master_operasional
PK no
tanggal_opr lintasan
kapal id_kategori_tiket
kategori_tiket id_tiket
tiket produksi
pendapatan dimensi_waktu
PK sk_waktu
day month
year dimensi_tiket
PK sk_tiket
id_kategori_tiket kategori_tiket
id_tiket tiket
dimensi_kapal
PK sk_kapal
kapal dimensi_lintasan
PK sk_lintasan
lintasan fact_laporan_pendapatan
PK sk_fact_laporan_pendapatan
sk_waktu sk_lintasan
sk_kapal sk_tiket
pendapatan
Gambar 3.12 Star Schema laporan_pendapatan
3.7.2 Penerapan Algoritma Apriori
. Association rule aturan asosiatif adalah salah satu teknik utama dalam penambangan data dan merupakan bentuk yang paling umum
dipakai dalam menemukan pattern atau pola dari suatu kumpulan data. Salah satu algoritma yang dapat digunakan untuk menemukan association
rule adalah algoritma Apriori. Ciri dari algoritma Apriori adalah jika suatu
itemset termasuk dalam large itemset, maka semua himpunan bagian subset dari itemset tersebut juga termasuk large itemset.. Pada proses
perhitungan association rule pengguna menentukan dataset atau parameter yang akan digunakan dalam proses.
Data set yang digunakan berasal dari gudang data yang telah terbentuk yakni dari tabel master_operasional. Atribut yang dipakai untuk
proses asosiasi adalah hari, lintasan, dan pendapatan. Tabel 3.3 Contoh data dari atribut
Hari Lintasan
Pendapatan Sabtu
AIMERE_KUPANG 21.324.000
Rabu AIMERE_KUPANG
11.602.000 Rabu
AIMERE_KUPANG 13.336.900
Selasa AIMERE_WAINGAPU
7.835.100 Kamis
AIMERE_WAINGAPU 4.457.300
Sabtu AIMERE_WAINGAPU
3.710.100 Jumat
BARANUSA_KALABAHI 851.000
Minggu BARANUSA_LEWOLEBA
408.000 Senin
BARANUSA_LEWOLEBA 513.000
Selasa ENDE_KUPANG
9.895.700 Senin
ENDE_KUPANG 11.968.800
..dst ..dst
..dst
Data atribut pendapatan dilakukan partisi sebanyak 5 partisi antara lain SANGAT TINGGI, TINGGI, CUKUP, RENDAH, SANGAT
RENDAH. Kriteria pendapatan sangat tinggi 30 juta, tinggi berkisar antara 19 juta sampai dengan 29,9 juta, kriteria cukup berkisar antara 9
juta hingga 18,9 juta, kriteria rendah berkisar 1,2 juta hingga 8,9 juta, dan kriteria sangat rendah 1,19 juta.
. Selanjutnya pengguna menentukan nilai minimum support dan minimum confidence
yang akan digunakan dalam proses. Nilai minimum support
dan minimum confidence yang dimasukkan adalah antara 0 –
100. Setelah menentukan nilai minimum support dan minimum confidence
yang akan digunakan dalam proses, baru dilakukan proses perhitungan association rule. Setelah proses perhitungan selesai, system
akan menampilkan rule yang dihasilkan dan nilai confidencenya. Rule ini menunjukkan hasil asosiasi antara hari, lintasan, dan pendapatan.
Proses perhitungan association rule terdiri dari beberapa tahap antara lain
1. Sistem men-scan database untuk mendapatkan kandidiat 1-itemset
himpunan item yang terdiri dari 1 item dan menghitung nilai support
nya.. Support dari suatu itemset S merupakan presentase dari transaksi dalam T yang mengandung S. Kemudian nilai support tersebut
dibandingkan dengan minimum support yang telah ditentukan. Jika nilainya lebih besar atau sama dengan minimum support maka itemset
tersebut trmasuk dalam large itemset. 2.
Itemset yang tidak termasuk dalam large itemset tidak diikutkan dalam iterasi selanjutnya di-prune
3. Pada iterasi kedua, system akan menggunakan hasil large itemset pada
iterasi pertama L
1
untuk membentuk kandidat itemset kedua L
2
. Pada iterasi selanjutnya system akan menggunakan hasil large itemset pada
iterasi sebelumnya L
k-1
untuk membentuk kandidat itemset berikutnya L
k
. System akan menggabungkan join L
k-1
dengan L
k-1
untuk
mendapatkan L
k
seperti pada itersi sebelumnya system akan menghapus prune kombinasi itemset yang tidak termasuk dalam large itemset.
4. Setelah dilakukan operasi join, maka pasangan itemset baru dari hasil
proses join tersebut juga dihitung supportnya. 5.
Proses pembentukan kandidat yang terdiri dari proses join dan prune akan terus dilakukan hingga himpunan kandidat itemsetnya null, atau sudah
tidak ada lagi kandidat yang akan dibentuk. 6.
Setelah itu, dari hasil frequent itemset tersebut dibentuk association rule yang memenuhi nilai support dan confidence yang telah ditentukan.
7. Pada pembentukan association rule nilai yang sama dianggap satu nilai
8. Association rule yang terbentuk harus memenuhi nilai minimum yang
telah ditentukan 9.
Untuk setiap large itemset L, dicari himpunan bagian L yang tidak kosong. Untuk setiap himpunan bagian tersebut, dihasilkan rule dengan bentuk a
ÞL - a jika support L dan support a lebih besar dari minimum support
3.8 Analisis Kebutuhan