Itemset dan Support Count Support dan Confidence Penemuan Aturan Asosiasi

Proceeding Seminar Nasional Teknologi Informasi Aplikasinya 2013 94 Jurusan Ilmu Komputer, FMIPA, Universitas Udayana Apriori sangat mudah untuk dipahami dan dimplementasikan, akan tetapi algoritma Apriori juga memiliki kekurangan yaitu, untuk melakukan pencarian frequent itemset data yang sering muncul, algoritma Apriori harus melakukan akses ke basis data berulang kali untuk setiap kombinasi item. Hal tersebut menyebabkan banyaknya waktu yang dibutuhkan untuk melakukan scanning database Erwin, 2009. Selain dari kekurangan tersebut, algoritma Apriori juga merupakan algoritma lama yang sudah lazim digunakan untuk beberapa penelitian. Maka dibutuhkan suatu algoritma baru yang dapat mengatasi kekurangan dari algoritma Apriori. Vertical Format Algorithm merupakan algoritma baru yang mencari frequent itemset dengan format vertikal. Algoritma ini dipilih karena berdasarkan penelitian sebelumnya oleh Kurniawan Kurniawan, 2011, menunjukkan bahwa performa Vertical Format Algorithm jauh lebih cepat dibandingkan algoritma Apriori. Hal ini disebabkan karena algoritma ini hanya melakukan satu kali scanning database untuk mendapatkan frequent 1-itemset dan untuk selanjutnya tidak perlu dilakukan scan terhadap database lagi. Sehingga dari penelitian ini diharapkan dapat menemukan aturan penempatan buku di perpustakaan yang paling optimal. Keoptimalan dari aturan rule yang dihasilkan diukur berdasarkan nilai support dan confidence yang memenuhi syarat minimum untuk support minimum support dan syarat minimum untuk confidence minimum confidence, dimana nilai minimum support dan minimum confidence harus ditetapkan sebelumnya. Oleh karena inilah, penulis mengangkat judul penelitian Tugas Akhir, yaitu “Pengaturan Penempatan Buku di Perpustakaan Menggunakan Metode Association Rule Analysis dan Vertical Format Algorithm”. Adapun permasalahan yang harus diselesaikan dalam penelitian adalah bagaimana cara menentukan aturan penempatan buku dari proses Association Rule Analysis? Tujuan dari penelitian ini adalah mencari pengaturan penempatan buku yang efisien dengan metode Association Rule Analysis dan menentukan aturan penempatan buku dari proses Association Rule Analysis. 2 TINJAUAN PUSTAKA 2.1 Association Rule Analysis Association Rule Analysis merupakan suatu metode untuk menemukan relasi antar dataset. Relasi ini dapat direpresentasikan dengan aturan asosiasi yang akan memprediksi kemunculan setiap item terhadap kemunculan item yang lain dalam suatu transaksi. Tan P.N, 2006:327

2.2 Itemset dan Support Count

Itemset adalah kumpulan dari satu atau lebih item. Jika suatu itemset terdiri dari k item maka dapat dikatakan sebagai k itemset. Sebagai contoh {Beer,Diapers,Milk} dikatakan sebagai 3-itemset. Set kosong pada itemset tidak berarti tidak ada item pada itemset. Support count σ adalah frekuensi kemunculan setiap itemset. Jika suatu transaksi terdiri dari itemset X, maka secara matematis, support count σX, untuk suatu itemset X dapat dinyatakan sebagai : { } T t t X t X i i i ∈ ⊆ = , σ Dimana : σ X = support count atau frekuensi kemunculan itemset X X = itemset atau kumpulan dari beberapa item t i = transaksi yang mengandung itemset X T = semua transaksi = jumlah elemen dalam satu set Tan P.N, 2006:329

2.3 Support dan Confidence

Suatu aturan asosiasi adalah ekspresi maksud dari X Y. Support adalah prosentase dari transaksi pada setiap item yang mengandung X dan Y. Confidence adalah prosentase yang menunjukkan seberapa sering item Y muncul di X. Secara matematis support dan confidence dapat dinyatakan sebagai : Proceeding Seminar Nasional Teknologi Informasi Aplikasinya 2013 95 Jurusan Ilmu Komputer, FMIPA, Universitas Udayana N Y X Y X s Support ∪ = →  σ , X Y X Y X c Confidence σ σ ∪ = →  , Dimana : = frekuensi kemunculan dari item X gabungan item Y dalam seluruh transaksi. = frekuensi kemunculan dari item yang mengandung X dalam seluruh transaksi. N = jumlah seluruh transaksi Tan P.N, 2006:330

2.4 Penemuan Aturan Asosiasi

Association Rule Analysis didefinisikan sebagai suatu proses untuk menemukan semua aturan asosiasi yang memenuhi syarat minimum support minsup dan syarat minimum confidence minconf Pramudiono, 2007. Selanjutnya, terdapat dua strategi dalam menemukan aturan asosiasi : 1. Frequent itemset generation, dimana tujuannya untuk menemukan semua itemset yang memenuhi ambang minsup. Itemset ini disebut juga frequent itemset. 2. Rule generation, dimana tujuannya untuk mengekstraksi semua aturan high-confidence dari frequent itemset pada langkah sebelumnya. Aturan ini disebut strong rules Tan P.N, 2006.

2.5 Vertical Format Algorithm