… 2.5
… 2.6
Untuk setiap large itemset l, harus dapat ditemukan seluruh subset yang tidak kosong dari l. untuk setiap subset a, akan memperoleh keluaran sebuah aturan
dalam bentuk ⇒ − , jika perbandingan
� � _
� � _�
paling sedikit lebih besar dari minconf Nurdiyanto, 2009.
2.4.3. Lift Ratio
Menurut Ammirudin 2010, Banyaknya aturan asosiasi yang dihasilkan memberikan banyak kemungkinan untuk melihat pola-pola yang muncul. Sehingga
memberikan berbagai kemungkinan yang dapat dijadikan sebagai dasar untuk membuat keputusan. Tidak semua aturan asosiasi yang ditemukan diinterpretasi.
Aturan asosiasi yang diinterpretasi adalag aturan-aturan yang memiliki nilai lift ratio yang tinggi alasan obyektif dan aturan yang memiliki relevansi dengan
kebutuhan alasan subyektif. Lift ratio merupakan sebuah angka ratio yang menunjukkan berapa banyak
kemungkinan menemukan sebuah transaksi muncul bersama dengan transaksi lainnya dibandingkan dengan kejadian adanya transaksi yang terpenuhi.
Lift ratio menunjukkan adanya tingkat kekuatan aturan asosiasi atas kejadia acak dari antecedent dan consequent berdasarkan pada support-nya masing-
masing. Hal ini akan memberikan informasi tentang perbaikan dan peningkatan probabilitas dari consequent berdasarkan antecedent. Lift ratio didefinisikan
sebagai berikut :
� � =
� �
Dimana, expected confidence = jumlah transaksi memiliki item consequent total jumlah transaksi. Atau dengan cara :
� =
� �| Pr
Ketika nilai lift ratio sama dengan 1 maka A dan B adalah independen karena PrA|C = PrC. Ketika probabilitas C terjadi dipengaruhi oleh terjadinya
A maka nilai lift ratio lebih besar dari 1. Ketetapan nilai lift ratio adalah apabila hasil perhitungan berada di bawah 1, maka item-item tersebut tidak menunjukkan
adanya saling keterkaitan antara antecedent dengan consequent.
2.5. Algoritma Apriori
2.5.1. Pengertian Algoritma Apriori
Algoritma Apriori adalah salah satu algoritma yang melakukan pencarian frequent itemset dengan menggunakan teknik association rule Erwin, 2009.
Algoritma Apriori menggunakan pengetahuan frekuensi atribut yang telah diketahui sebelumnya untuk memproses informasi selanjutnya. Pada algoritma
Apriori menentukan kandidat yang mungkin muncul dengan cara memperhatikan minimum support dan minimum confidence Pratama, 2014.
2.5.2. Prinsip Apriori
Menurut Tan dkk. 2006 jika sebuah itemset merupakan frequent, maka semua himpunan bagian juga frequent. Untuk mengilustrasikan ide di balik prinsip
apriori, pada gambar 2.2, diasumsikan { , , } adalah frequent itemset. Semua
transaksi yang mengandung { , , } harus juga mengandung subsets-nya, { , },
{ , }, { , }, { , , }, { }, { }, dan { }. Kesimpulannya, jika { , , } adalah frequent, maka semua subsets dari
{ , , } adalah frequent. PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
