II.3 .5. Penambangan Aturan Asosiasi Langka
Rare Association Rule
Aturan asosiasi langka ditandai dengan adanya aturan yang memiliki nilai support rendah akan tetapi confidence tinggi. Menghasilkan aturan seperti itu
adalah masalah yang sulit dalam proses penambangan data. Dalam rangka untuk mencari aturan-aturan yang bersifat langka, maka digunakan pendekatan
tradisional seperti algoritma Apriori. Dengan menggunakan algoritma Apriori upper bound support threshold harus diset dengan nilai rendah, agar bisa
mendapatkan aturan langka yang diinginkan, akan tetapi tindakan tersebut akan menghasilkan kombinasi yang banyak dari aturan maupun dari item yang
ditambang, yang akan memakan banyak memori. Untuk menemukan aturan asosiasi minsup harus diset sangat rendah.
Namun pengaturan ambang batas ini akan menyebabkan ledakan kombinatorial dalam hal jumlah himpunan item yang dihasilkan.
“Item yang sering terjadi frequent item akan terkait satu sama lain, hal ini karena item-item tersebut tidak
bisa tidak muncul secara bersamaan. Hal semacam ini dikenal sebagai masalah item langka
” Koh Pears, 2010. Ini berarti bahwa dengan menggunakan algoritma Apriori, kita tidak mungkin menghasilkan rule yang efektif dan dapat
digunakan untuk mengindikasikan peristiwa langka karena adanya potensi ledakan kombinatorial item yang dihasilkan akibat adanya modifikasi ambang
batas. “Item individu dapat memiliki support yang rendah sehingga mereka
tidak dapat berkontribusi pada rule yang dihasilkan oleh Apriori, meskipun mereka dapat berpartisipasi dalam rule yang memiliki confidence yang sangat
tinggi ” Koh Pears, 2010. Untuk mengatasi masalah ini digunakan pendekatan
yang disebut apriori inverse untuk menemukan aturan langka dengan kandidat himpunan item yang berada di bawah nilai maxsup maximum support akan
tetapi berada di atas tingkat absolut support value. Algoritma ini menggunakan fisher test untuk menyaring item langka yang terjadi bersamaan secara murni
berdasar kebetulan, sehingga tidak masuk dalam tahap untuk menghasilkan aturan.
Pendekatan apriori inverse memanfaatkan metode yang lebih ketat seperti fisher test untuk menentukan co-occurrence dari item langka. Penggunaan fisher
test dianggap menarik dari sudut pandang konseptual karena untuk proses perhitungannya dibutuhkan subjektivitas pertimbangan untuk setiap item.
Ditambah dengan fakta bahwa kualitas aturan yang dihasilkan terbukti unggul namun memiliki waktu eksekusi yang lebih baik daripada algoritma yang lainnya.
Apriori Inverse adalah pilihan yang logis menghasilkan aturan langka dari basis data yang besar.
II. 4. Algoritma Penambangan Aturan Asosiasi Langka
Kategori