasi item-item pada tabel C2dan dimasukkan ke tabel C3 menjadi calon 3-itemset. Seperti pada langkah 2, dilakukanpenghitungan frekuensi transaksi yang

mengandung kombinasi item dari calon k-itemset, dan kombinasi yang tidak memenuhinilai minimum transaksi dihapus dari tabel C3.Isi dari tabel C3 kosong, yang artinya tidakada kombinasi item yang memuhi syaratminimum transaksi.

4. Dari tabel C2 dibentuk aturan asosiasi yangberbentuk

8/18/2019 20121107 Apriori Code

34/34

jika nilai[item1] maka nilai[item2]

dan sebaliknya

jika nilai[item2] maka nilai[item1]

5. dari masing-masing bentuk aturan asosiasipada seluruh record yang ada di tabel C2 dilakukang perhitungan nilai confidence. Bagiaturan yang memenuhi syarat minimumconfidence akan ditampilkan, sedangkan yangtidak memenuhi tidak ditampilkan. Dalam halini, minimum confidence ditentukan sebesar10%

Aplikasi ini sudah dapat digunakan untuk mencariaturan asosiasi sampai tingkat n-antecedent. Tetapikarena data dalam database belum terlalu banyak,maka aturan asosiasi yang ditemukan baru sampai1-antecedent.

20121107 Apriori Code

Documents

Transcript of 20121107 Apriori Code