ISBN: 978-602-71803-1-4 Yogyakarta, 16 Desember 2015
231 Support
terdampak∩sungai meluap =
= = 0.24
Confidence Pjateng |hujan deras =
= = 0.5454545
Confidence Phujan deras| jateng =
= = 0.2142857
Confidence Pterdampak|sungai meluap =
= = 0.4545455
Dari perhitungan di atas dapat diketahui bahwa meskipun nilai support besarnya sama namun nilai confident tidak selalu sama. Hal ini terjadi karena nilai support menunjukan
probabilitas muncul atribut A dan B secara bersama-sama dari seluruh kejadian, sedangkan nilai confident menunjukan kepastian atau kuatnya hubungan antar item
dalam sebuah apriori. b. Pola Kombinasi Tiga Itemset Atribut
Pada output ini masih menggunakan minimum support = 0.1 dengan tiga kombinasi itemsets, maka yang ditampilkan adalah nilai minimum support yang lebih besar atau
sama dengan 0.1, nilai yang kurang dari 0.1 secara otomatis dieliminasi oleh sistem. Berikut hasil output pola kombinasi tiga itemset:
Gambar 5.Output Kombinasi Tiga ItemsetAtribut Data Bencana Banjir
Berdasarkan batasan yang telah ditentukan, diketahui bahwa terdapat 3 aturan asosiasi yang terbentuk.. Informasi yang diperoleh dari Gambar 5 adalah pada aturan no 19,
100 dari kejadian bencana banjir dalam tabel 2 yang terjadi di jatim dengan kerugian rumah tergenang, maka penyebabnya adalah hujan deras, dan 0.1 dari seluruh kejadian
Prosiding Seminar Nasional seri ke-5 Menuju Masyarakat Madani dan Lestari
232 bencana banjir yang terdapat pada tabel 2 memuat 3 item tersebut. Begitu seterusnya
untuk aturan asosiasi no 20 dan 21.
5. Analisis dengan Minimum Support 0.2, Minimum Confident 0.2 dan Main Line 2.
Dari uraian dan hasil output Gambar 5, dapat diketahui bahwa nilai support tertinggi pada kombinasi dua itemsets yaitu 0.24, maka akan dianalisis kembali dengan menggunakan
minimum support =0.2, minimum confident =0.2, dan main line 2 karena nilai support
tersebut terdapat pada kombinasi dua itemsets. Berikut script yang digunakan:
aturan.ap -
aprioriaturan,
parameter=listsupp=0.2,conf=0.2, minlen=2 inspectaturan.ap
Dengan menggunakan script di atas didapat hasil output sebagai berikut:
Gambar 6.Output Kombinasi Tiga ItemsetAtribut Data Bencana Banjir
Berdasarkan batasan yang telah ditentukan, diketahui bahwa terdapat 2 aturan asosiasi yang terbentuk.. Informasi yang diperoleh dari Gambar 6 adalah sebagai berikut:
a. Pada aturan no 1 adalah 100 dari kejadian bencana banjir dalam tabel 2 yang kerugiannya rumah tergenang, maka penyebabnya adalah hujan deras, dan 0.24 dari
seluruh kejadian bencana banjir yang terdapat pada tabel 2 memuat 2 item tersebut. b. Pada aturan no 2 adalah 42.8 dari kejadian bencana banjir dalam tabel 2 yang
penyebabnya hujan deras, maka kerugiannya adalah rumah tergenang, dan 0.24 dari seluruh kejadian bencana banjir yang terdapat pada tabel 2 memuat 2 item tersebut.
KESIMPULAN Dari pembahasan di atas dapat dikeathui bahwa:
1. Metode Association Rule dengan algoritma apriori dapat diaplikasikan pada data
kebencanaan, dalam hal ini data kejadian banjir di Indonesia. 2.
Pola hubungan assosiatif yang terjadi dari data bencana banjir di Indonesia pada bulan Februari 2015 sampai Juni 2015 dengan nilai support tertinggi yaitu:
ISBN: 978-602-71803-1-4 Yogyakarta, 16 Desember 2015
233 a. 100 dari kejadian bencana banjir yang kerugiannya rumah tergenang, maka penyebabnya
adalah hujan deras, dan 0.24 dari seluruh kejadian bencana banjir yang terdapat pada tabel 2 memuat 2 item tersebut.
b. 42.8 dari kejadian bencana banjir dalam tabel 2 yang penyebabnya hujan deras, maka kerugiannya adalah rumah tergenang, dan 0.24 dari seluruh kejadian bencana banjir yang
terdapat pada tabel 2 memuat 2 item tersebut.
REFERENSI
Badan Nasional Penanggulangan Bencana. 2015. Definisi dan Jenis Bencana. http:www.bnpb.go.idpengetahuan-bencanadefinisi-dan-jenis-bencana. Diakses pada
tanggal 3 Desember 2015 pada pukul 10.34 WIB Berry, M. J. A. dan Linoff, G. S. 2000. Mastering Data Mining
– The Art and Science of Customer Relationship Management.New York: Jhon Wiley and Sons.
Budhi, Gregorius S. and Yulia, Yulia and Abadi, Budiwati 2010 Model Rule: Multilevel And Multidimension Association Rule untuk Analisa Market Basket Pada PT. Maha Agung.
Industrial Electronics Seminar 2010. Gunadi, G. dan Sensuse, D.I. 2012. Penerapan Metode Data Mining Market Basket
Analysisterhadap Data Penjualan Produk Buku Dengan Menggunakan Algoritma Apriori Dan Frequent Pattern GrowthFp-Growth : Studi Kasus Percetakan Pt.
Gramedia. Jurnal Telematika Mkom, Volume 4 No.1, pp 118-132. Karthikeyan, T. dan N. Ravikumar. 2014. A Survey on Association Rule Mining.
International Journal of Advanced Research in Computer and Communication Engineering, Volume 3, No. 1, pp 5223-5227
Kusrini. dan Luthfi, E. T. 2009.Algoritma DataMining. Yogyakarta: PenerbitAndi. Kuswardani. Dwina, Deborah. R.M., dan Trihandini. 2011. Metode Association Rule untuk
Analisis Citra CT Organ Pasien Kanker Ovarium. Jurnal Ilmiah KURSOR, Volume 6, No.2, pp 0216-0544.
Margaret HD. Data Mining Introductory and Advanced Topics. Prentice Hall.2003. N. Rajkumar, M.R. Karthik, S.N. Sivananda. 2003. Fast algorithm for mining multilevel
association rules, IEEE Trans. Knowledge and Data Eng., Volume 2, No.4, pp. 688- 692.
