13
Gambar 2.1 Pengembangan sistem menggunakan model Waterfall Sommerville, 2003
2.2. Metode Analisis Asosiasi
Metode analisis asosiasi association analysis merupakan teknik data mining untuk menemukan aturan asosiatif antara suatu kombinasi item.
Metode analisis asosiasi dikenal juga sebagian salah satu teknik data mining yang menjadi dasar dari berbagai teknik data mining lainnya.
Penting tidaknya suatu aturan asosiasi dapat diketahui dengan 2 parameter yaitu support dan confidence. Support adalah persentase kombinasi
item dalam basisdata sedangkan confidence adalah kuatnya hubungan antar item dalam aturan asosiasi Kusrini Emha, 2009. Pencarian aturan asosiasi
dengan menggunakan analisis asosiasi bertujuan untuk menemukan semua aturan asosiasi yang memenuhi syarat minimum untuk support minimum
support dan syarat minimum untuk confidence minimum confidence.
14
Support dari aturan ⇒ adalah rasio dari record yang mengandung
∪ dengan total record dalam basisdata. Untuk mendapatkan nilai support dapat menggunakan rumus :
, → =
∪
................................................2.1 Keterangan :
∪
: jumlah X dan Y yang ada di dalam transaksi secara bersamaan.
N : jumlah semua transaksi yang ada.
Sedangkan Minsup minimum support menandakan ambang batas threshold yang menentukan apakah sebuah itemset akan digunakan pada
perhitungan selanjutnya untuk pencarian aturan asosiasi. Confidence dari aturan asosiasi
⇒ adalah rasio dari record yang mengandung
∪ dengan total record yang mengandung
. Untuk mendapatkan nilai confidence dapat menggunakan rumus :
, → =
∪
............................................2.2 Keterangan :
∪ :
jumlah X dan Y yang ada di dalam transaksi secara bersamaan.
:
jumlah X yang ada di dalam transaksi.
15
Atau dapat ditulis sebagai berikut:
,
⇒
=
,
....................................2.3 Keterangan :
,
: jumlah nilai support untuk X dan Y
:
jumlah nilai support untuk X Sedangkan Minconf minimum confidence menandakan ambang batas
threshold dari sebuah aturan asosiasi untuk menentukan aturan asosiasi yang kuat strong association rule.
Misalnya terdapat himpunan data transaksi A sebagai berikut :
Tabel 2.1 Contoh Tabel Transaksi A Tan,et.al, 2006 TID
Itemset
1 Bread, Milk, Diaper
2 Bread,Diaper,Beer,Eggs
3 Milk,Beer,Coke
4 Bread,Milk,Diaper,Beer
5 Bread,Milk,Diaper,Coke
Misalkan akan dihasilkan rule : {Milk,Diaper} →Beer
Maka support menjadi s
′
=
σ ,
, | |
= = 0.2
Confidence menjadi c
′
=
σ ,
, σ
,
= = 0.67
16
Pada proses pencarian aturan asosiasi ini dapat dibagi menjadi 2 tahapan, yang terdiri dari :
1. Pencarian frequent itemset Yaitu proses pencarian semua itemset yang memiliki nilai support
≥ minsup. Itemset ini disebut frequent itemset atau large itemset l-
itemset. 2. Pembentukan strong association rule
Yaitu proses mendapatkan aturan asosiasi yang kuat strong association rule dari kombinasi frequent itemset yang membentuk
aturan asosiasi yang memiliki nilai confidence ≥ minconf.
2.3. Algoritma Arima A Rare Itemset Miner Algorithm
Kategori