Penggunaan Struktur Data SOTrieIT untuk Pemangkasan Transaksi dengan Algoritme Data mining FOLD - Growth

PENGGUNAAN STRUKTUR DATA SOTrieIT UNTUK
PEMANGKASAN TRANSAKSI DENGAN
ALGORITME DATA MINING FOLD - GROWTH

DENY PRASTOWO

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2008
1

PENGGUNAAN STRUKTUR DATA SOTrieIT UNTUK
PEMANGKASAN TRANSAKSI DENGAN
ALGORITME DATA MINING FOLD - GROWTH

Skripsi
Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor

DENY PRASTOWO
G64104063

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2008
2

Judul
Nama
NIM

: Penggunaan Struktur Data SOTrieIT untuk Pemangkasan
Transaksi dengan Algoritme Data mining FOLD - Growth
: Deny Prastowo
: G64104063

Menyetujui :

Pembimbing I,

Pembimbing II,

Rindang Karyadin, S. T., M. Komp.
NIP 132 311 915

Wisnu Ananta Kusuma, S. T., M. T.
NIP 132 312 485

Mengetahui :
Dekan Fakultas Matematika Dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor

Dr. drh. Hasim, DEA
NIP 131578806

Tanggal Lulus:

i

ABSTRAK
DENY PRASTOWO. Penggunaan Struktur Data SOTrieIT Untuk Pemangkasan Transaksi Dengan
Algoritme Data Mining FOLD – Growth. Dibimbing oleh Rindang Karyadin dan Wisnu Ananta
Kusuma.
Penelitian ini menggunakan salah satu teknik penggalian data yang dikenal dengan teknik
aturan asosiasi (Association Rule) dan menggunakan algoritme FOLD – Growth untuk
mengekstrak korelasi antar itemset yang terbentuk. Data yang digunakan dalam penelitian kali ini
ialah suatu data transaksi penjualan sebuah toko di daerah kota Bogor.
Kombinasi yang terjadi pada dataset yang dipakai memperlihatkan bahwa itemset dengan
kombinasi susu
snack (support 6,58% ; confidence 44,64%) merupakan kombinasi yang paling
banyak dilakukan dalam keseluruhan transaksi dalam basis data. Selanjutnya itemset dengan
kombinasi permen
mie instant (support 1% ; confidence 11,76%) merupakan kombinasi terkecil
untuk penetapan nilai minimum support sebesar 1%. Sementara itu kombinasi dengan item
susu.permen
snack merupakan kombinasi itemset dengan nilai confidence tertinggi sebesar

70,44% dan kombinasi item permen
mie instant merupakan kombinasi dengan nilai confidence
terkecil. Dari penelitian ini diperoleh juga suatu kesimpulan bahwa pemangkasan menggunakan
large 2 – itemset tidak merubah atau merusak kombinasi yang terjadi dalam database transaksi
yang digunakan. Dengan demikian pemangkasan dengan acuan large 1 – 2 itemset dapat
dilakukan.
Kata Kunci : Association Rule, Algoritme FOLD – Growth, Data mining

ii

RIWAYAT HIDUP
Penulis dilahirkan di Jakarta pada tanggal 20 Mei 1986 sebagai anak kedua dari tiga bersaudara
dari pasangan Sukento dan Wahyu Widayati. Penulis menyelesaikan masa studinya di Sekolah
Menengah Umum Negeri 54 Jakarta pada tahun 2004.
Pada tahun yang sama penulis berkesempatan untuk melanjutkan studinya di Departemen Ilmu
Komputer Institut Pertanian Bogor (IPB) melalui jalur Undangan Seleksi Masuk IPB (USMI).
Penulis pernah melaksanakan praktek lapang selama dua bulan di SCTV. Tugas yang diberikan
selama penulis melakukan praktek lapang ialah pembuatan sistem inventarisasi komputer di SCTV
dan O Channel.
Selama kuliah penulis aktif dalam berbagai organisasi kemahasiswaan diantaranya sebagai

staff divisi Sosial dan Kesejahteraan Mahasiswa Badan Eksekutif Mahasiswa TPB pada tahun
2004 – 2005, staff divisi Kajian Strategis dan Advokasi Badan Eksekutif Mahasiswa FMIPA pada
tahun 2005 – 2006, staff divisi Pengembangan Sumberdaya Mahasiswa HIMALKOM pada tahun
2005 – 2006.

iii

PRAKATA
Alhamdulillahi Rabbil ‘alamin, puji dan syukur penulis panjatkan kepada Allah SWT atas
segala curahan rahmat dan karunia-Nya sehingga tugas akhir ini dengan judul Penggunaan
Struktur Data SOTrieIT untuk Pemangkasan Transaksi dengan algoritme FOLD - Growth, dapat
diselesaikan. Dalam menyelesaikan karya tulis ini penulis mendapatkan banyak sekali bantuan,
bimbingan dan dorongan dari berbagai pihak. Oleh karena itu, penulis ingin mengucapkan terima
kasih yang sebesar-besarnya kepada semua pihak yang telah membantu kelancaran penelitian ini,
antara lain kepada:
1
Orangtuaku tercinta, Bapak Sukento dan Mama Wahyu Widayati, Alm. atas segala do’a,
kasih sayang, dan dukungannya.
2
Kakak Cahya Priyanugraha dan Adik Windy Kurniasari tercinta yang selalu memberikan

motivasi dalam penyelesaian karya tulis ini.
3
Bapak Rindang Karyadin, S.T, M.Kom selaku pembimbing pertama atas bimbingan dan
arahannya selama penyusunan karya tulis ini.
4
Bapak Wisnu Ananta Kusuma S.T, M.T selaku pembimbing kedua atas bimbingan dan
arahannya selama penyusunan karya tulis ini.
5
Ibu Annisa, S.Kom, M.Kom selaku moderator dan penguji serta seluruh arahannya pada
penelitian ini.
6
Ima Kusumanti atas bantuan dan dorongan motivasinya.
7
Martin, Toro, Putri, Halida, Arief selama konsultasi bersama.
8
Syadid, Lewe, Ina, Trie dan seluruh rekan seperjuangan Ilkomerz 40, 41, 42 dan 43.
Kepada semua pihak lainnya yang telah memberikan kontribusi yang besar selama pengerjaan
penelitian ini yang tidak dapat disebutkan satu-persatu, Penulis ucapkan terima kasih banyak.
Semoga penelitian ini dapat memberi manfaat.

Bogor,

Juli 2008

Deny Prastowo

iv

DAFTAR ISI
Halaman
DAFTAR TABEL ........................................................................................................................ vi
DAFTAR GAMBAR ................................................................................................................... vi
DAFTAR LAMPIRAN ............................................................................................................... vi
PENDAHULUAN ........................................................................................................................ 1
Latar Belakang......................................................................................................................... 1
Tujuan ...................................................................................................................................... 1
Ruang Lingkup ........................................................................................................................ 1
Manfaat .................................................................................................................................... 1
TINJAUAN PUSTAKA ............................................................................................................... 1
Penggalian Data (Data mining) ............................................................................................... 1

Pola Asosiasi (Association Rule) ............................................................................................. 1
FP – Tree ................................................................................................................................. 2
Algoritme FP-Growth.............................................................................................................. 3
SOTrieIT .................................................................................................................................. 3
Algoritme FOLD – Growth ..................................................................................................... 4
METODOLOGI PENELITIAN ................................................................................................... 5
Studi Literatur .......................................................................................................................... 5
Pengumpulan Data ................................................................................................................... 5
Data mining ............................................................................................................................. 5
Tahap Penggalian L1 dan L2 Dengan Menggunakan SOTrieIT .............................................. 6
Tahap Pemangkasan Item – Item yang Tidak Frequent ........................................................... 6
Tahap Pembangunan FP – Tree ............................................................................................... 6
Tahap Penggalian Itemset Frequent ......................................................................................... 6
Pengujian dan Analisis ............................................................................................................. 6
HASIL DAN PEMBAHASAN .................................................................................................... 6
Tahap Pembentukan Large Itemset .......................................................................................... 6
Pembentukan Large Itemset dengan Minimum Support Sebesar 1% - 5% .............................. 6
Tahap Pembentukan Aturan Asosiasi ....................................................................................... 7
Update Transaksi ..................................................................................................................... 9
KESIMPULAN DAN SARAN .................................................................................................... 9

Kesimpulan .............................................................................................................................. 9
Saran ........................................................................................................................................ 9
DAFTAR PUSTAKA ................................................................................................................. 10
LAMPIRAN ............................................................................................................................... 11

v

DAFTAR TABEL
.......................................................................................................................................... Halaman
1 Transaksi dalam database D ........................................................................................................ 2
2 Frequent Itemset Terbentuk ......................................................................................................... 3
3 Contoh transaksi dalam basisdata D ............................................................................................ 4
4 Large Itemset dengan minsup 1% ................................................................................................ 7
5 Pembentukan large itemset dengan algoritme FOLD - Growth................................................... 7
6 Hasil aturan asosiasi terbentuk dengan minimum confidence 10% dan minsup 1% ................... 8
7 Hasil aturan asosiasi terbentuk dengan minimum confidence 20% dan minsup 1% ................... 8
8 Hasil aturan asosiasi terbentuk dengan minimum confidence 10% dan minsup 2% - 5% ........... 8

DAFTAR GAMBAR
Halaman

1 FP – Tree pembacaan transaksi 100 ............................................................................................. 2
2 FP – Tree pembacaan transaksi 200 ............................................................................................. 3
3 FP – Tree utuh .............................................................................................................................. 3
4 (a) Pembacaan transaksi 100 pada SOTrieIT (b) Pembacaan Transaksi 200 pada SOTrieIT .. 4
5 SOTrieIT utuh .............................................................................................................................. 4
6 Algoritme universal update itemset ............................................................................................. 5
7 Metode Penelitian ........................................................................................................................ 5

DAFTAR LAMPIRAN
Halaman
1 Contoh Transaksi ....................................................................................................................... 12
2 Kode pengelompokan barang .................................................................................................... 13
3 Hasil penggalian dengan minsup 1% dan mincof 10% .............................................................. 15
4 Hasil penggalian dengan minsup 2% dan mincof 10% .............................................................. 17
5 Hasil penggalian dengan minsup 3% dan mincof 10% .............................................................. 18
6 Hasil penggalian dengan minsup 4% dan 5% dengan mincof 10% ............................................ 19
7 Hasil update transaksi ................................................................................................................ 20

vi

PENDAHULUAN
Latar Belakang
Begitu banyaknya fungsionalitas dalam
penggalian data terkadang membuat kita
harus memilih secara seksama. Pemilihan
fungsionalitas yang tepat dalam melakukan
suatu
penggalian
data
menentukan
keefektifan serta keefisienan waktu yang
dibutuhkan dalam mengekstrak data
tersebut.
Penggalian data dengan pola asosiasi
merupakan salah satu pilihan fungsionalitas
yang dapat kita cermati karena kegunaanya
yang dapat diterapkan pada berbagai macam
situasi seperti e-commerce, klasifikasi,
pengelompokan dan lain sebagainya. Dalam
penggalian data dengan pola asosiasi
ditemukan
atribut
–
atribut
yang
menunjukkan kondisi di mana atribut –
atribut tersebut muncul secara bersama –
sama dalam suatu data yang diberikan.
Penggalian data dengan pola asosiasi ini
lebih sering digunakan dalam pengolahan
dan analisis data transaksi, selanjutnya lebih
dikenal dengan nama market – basket
analysis. Ada beberapa algoritme yang dapat
digunakan untuk memperbaiki kinerja
penggalian data dengan pola asosiasi, namun
algoritme tersebut hanya dapat menangani
kondisi tertentu saja dan memiliki
kekurangan
dalam
kondisi
lainnya.
Sementara itu dalam penggalian data
keefektifan serta keefisienan sumber daya
yang digunakan sangat diperlukan.
Pada penelitian yang dilakukan oleh
Woon et al. (2004), penggabungan dua buah
algoritme FP – GROWTH dengan
FOLDARM
pada
metode
assosiasi
menghasilkan sebuah algoritme baru (FOLD
- Growth) yang memiliki kinerja yang lebih
baik. Algoritme ini menggunakan struktur
data SOTrieIT. Kinerja dari algoritme
tersebut menghasilkan proses yang lebih
fleksibel dan efisien jika dibandingkan
dengan algoritme – algoritme aturan
asosisiasi lainnya seperti Apriori dan FP Growth. Dengan demikian penggunaan
algoritme ini diharapkan dapat memperbaiki
kinerja algoritme sebelumnya dan dapat
diimplementasikan pada kasus penggalian
data transaksi berdasarkan market - basket.

menggunakan struktur data SOTrieIT serta
algoritme FOLD - Growth.
Ruang Lingkup
Ruang lingkup dari penelitian ini adalah :
1

2

Penggunaan metode association rule
untuk melakukan proses update
menggunakan algoritme FOLD –
Growth
hanya
terbatas
pada
penambahan data transaksi.
Pembahasan meliputi analisis hasil
penggalian yang meliputi confidence
serta support suatu item terhadap item
yang lain.

Manfaat
Diharapkan dengan adanya penelitian ini,
maka dapat menjadi sebuah referensi terhadap
pemilihan algoritme dalam metode association
rule. Penelitian ini juga memberikan sedikit
gambaran mengenai proses update suatu
transaksi saat dilakukan penggalian data.

TINJAUAN PUSTAKA
Penggalian Data (Data mining)
Data mining adalah proses pencarian suatu
korelasi - korelasi baru suatu data yang
mempunyai makna, pola dan tren tertentu
dengan cara menyelidiki atau meneliti suatu
data yang berukuran besar yang terdapat di
dalam suatu gudang data dengan menggunakan
teknologi pengenalan pola serta teknik statistik
dan matematika (Larose 2005).
Pola Asosiasi (Association Rule)
Pola asosiasi ialah salah satu teknik dalam
penggalian data yang bertujuan untuk
mengekstrak korelasi yang menarik, pola – pola
yang sering muncul, hubungan kumpulan item
di dalam suatu basis data atau gudang data yang
berisi record transaksi (Zhao et al. 2003).
Terdapat dua hal utama yang melandasi
teknik ini yaitu support dan confidence (Zhao et
al. 2003). Support dari suatu association rule
didefinisikan sebagai persentase dari record X
Y terhadap seluruh jumlah transaksi di dalam
basis data. Support dapat dihitung dengan
menerapkan rumus sebagai berikut :
Support (XY) =

SupportOfXY
TotalNumberOfTransaction

Tujuan
Penelitian
ini
bertujuan
untuk
menerapkan pemangkasan transaksi dengan

Confidence dari suatu association rule
didefinisikan sebagai persentase dari jumlah
1

transaksi yang mengandung X Y terhadap
jumlah total transaksi yang mengandung X.
Confidence
dapat
dihitung
dengan
menggunakan rumus sebagai berikut :
Confidence (X|Y) =

Tabel 1 Transaksi dalam database D
TID
100

Support(XY)
Support(X)

200

FP – Tree
300

FP – Tree atau Frequent Pattern Tree
merupakan suatu algoritme yang dirancang
untuk mengatasi kendala bottleneck pada
proses penggalian data dengan algoritme
Apriori (Zhao et al. 2003). Definisi dari FP
– Tree dijelaskan sebagai berikut (Han et al.
2000) :
• Terdiri atas sebuah root dengan label
“null”, sekumpulan subtree yang
menjadi child dari root dan sebuah
tabel frequent header.
• Setiap node dalam FP – Tree
mengandung tiga informasi penting,
yaitu : label item, menginformasikan
jenis item yang terdapat pada node
tersebut,
support
count,
merepresentasikan jumlah lintasan
transaksi yang melalui simpul
tersebut dan pointer penghubung
yang menghubungkan label item
yang sama antar lintasan dalam FP –
Tree yang ditandai dengan garis putus
– putus.

400

500

Item
Yang
Dibeli
sabun, rokok,
snack,
buah,
daging, beras,
mie, minuman
rokok, shampo,
snack, sabun,
pulpen,
mie,
tisue
shampo, sabun,
kamper,
minyak, tisue
shampo, snack,
kabel, lampu,
minuman
rokok, sabun,
snack, kertas,
pulpen,
minuman, mie,
bihun

Item Terurut
sabun, snack,
rokok,
mie,
minuman
sabun, snack,
rokok,
mie,shampoo
sabun, shampoo

snack, shampo,
minuman
sabun, snack,
rokok,
mie,
minuman

Proses
scanning
pertama
akan
menghasilkan large 1 – itemset yang
selanjutnya akan digunakan sebagai dasar
dalam pengurutan secara menurun dari transaksi
pada basis data D. Hasil 1 – itemset yang
didapatkan dapat seperti berikut ini : {(sabun :
4), (snack : 4), (rokok : 3), (mie : 3), (shampoo
: 3), (minuman : 3) } (angka setelah karakter “:”
mengindikasikan jumlah count - nya).
Gambar 1 sampai 3 berikut akan
mengilustrasikan pembangunan FP – Tree
setelah pembacaan transaksi 100, 200, dan
keseluruhan FP – Tree yang terbentuk.
Head Table
Sabun
null

• Isi dari setiap baris dalam tabel
frequent – header terdiri atas label
item dan head of nodelink yang
menunjuk ke node pertama dalam FP
– Tree yang menyimpan label item
tersebut.
FP – Tree merupakan suatu struktur
data berbentuk tree yang menyimpan item –
item yang frequent atau nilainya lebih besar
dari minimum support yang diberikan, untuk
memperjelas algoritme pembentukan FP Tree maka akan diberikan sebuah contoh
pembangunan FP – Tree yang mengacu
pada basis data D dengan nilai minimum
support sebesar 3 (60%) sebagai berikut :

Snack

Rokok

Sabun : 1

Snack : 1

Mie
Rokok : 1
Minum
Mie : 1

Minum : 1

Gambar 1 FP – Tree pembacaan transaksi 100.

2

Head Table

terhadap item yang frequent secara
menurun.

null

Sabun
Sabun : 2

Proses pembuatan tree yang diawali
dengan pembuatan ROOT (T).
Kemudian
menjalankan
fungsi
insert_tree([p|P],T), di mana p adalah
elemen pertama dan P merupakan sisa
elemen yang ada dalam daftar
transaksi.

2.

Snack
Snack : 2
Rokok
Rokok : 2
Mie
Mie : 2
Sampo
Minum : 1

Sampo : 1

Minum

Gambar 2 FP-Tree pembacaan transaksi
200.

Head Table
Sabun

Snack

Fungsi
insert_tree([p|P],T)
dijalankan
sebagai berikut: Jika T mempunyai anak N dan
(N.itemName = p.itemName), maka naikan
counter N sebesar 1. Selainnya buat node N
baru dan buat link ke parent. Serta node-nya di
kaitkan ke node – node yang mempunya label
yang sama. Jika P tidak kosong, panggil fungsi
insert_tree(P,N) secara rekursif.
Algoritme FP-Growth
Algoritme FP – Growth merupakan salah
satu algoritme penggalian data yang akan
membangkitkan suatu struktur data Tree atau
yang disebut dengan FP – Tree. Algoritme ini
melibatkan tiga langkah utama (Han et al.
2000), yaitu :
a
b

Rokok

c

Tahap pembangkitan kondisional pattern
base.
Tahap pembangkitan kondisional FP –
Tree.
Tahap pencarian frequent itemset.

Sehingga jika FP –Tree pada Gambar 3
menjadi masukkan untuk algoritme FP –
Growth, maka akan menghasilkan frequent item
sebagai berikut :

Mie

Sampo

Tabel 2 Frequent Itemset Terbentuk
Minum

Gambar 3 FP – Tree utuh.

Contoh di atas merupakan salah satu
ilustrasi pembentukan FP – Tree dengan
penggunaan nilai minimum support sebesar
3 atau 60%. Algoritme pembentukan FP –
Tree ini terdiri dari dua langkah utama (Han
et al. 2000), yaitu :
1. Proses scanning basis data untuk
menemukan 1 – itemset (L),
kemudian itemset L digunakan
untuk
mengurutkan
transaksi

Item

Frequent Item

Shampo

Shampo

Minuman

Minuman / {snack
minuman }

Mie

Mie / {sabun snack rokok
| mie}

Rokok

Rokok / {sabun snack |
rokok }

Snack

Snack / { sabun | snack}

Sabun

Sabun

|

SOTrieIT
SOTrieIT atau Sub Ordered Trie Itemset
merupakan suatu tree yang dibangun dengan
3

mengekstrak 1 – 2 itemset dari setiap
transaksi (Zhao et al. 2003).
Prinsip
penelusuran dalam SOTrieIT memiliki
pendekatan yang sama dengan pencarian
dengan metode DFS. Cara penelusuran
dilakukan dengan scanning dari node
pertama yang paling kiri. Jika support count
dari satu item di level ke dua tidak
mencukupi dari minimum support maka
proses berhenti dan pindah ke level atas
lainnya. Jika nilai support count pada level
atas sudah tidak lagi mencukupi nilai
minimum support, maka proses berhenti dan
tree terbentuk.
Algoritma
pembentukan
SOTrieIT
bekerja dengan melakukan ekstrasi 1 – 2
Itemset dari setiap transaksi yang dibaca.
Tahapan pengerjaan dari algoritma ini secara
singkat dijelaskan sebagai berikut (Woon et
al. 2002):
1.

Menemukan semua 1 - 2 itemset dari
setiap transaksi

2.

Menambahkan node baru pada Trie
jika node dengan nilai count ialah 1
(satu) jika node tersebut tidak
terdapat pada level 1 dan level 2,
jika node sudah terdapat dalam Trie
maka dilakukan penambahan nilai
count di node tersebut dan dilakukan
rebalancing antar node dalam Trie
tersebut.

Untuk memperjelas uraian di atas akan
diilustrasikan
pembangunan
SOTrieIT
dengan basis data D sebagai berikut (Woon
et al. 2002) :
Tabel 3 Contoh transaksi dalam basisdata D
TID

Items

100

AC

200

BC

300

AB C

400

AB CD

Setelah
diperoleh
transaksinya,
selanjutnya akan dibaca transaksi tersebut
dan diekstraksi 1 – 2 itemset-nya. Pada saat
transaksi 100 dibaca maka akan diekstrak 1
– itemset : {A, C} dan 2 – itemset : {AC}
(Gambar 4 a). Selanjutnya saat pembacaan
transaksi 200, sistem akan mengekstrak 1
itemsetnya : {B, C} dan 2 – itemsetnya :
{BC} (Gambar 4 b). Langkah ini dilakukan
berturut – turut sampai pembacaan transaksi
400, sehingga akan menghasilkan SOTreeIT

yang utuh seperti pada Gambar 5.

ROO

ROO
C:1

A :1

C:2

A :1

B :1

C:1

C:1

C:1

(a)

(b)

Gambar 4 (a) Pembacaan transaksi 100 pada
SOTrieIT (b) Pembacaan Transaksi
200 pada SOTrieIT.
ROOT

B :3

A3

C:4

D :1

C:3

B :2

D: 1

C:3

D: 1

D: 1

Gambar 5 SOTrieIT utuh.

Algoritme FOLD – Growth
Algoritme FOLD – Growth merupakan hasil
gabungan dari algoritme FOLDARM dan FP –
Growth. Pada algoritme ini diharapkan dapat
menggabungkan keuntungan dan kebaikan dari
2 (dua) algoritme antara FP – Growth dengan
FOLDARM. Algoritme FOLDARM yang
memiliki kinerja cepat dalam pengukuran
itemset frequent maksimum (Kmax) adalah kecil
atau K 10, sedangkan algoritme FP – Growth
memiliki kinerja yang cepat pada saat Kmax > 10
(Woon et al. 2004). Dalam algoritme ini
terdapat pembagian tahap pengerjaan sebanyak
4 (empat) tahapan utama (Soelaiman et al.
2006).
Tahapan utama dalam algoritme FOLD –
Growth yaitu :
a

b

c

Pengalian L1 (Large 1 - Itemset) dan
L2 (Large 2 - Itemset) dengan
menggunakan SOTrieIT,
Pemangkasan item – item yang tidak
frequent
dalam
transaksi
menggunakan L1 dan L2,
Membangun FP – Tree menggunakan
transaksi – transaksi yang telah
dipangkas dan,
4

d

Pengalian itemset frequent dengan
algoritme FP – Growth.
Mulai

Dalam algoritme FP – Growth
penggunaan struktur data FP – Tree
memiliki kelemahan saat akan dilakukan
proses update suatu data transaksi. Kendala
yang terjadi ialah dilakukannya proses
scanning basis data awal ditambah data
transaksi yang akan ditambahkan atau
dihapus. Proses ini akan memperlambat
kinerja algoritme dalam proses penggalian.
Penggunaan struktur data SOTrieIT akan
mempermudah proses penambahan atau
pengurangan suatu transaksi terhadap suatu
basis data. Penggunaan SOTrieIT dalam
mengakomodasi perubahan basis data dapat
mengefisienkan usaha yang dilakukan
program dalam melakukan perubahan
transaksi. Gambar 6 di bawah akan
menunjukan algoritme yang digunakan
dalam proses update transaksi yang baru
(Woon et al. 2002).

Studi Literatur

Pengumpulan Data

DATA

Penggalian L1 & L2

Pemangkasan

Pembangunan. FP - Tree

FOLD
GROWTH

Penggalian

Analisis Hasil
1 If a new i is added to the universal itemset
Do nothing because the SOTrietIT will be
updated the moment a transaction i arrives

Dokumentasi

2 Else if an item j is tremoved from the universal itemset
traverse the SOTrieIT to remove all nodes and
their child nodes (if any that contain j )

Selesai

Gambar 7 Metode Penelitian.
Gambar 6 Algoritme universal update
itemset.

METODOLOGI PENELITIAN
Penelitian
ini
dilakukan
untuk
mendapatkan analisis hasil FOLD – Growth
terhadap permasalahan dalam penggalian
data transaksi. Penelitian ini diharapkan
dapat menjadi pembanding dari penilitian
sebelumnya terhadap pilihan algoritme
dalam menyelesaikan penggalian data
berdasarkan metode Association Rule. Untuk
memulai penelitian ini dilakukan beberapa
langkah yang harus dijalani dan tertuang
dalam suatu Metodologi Penelitian sesuai
Gambar 7 berikut.

Studi Literatur
Studi literatur dilakukan untuk menambah
referensi terkait dengan algoritme FOLD –
Growth. Pengumpulan informasi tentang proses
– proses dalam algoritme ini dikumpulkan dan
didapatkan dari beberapa sumber seperti : buku,
jurnal, dan artikel di internet.
Pengumpulan Data
Data yang dipakai merupakan data
transaksi yang berasal dari sebuah toko di
daerah Bogor. Data ini merupakan data
transaksi penjualan barang kebutuhan sehari –
hari seperti : makanan pokok, snack, minuman,
keperluan mandi dan lain – lain. Data yang
diambil masih berupa transaksi biner sehingga
diperlukan proses transformasi kembali supaya
data dapat digunakan dengan baik.
Data mining
Implementasi association rule dengan
algoritme FOLD - Growth terhadap data yang
telah dilakukan preprocessing melewati
beberapa tahap pengerjaan seperti yang
dijelaskan pada Tinjauan Pustaka. Pada tahap
5

ini secara keseluruhan dibagi menjadi dua
bagian, bagian pertama ialah pembentukan
Large Itemset dengan menggunakan
algoritme FOLD – Growth, dan tahap
selanjutnya ialah proses pembentukan aturan
asosiasi dengan perhitungan support serta
confidence dari masing – masing itemset.
Tahap Penggalian L1 dan L2 Dengan
Menggunakan SOTrieIT
SOTrieIT
yang
digunakan
akan
melakukan scanning basis data sebanyak 1
(satu) kali. Hal ini berbeda saat kita
mencoba melakukan dengan FP –Tree
karena pada FP – Tree scanning basis data
dilakukan sebanyak 2 (dua) kali. Pada
scanning yang dilakukan ini akan dicoba
membaca transaksi yang terdapat di dalam
basis data. Untuk setiap transaksi akan
dibangkitkan semua kemungkinan 1 –
itemset dan 2 –itemset dan ditransformasikan
kedalam bentuk tree.
Tahap Pemangkasan Item – Item yang
Tidak Frequent
Dalam tahap ini kita akan mencoba
melakukan seleksi terhadap itemset yang
telah terbentuk dari SOTrieIT dengan cara
menghilangkan item yang ada dalam
transaksi yang tidak frequent. Sebuah item
dikatakan tidak frequent jika nilai support
count-nya kurang dari batas minimum
support yang ditentukan. Pemangkasan ini
dilakukan berdasarkan L1 dan L2 untuk
setiap transaksi. Untuk itemset yang lebih
dari 2 juga akan dilakukan pemangkasan
berdasarkan L1 dan L2 sehingga itemset
yang tidak frequent juga akan dipangkas.
Setelah pemangkasan transaksi T dilakukan
maka
akan
dilakukan
pengurutan
berdasarkan nilai support count – nya yang
terbesar sehingga akan didapatkan Ordered
Frequent Items yang telah dipangkas.
Tahap Pembangunan FP – Tree
Pada tahapan ini akan dilakukan
pembangunan
FP
–
Tree
dengan
menggunakan data transaksi T yang telah
dipangkas dan diurut berdasarkan nilai
support count – nya.
Tahap Penggalian Itemset Frequent
Tahap ini dilakukan setelah FP – Tree
selesai dibangun, penggalian itemset ini
menggunakan algoritme FP – Growth pada
FP –Tree tersebut.

Pengujian dan Analisis
Hasil dari pengujian yang didapatkan dari
algoritme penggalian data dalam penelitian ini
akan dikaji.
Analisis dilakukan dengan mencoba melihat
hasil yang didapat dari proses penggalian
dengan algoritme yang digunakan. Prosses
penggalian dilakukan dengan menggunakan
lima buah minimum support yaitu 1% - 5 %.
Pemilihan nilai minimum support sebesar 1%
sampai 5% diharapkan dapat memberikan suatu
kesimpulan yang konvergen. Selain itu juga
digunakan nilai minimum confidence sebesar
10% dalam pembentukan aturan asosiasinya.
Pengambilan nilai minimum confidence sebesar
10% dilakukan supaya hasil itemset yang
didapatkan berjumlah cukup banyak sehingga
layak untuk dilakukan analisis.

HASIL DAN PEMBAHASAN
Percobaan dibagi menjadi dua buah proses
atau tahapan, proses yang pertama dilakukan
untuk mendapatkan itemset yang dicari.
Kemudian proses berikutnya ialah proses
perhitungan support serta confidence-nya untuk
memperoleh aturan asosiasi yang lengkap dan
terpercaya.
Proses cleaning tidak dilakukan kembali
pada penelitian ini, hal ini disebabkan proses
tersebut telah dilakukan pada penelitian
sebelumnya. Dengan demikain yang dilakukan
dalam penelitian ini hanya proses transformasi
data transaksi yang berjumlah 23.361 transaksi
kedalam format text yang dapat dibaca oleh
program. Hal ini perlu dilakukan karena data
yang diperoleh masih berupa transaksi biner
(Lampiran
1).
Data
biner
akan
ditransformasikan kedalam kode tertentu yang
merepresentasikan kelompok barang yang
dibeli (Lampiran 2).
Tahap Pembentukan Large Itemset
Pembentukan large itemset dilakukan
dengan menjalankan algoritme algoritme FOLD
–
Growth.
Algoritme
tersebut
akan
menghasilkan kumpulan itemset dengan batas
support tertentu. Pada penelitian ini digunakan
5 (lima) buah nilai minimum support yaitu
sebesar 1% sampai 5% dari keseluruhan
transaksi yang berjumlah 23.631 transaksi.
Pembentukan
Large
Itemset
dengan
Minimum Support Sebesar 1% - 5%
Dengan menggunakan minimum support
sebesar 1 % didapatkan hasil sebagai berikut
untuk algoritme penggalian yang digunakan
6

(Tabel 4). Hasil penggalian yang lebih
lengkapnya terdapat pada Lampiran 3.

Tabel 5 Pembentukan large itemset dengan
algoritme FOLD - Growth
No

Minsup

Parameter

Tabel 4 Large Itemset dengan minsup 1%

2%

3%

4%

5%

Jumlah k
–Itemset

FOLD –
Growth

1

1–itemset

20

15

15

13

2

2–itemset

12

5

2

2

1
Itemset

23 Item

3

Total

32

20

17

15

2
Itemset

37 Kombinasi

3
Itemset

5 Kombinasi

Hasil percobaan pertama
(Tabel 4)
memperlihatkan jumlah itemset yang
diperoleh dengan algoritme FOLD –
Growth. Itemset ini diperoleh dari proses
penggalian
yang
meliputi
faktor
pemangkasan transaksi – transaksi yang
tidak relevan terhadap acuan large 2 itemset dan large 1 - itemset dan pencarian
kombinasi antara item pada algoritma FOLD
– Growth. Selain disebabkan karena faktor
pemangkasan, faktor pemilihan nilai
minimum support juga mempengaruhi
pembentukan itemset yang didapatkan.
Dari percobaan pertama terlihat untuk
kriteria 1 – itemset item dengan kode 20
(baterai) merupakan item yang paling jarang
dibeli
dalam
keselutuhan
transaksi
(Lampiran 3). Sementara itu untuk item yang
paling banyak dibeli ialah item dengan kode
6 (minuman) dengan nilai support sebesar
7093. Keunggulan FOLD – Growth selain
dapat menemukan large 1 – itemset dengan
cepat algoritme ini juga dapat menemukan
large 2 – itemset dengan cepat. Untuk large
2 – itemset yang didapatkan terlihat bahwa
kombinasi susu dan snack merupakan
kombinasi terbesar dengan nilai support
sebesar 1480 (Lampiran 3).
Setelah percobaan penggalian dengan
penentuan minimum support sebesar 1%
selesai dilakukan, dilakukan beberapa
percobaan lainnya untuk memperkuat hasil
analisis yang didapatkan sebelumnya.
Percobaan
berikutnya
ialah
proses
penggalian dengan menggunakan minimum
support sebesar 2% - 5%. Hasil yang
didapatkan dari percobaan tersebut teringkas
dalam Tabel 5 berikut ini.

Tabel 5 diatas memperlihatkan hubungan
pembentukan large itemset yang dibentuk dari
algoritme FOLD – Growth dengan nilai minsup
tertentu. Dari tabel tersebut terlihat bahwa hasil
akhir yang diperoleh algoritme tersebut ternyata
merupakan hasil itemset yang terdiri dari sedikit
kombinasi. Hasil ini selanjutnya dijadikan
landasan kesimpulan bahwa data transaksi yang
digunakan ternyata tidak cukup beragam
sehingga hanya menghasilkan kombinasi
itemset yang kecil dan relative sedikit.
Berdasarkan kesimpulan diatas, telah
dibuktikan bahwa pemangkasan yang dilakukan
oleh
FOLD
–
Growth
dengan
mengkombinasikan 1 – itemset serta 2 – itemset
dapat diterapkan walaupun terhadap data
transaksi yang minim. Penerapan ini dapat
dilakukan
karena
FOLD
–
Growth
menghasilkan itemset yang dibutuhkan dalam
penggalian data. Sehingga SOTrieIT dapat
dimanfaatkan
dalam
membantu
proses
pemangkasan transaksi.
Tahap Pembentukan Aturan Asosiasi
Pembentukan aturan asosiasi diperlukan
untuk mengetahui seberapa besar nilai
kepercayaan yang didapatkan terhadap suatu
kombinasi itemset yang didapatkan dalam
proses penggalian. Pada percobaan kali ini nilai
minimum confidence yang dipilih ialah sebesar
10% dan 20%.
Kisaran nilai support dari 1% - 6,58%
memperlihatkan kecenderungan pola kombinasi
antara item dalam dataset yang digunakan.
Angka tersebut menunjukkan pola pembelian
pelanggan Toko Sinar Bogor. Dari kumpulan
itemset yang didapatkan, terlihat bahwa para
pelanggan cenderung melakukan pembelian
kelompok item susu yang dibarengi dengan
pembelian kelompok item snack (susu
snack). Asosiasi ini diperkuat dengan
perhitungan support yang diperoleh, yaitu
sebesar 6,58% dari keseluruhan transaksi yang
dilakukan
merupakan
transaksi
dengan
kombinasi kelompok item tersebut dan nilai
7

confidence yang diperoleh untuk kombinasi
tersebut sebesar 44,64%. Sedangkan
kombinasi kelompok item mie instant
permen merupakan kombinasi dengan nilai
support terkecil (support : 1,00%;
confidence : 10,5%) dari keseluruhan itemset
yang dihasilkan. Secara keseluruhan hasil
yang diperoleh algoritme tersebut dalam
mencari kombinasi dengan nilai minimum
confidence sebesar 10% dapat dilihat pada
Tabel 6 berikut.
Tabel 6 Hasil aturan asosiasi terbentuk
dengan minimum confidence 10%
dan minsup 1%
Kriteria

FOLD - Growth

Support
terbesar

susu
snack (supp : 6,58%
conf : 44,64%)

Support
terkecil

Mie instant
permen (supp :
1,00% conf: 10,5%)

Asosiasi
terbentuk

71 Kombinasi

Tabel 6 di atas memperlihatkan hasil
aturan asosiasi yang didapatkan dari
keseluruhan itemset dari penggalian pada
transaksi yang digunakan. Pemilihan nilai
minimum support sebesar 10% ternyata
meloloskan hampir semua kombinasi itemset
yang didapatkan dari proses penggalian.
Oleh karena itu akan dicoba proses
pencarian kombinasi – kombinasi dengan
nilai minimum confidence sebesar 20%.
Percobaan
ini
dilakukan
untuk
meningkatkan nilai kepercayaan pengguna
terhadap aturan asosiasi yang didapatkan
dari proses penggalian yang telah dilakukan
sebelumnya. Tabel 7 memperlihatkan hasil
aturan asosiasi yang didapatkan dengan
penggunaan nilai minimum confidence
sebesar 20% dan minimum support sebesar
1%.

Berdasar pada nilai minimum confidence
sebesar 20%, untuk kombinasi dengan nilai
minimum support sebesar 1% diperoleh 45
aturan asosiasi. Dengan demikian terdapat 26
set kombinasi yang hilang karena memiliki nilai
confidence dibawah 20%.
Selain itu, dalam pembentukan aturan
asosiasi ini terlihat bahwa itemset dengan
kombinasi susu.permen
snack merupakan
kombinasi dengan nilai confidence terbesar
sebesar 70,44 % dan kombinasi sabun
makanan pokok merupakan kombinasi dengan
nilai confidence terendah sebesar 10,34%.
Pembentukan aturan asosiasi selanjutnya
ialah penggunaan minimum support 2% - 5%
dengan minimum confidence 10% (Lampiran
4,5, dan 6). Pada kasus minsup 2% terlihat
jumlah kombinasi yang diperoleh berbeda
seperti pada hasil penggalian dengan dengan
minsup 1%. Hal ini dikarenakan banyak
kombinasi yang memiliki nilai minimum
support dibawah 2%.
Tabel 8 merupakan rangkuman hasil
percobaan
yang
dilakukan
dengan
menggunakan hasil itemset yang didapatkan
dari algoritme di atas.
Tabel 8 Hasil aturan asosiasi terbentuk dengan
minimum confidence 10% dan minsup
2% - 5%
Minsup

Kriteria

FOLD – Growth

2%

Support
terbesar

susu
snack (supp : 6,58%
conf : 44,64%)

Support
terkecil

Pelengkap roti
snack
(supp : 2,0% conf: 69,92%)

Asosiasi
terbentuk

12 kombinasi

Support
terbesar

susu
snack (supp : 6,58%
conf : 44,64%)

Support
terkecil

snack
sabun (supp :
3,22% conf :10,94%)

Asosiasi
terbentuk

5 kombinasi

Support
terbesar

susu
snack (supp : 6,58%
conf : 44,64%)

Support
terkecil

minuman
snack (supp :
6,26% conf : 20,87)

Asosiasi
terbentuk

2 kombinasi

3%

Tabel 7 Hasil aturan asosiasi terbentuk
dengan minimum confidence 20%
dan minsup 1%
Kriteria

FOLD - Growth

Support
terbesar

susu
snack (supp :
6,58% conf : 44,64%)

Support
terkecil

Pasta gigi
lotion (supp
: 1,03% conf: 20,58%)

Asosiasi
terbentuk

45 Kombinasi

4%

8

Minsup

Kriteria

FOLD – Growth

5%

Support
terbesar

susu
snack (supp : 6,58%
conf : 44,64%)

Support
terkecil

minuman
snack (supp :
6,26% conf : 20,87)

Asosiasi
terbentuk

2 kombinasi

Berdasar pada Tabel 7 dan Tabel 8
memperlihatkan bahwa kombinasi susu
snack merupakan kombinasi yang paling
banyak terjadi dengan dukungan nilai
support 6,58% dan nilai confidence sebesar
44,64%. Sementara kombinasi dengan nilai
support terkecil ditemukan pada kombinasi
mie instant
mie permen (support : 1,00%
; confidence : 10,5%) saat percobaan dengan
menggunakan nilai minsup sebesar 1%.
Update Transaksi
Seperti yang dijelaskan pada bagian
Tinjauan Pustaka, penggunaan algoritme
FOLD – Growth dalam proses penggalian
data memiliki beberapa kelebihan. Salah
satu di antaranya ialah algoritme ini
memungkinkan dilakukannya proses update
transaksi baru terhadap transaksi yang lama.
Terbatasi oleh jumlah data transaksi yang
dimiliki, maka dalam penelitian ini data
transaksi yang diperoleh dibagi menjadi 2
(dua) bagian. Bagian pertama merupakan
transaksi utama (dataset I) dan bagian
selanjutnya ialah transaksi tambahan yang
diperoleh dengan mengambil sebanyak 1/3
(sepertiga) bagian dari keseluruhan transaksi
pada bagian awal, tengah, dan akhir basis
data transaksi (dataset II). Penggalian pada
proses update ini dilakukan dengan
menggunakan nilai minimum support
sebesar 2%.
Proses penggalian dengan dataset I
dilakukan dengan menggunakan minimum
support sebesar 2% dan didapatkan hasil
seperti pada lampiran 5. Selanjutnya setelah
proses penggalian dataset I selesai,
dilakukan
proses
update
dengan
menambahkan dataset II pada sistem dengan
nilai minimum support sebesar 2% kembali.
Percobaan yang dilakukan menghasilkan
kombinasi snack
susu (support: 6,58%
confidence: 44,64%) merupakan pola
kombinasi pembelian yang paling banyak
dilakukan.

KESIMPULAN DAN SARAN
Kesimpulan
Hasil yang diperoleh memperlihatkan
kekuatan pemangkasan transaksi dalam proses
penggalian data. Proses pemangkasan yang
dilakukan oleh algoritme FOLD – Growth
membuat transaksi menjadi lebih sederhana
sehingga FP – Tree yang terbentuk akan
menjadi lebih sederhana dan kompak. Dengan
demikian pemangkasan yang dilakukan dalam
algoritme ini disimpulkan tidak merusak
susunan kombinasi yang terjadi dalam dataset
yang digunakan.
Penggunaan
struktur
data
SOTrieIT
memiliki peran yang cukup penting dalam
proses pemangkasan suatu transaksi. Proses
pemangkasan dengan menggunakan L2 dan L1
memperlihatkan pengurangan jumlah transaksi
dalam basis data yang digunakan. Sehingga saat
akan dilakukan penggalian data dengan FP –
Growth maka tree yang terbentuk akan menjadi
lebih sederhana.
Kombinasi yang terjadi dalam dataset yang
dipakai memperlihatkan itemset dengan
kombinasi susu
snack (support 6,58% ;
confidence 44,64%) merupakan kombinasi yang
paling banyak dilakukan dalam keseluruhan
transaksi dalam database. Selanjutnya itemset
dengan kombinasi permen
mie instant
(support 1% ; confidence 11,76%) merupakan
kombinasi terkecil untuk penetapan nilai
minimum support sebesar 1%. Untuk penetapan
nilai minimum support sebesar 2% kombinasi
susu
snack masih menjadi kombinasi dengan
nilai support terbesar dan kombinasi pelengkap
roti
snack (support
2% ; confidence
69,92%) merupakan kombinasi dengan nilai
support mendekati nilai minsup 2% untuk
penggunaan algoritme FP – Growth dan permen
minuman (support 2,04% ; confidence :
23,86 %) untuk penggunaan algoritme FOLD –
Growth.
Saran
Saran untuk penelitian selanjutnya ialah
dengan mencoba menerapkan penambahan
proses delete transaksi dari algoritme FOLD –
Growth dengan berdasarkan algoritme pada
Gambar 6. Proses delete diperlukan jika
diinginkan penghapusan beberapa transaksi
yang dirasakan tidak relevan lagi dengan
kondisi yang terjadi sekarang, misalnya barang
yang dijual sudah tidak diproduksi kembali oleh
produsen yang terkait sehingga harus dihapus
dari basis data transaksi yang ada.
9

DAFTAR PUSTAKA
Han, Jiawei., Pei, Jian., Yin, Yiwen., Mao,
Runying. 2000. Mining Frequent
Patterns Without Candidate Generation,
School of Computing Science. Simon
Fraser University.

Zhao Q, Sourav S. Bhowmick. 2003.
Association Rule Mining: A survey,
Singapore : Nanyang Technological
University.

Larose, Daniel T. 2005. Discovering
Knowledge in Data : An Introduction to
Data Mining. United States : Willey
Publishing.
Soelaiman, Rully., Arini, Ni Made WP.
2006. Analisis Kinerja Algoritme FOLD
– Growth dan FP – Growth Pada
Penggalian Data Asosiasi[skripsi].
Surabaya : Institut Teknologi Sepuluh
November.
Tanjung, Hilmy Q.R. 2004. Penerapan Data
Mining
Menggunakan
Teknik
Association Rule pada Data Transaksi
Perpustakaan
Pusat
IPB[skripsi].
Bogor : Departemen Ilmu Komputer,
Institut Pertanian Bogor.
Widodo, Slamet. 2004. Penerapan Data
Mining dengan Metode Association
Rule Untuk Analisis Cross – Market
(studi kasus : Toko Sinar Bogor)
[skripsi]. Bogor : Departemen Ilmu
Komputer, Institut Pertanian Bogor.
Woon, Yew – Kwong., Keong, Wee Ng.,
Das, Amitabha. 2002. A Fast Online
Dynamic Association Rule Mining.
Proc. Second Int’l Conf. Web
Information System Enginering, page
278 – 287.
Woon, Yew – Kwong., Keong ,Wee Ng.,
Lim, E.P. 2004. A Support – Ordered
Trie for Fast Frequent Itemset
Discovery. IEEE Transaction on
Knowledge and Data Engineering,
Volume 16, No. 7, page 875 – 879.

10

LAMPIRAN

11

Lampiran 1 Contoh Transaksi Biner

T
I
D
1
2
3
4
5
6
7
8
9
1
0
1
1
1
2

0
0
1
1
0
1
0
0
0
0
1
0
0

0
0
2
0
0
0
0
0
0
0
1
0
0

0
0
3
0
0
0
0
0
0
0
0
0
0

0
0
4
0
0
0
0
0
1
1
1
0
1

0
0
5
1
0
1
0
0
0
0
1
0
0

0
0
6
0
0
0
0
0
0
0
0
0
0

0
0
7
0
0
0
0
0
0
0
0
0
0

0
0
8
0
1
0
0
0
0
0
0
0
0

0
0
9
0
0
0
0
0
0
0
0
0
0

0
1
0
0
0
0
0
0
0
0
1
0
0

0
1
1
0
0
0
0
0
0
0
0
0
0

0
1
2
0
0
0
0
0
0
0
0
0
0

Contoh Transaksi Biner
0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 2 2 2
3 4 5 6 7 8 9 0 1 2
0 0 0 0 0 0 1 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 1
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0

0
2
3
0
0
0
0
0
0
0
0
0
0

0
2
4
0
0
0
0
0
0
0
0
0
0

0
2
5
0
0
0
0
1
0
0
1
0
0

0
2
6
0
0
0
0
0
0
0
0
0
0

0
2
7
0
0
0
0
0
0
0
0
0
0

0
2
8
0
0
0
0
0
0
0
0
0
0

0
2
9
0
0
0
0
0
0
0
0
0
0

0
3
0
0
0
0
0
0
0
0
0
0
0

0
3
1
0
0
0
0
0
0
0
0
0
0

0
3
2
0
0
0
0
0
0
0
0
0
0

0
3
3
0
0
0
0
0
0
0
0
0
0

0
3
4
0
0
0
0
0
0
0
0
0
0

0
3
5
0
0
0
0
0
0
0
0
0
0

0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

12

Lampiran 2 Kode pengelompokan jenis barang
NO_ID
0

Nama
mie instant

1

minyak goreng

2

susu

3

kopi

4

makanan pokok

5

permen

6

minuman

7

snack

8

pelengkap roti

9

saus kecap

10

makanan kaleng

11

lotion

12

sabun

13

shampo

14

obat nyamuk

15

pengharum ruangan

16

bumbu dapur

17

tepung

18

susu bayi

19

rokok

20

baterai

21

eskrim

22

sosis

23

perlengkapan komputer

24

obat

25

pasta gigi

26

multivitamin

27

perlengkapan bayi

28

handuk

29

perlengkapan dapur

30

tissue

31

sandal

32

korek

33

pembersih lantai

34

pencuci piring

13

Lanjutan
Contoh transaksi yang telah di transformasi
TID
001
002
003
004
005
006
007
008
009
010
011
012

ITEM
0 4 18
04
21
24
3
3
0 1 3 4 9 12 24
12
3
8
2
19

14

Lampiran 3 Hasil penggalian dengan menggunakan FOLD - Growth dengan minsup 1% dan
mincof sebesar 10%

No

ITEM I

ITEM II

→

Support

Confidence

1

susu

→

snack

6.58

44.64

2

snack

→

susu

6.58

22.39

3

snack

→

minuman

6.26

21.31

4

minuman

→

snack

6.26

20.87

5

permen

→

snack

3.76

44.10

6

snack

→

permen

3.76

12.80

7

mie instant

→

snack

3.31

34.68

8

snack

→

mie instant

3.31

11.26

10

snack

→

sabun

3.22

10.94

9

sabun

→

snack

3.22

32.07

11

susu

→

minuman

2.95

20.07

13

sabun

→

pasta gigi

2.68

26.71

12

pasta gigi

→

sabun

2.68

53.64

14

sabun

→

susu

2.33

23.21

15

kopi

→

snack

2.19

27.91

16

mie instant

→

susu

2.05

21.48

17

susu

→

mie instant

2.05

13.92

18

permen

→

minuman

2.04

23.86

19

pelengkap roti

→

snack

2.00

69.92

20

mie instant

→

sabun

1.95

20.41

21

sabun

→

mie instant

1.95

19.49

22

mie instant

→

minuman

1.79

18.78

23

lotion

→

snack

1.77

29.95

24

pasta gigi

→

snack

1.76

35.25

26

susu

→

permen

1.72

11.66

25

permen

→

susu

1.72

20.14

27

kopi

→

susu

1.70

21.66

28

susu

→

kopi

1.70

11.54

29

sabun

→

minuman

1.68

16.79

31

susu.minuman

→

snack

1.68

56.65

32

minuman.snack

→

susu

1.68

26.76

30

susu.snack

→

minuman

1.68

25.47

34

mie instant

→

saus & kecap

1.62

16.92

33

saus & kecap

→

mie instant

1.62

54.88

35

tissue

→

snack

1.58

31.64

37

mie instant

→

makanan pokok

1.55

16.21

36

makanan pokok

→

mie instant

1.55

26.51

38

kopi

→

minuman

1.51

19.23

39

sabun

→

lotion

1.49

14.85
15

Lanjutan
No

ITEM I

ITEM II

→

Support

Confidence

1.49

25.16

40

lotion

→

sabun

41

kopi

→

sabun

1.43

18.27

42

sabun

→

kopi

1.43

14.31

43

Susu Bayi

→

snack

1.36

26.09

44

obat

→

snack

1.36

24.39

45

pasta gigi

→

susu

1.30

26.02

46

snack.permen

→

minuman

1.28

33.97

48

minuman.snack

→

permen

1.28

20.41

47

permen.minuman

→

snack

1.28

62.79

50

mie instant

→

kopi

1.27

13.83

49

kopi

→

mie instant

1.27

16.16

51

makanan pokok

→

snack

1.26

21.58

52

sabun.snack

→

susu

1.24

38.55

53

susu.snack

→

sabun

1.24

18.84

54

susu.sabun

→

snack

1.24

53.27

57

mie instant.susu

→

snack

1.21

59.17

60

susu.permen

→

snack

1.21

70.44

55

mie instan.snack

→

susu

1.21

36.65

58

permen.snack

→

susu

1.21

32.17

56

susu.snack

→

mie instant

1.21

18.46

59

susu.snack

→

permen

1.21

18.39

61

eskrim

→

snack

1.18

27.04

63

sabun

→

tissue

1.16

11.52

62

tissue

→

sabun

1.16

23.10

64

lotion

→

susu

1.10

18.58

66

sabun

→

makanan pokok

1.04

10.34

65

makanan pokok

→

sabun

1.04

17.07

67

pasta gigi

→

lotion

1.03

20.68

68

lotion

→

pasta gigi

1.03

17.44

69

permen

→

mie instant

1.00

11.76

70

perlengkapan bayi

→

snack

1.00

34.10

71

mie instant

→

permen

1.00

10.50

16

Lampiran 4 Hasil penggalian dengan menggunakan FOLD – Growth dengan minsup 2% dan
mincof sebesar 10%

No

ITEM I

→

ITEM II

Support

Confidence

1

susu

→

snack

6.58

44.64

2

snack

→

susu

6.58

22.39

3

snack

→

minuman

6.26

21.31

4

minuman

→

snack

6.26

20.87

5

permen

→

snack

3.76

44.10

6

snack

→

permen

3.76

12.80

7

mie instant

→

snack

3.31

34.68

8

snack

→

mie instant

3.31

11.26

10

snack

→

sabun

3.22

10.94

9

sabun

→

snack

3.22

32.07

11

susu

→

minuman

2.95

20.07

13

sabun

→

pasta gigi

2.68

26.71

12

pasta gigi

→

sabun

2.68

53.64

14

sabun

→

susu

2.33

23.21

15

kopi

→

snack

2.19

27.91

16

mie instant

→

susu

2.05

21.48

17

susu

→

mie instant

2.05

13.92

18

permen

→

minuman

2.04

23.86

19

pelengkap roti

→

snack

2.00

69.92

17

Lampiran 5 Hasil penggalian dengan menggunakan FOLD – Growth dengan minsup 3% dan
mincof sebesar 10%

No

ITEM I

→

ITEM II

Support

Confidence

1

susu

→

snack

6.58

44.64

2

snack

→

susu

6.58

22.39

3

snack

→

minuman

6.26

21.31

4

minuman

→

snack

6.26

20.87

5

permen

→

snack

3.76

44.10

6

snack

→

permen

3.76

12.80

7

mie instant

→

snack

3.31

34.68

8

snack

→

mie instant

3.31

11.26

9

snack

→

sabun

3.22

10.94

10

sabun

→

snack

3.22

32.07

18

Lampiran 6

Hasil penggalian dengan menggunakan FOLD – Growth dengan minsup 4% dan 5%
dengan mincof sebesar 10%

No

ITEM I

→

ITEM II

Support

Confidence

1

susu

→

snack

6.58

44.64

2

snack

→

susu

6.58

22.39

3

snack

→

minuman

6.26

21.31

4

minuman

→

snack

6.26

20.87

19

Lampiran 7

Hasil penggalian dataset I dengan menggunakan FOLD – Growth dengan minsup
2% dan mincof