Algoritma Appriori Algoritma ApprioriTid

PENDAHULUAN Latar Belakang Saat ini perkembangan dan kemajuan teknologi informasi berbasis jaringan, khususnya teknologi pada jaringan Internet berlangsung dengan pesat. Berkat teknologi informasi Internet, hampir seluruh pengguna di dunia dapat mengakses informasi yang ada di dalam Internet. Situs-situs web yang ada di dalam Internet pun mengalami perkembangan yang pesat. Informasi dan konten yang ada di dalam situs web pun semakin banyak dan beragam. Dengan semakin banyak dan beragamnya informasi dan konten yang disediakan oleh sebuah situs web, semakin banyak waktu yang diperlukan oleh penggunapengunjung untuk menjelajahi browse seluruh isi konten yang ada di dalam situs web. Hal ini membuat pengguna merasa kurang nyaman dalam menjelajahi isi konten sebuah situs web untuk mencari informasi atau konten yang diinginkan pengguna situs web. Oleh karena itu, diperlukan aplikasi yang dapat membantu pengunjung sebuah situs web untuk mencari konten yang sesuai dengan keinginan pengguna. Penelitian ini berusaha membantu pengguna dalam mencari konten di dalam sebuah web dengan memberikan rekomendasi konten yang cocok dengan profil pengguna. Di dalam sebuah situs web, informasi dan konten yang diminta request oleh pengguna umumnya tercatat dalam browsing history . Oleh karena itu, browsing history dapat dijadikan sumber untuk mengetahui pola minat dan perilaku pengguna situs web. Tujuan Tujuan penelitian adalah mengembangkan sistem yang dapat memberikan rekomendasi kepada pengguna berdasarkan profil minat dan perilaku pengguna yang diambil dari data transaksi yang dilakukan oleh penggguna dalam mengakses isi informasi yang ada dalam situs web. Ruang Lingkup Ruang lingkup yang diteliti adalah personalisasi rekomendasi koleksi berdasarkan profil minat dan perilaku pengguna dengan studi kasus rekomendasi koleksi wallpaper . Koleksi-koleksi yang direkomendasikan oleh sistem adalah koleksi-koleksi yang belum diunduh oleh pengguna. Penelitian dilakukan dengan mengacu pada penelitian yang dilakukan oleh Yong 2001. Manfaat Hasil penelitian ini diharapkan dapat mempermudah pengguna dalam menjelajahi browsing isi dan informasi yang ada di dalam sebuah situs web sesuai dengan keinginan pengguna. TINJAUAN PUSTAKA Association Mining Rule Jika I={i 1 ,i 2 ,...,i m } adalah himpunan entitas yang disebut Item . Andaikan D adalah himpunan transaksi T, di mana setiap transaksi T adalah himpunan Item di mana . I T  Sebuah Identifier pengenal yang unik yang disebut TID , digunakan untuk mengasosiasikan setiap transaksi. Kita katakan sebuah transaksi T terdapat X , sebuah himpunan yang terdiri dari beberapa item di dalam I, jika T X  . Sebuah Association Rule aturan asosiasi adalah sebuah implikasi dari Y X  , di mana I X  , I Y  dan Y X  =Ø. Aturan Y X  berlaku di dalam himpunan transaksi D dengan keyakinan confidence c jika c transaksi di dalam D terdapat X juga terdapat Y. Aturan Y X  memiliki nilai support s di dalam himpunan transaksi D jika s di dalam himpunan transaksi D terdapat Y X  Agrawal 1994. Jika ada himpunan transaksi D, masalah di dalam xzAssociation Mining Rule adalah bagaimana menghasilkan aturan asosisasi yang memiliki nilai support dan nilai keyakinan confidence yang lebih besar daripada nilai minimum support dan nilai minimum keyakinan confidence yang telah ditentukan. Algortima yang menggunakan teknik Association Mining Rule Agrawal 1994, antara lain:

a. Algoritma Appriori

Pada Tabel 1 dapat dilihat notasi yang digunakan pada algoritma yang menggunakan teknik Association Mining Rule. Tabel 1 Notasi Algoritma Item k Himpunan item yang memilki item k . k L Himpunan large k-items dengan nilai minimum support Setiap anggota himpunan memiliki dua field, yaitu itemset dan support count. k C Himpunan kandidat k-items himpunan item dengan jumlah yang besar. Item k Himpunan item yang memilki item k . Setiap anggota himpunan memiliki dua field, yaitu itemset dan support count. k C Himpunan kandidat k-items di mana TID yang dihasilkan transaksi disimpan dan diasosiasikan dengan para kandidiat Pada Algoritma Appriori seperti yang tampak pada kode sumber di bawah, terjadi pemanggilan fungsi Appriori-gen yang merupakan fungsi algoritma Appriori Candidate Generation . 1 L 1 ={large 1-itemset}; 2 for k=2;L k-1 =Ø;k++ do begin 3 C k =Appriori-genL k-1 ; Kandidat baru 4 forall transaction t  D do begin 5 C t =subsetCk,t; kandidat yang terdapat pada t 6 forall candidates c  C t do 7 c.count++; 8 end 9 L k ={ c  C k | c.count≥minsup} 10 end 11 Answer= k k L  ; Algoritma Appriori Candidate Generation Dalam alogritma Appriori diperlukan sebuah algoritma yang mengambil input L k-1 , di dalam himpunan large k-1 itemset dan menghasilkan himpunan superset yang terdiri dari semua himpunan large k-1 itemset. Seperti yang tampak pada kode sumber di bawah. 1 Insert into C k 2 select p.item 1 ,p.item 2 ,…,p.item k- 1 ,q.item k-1 3 from L k-1 p,L k-1 q 4 where p.item 1 =q.item 1 ,…,p.item k- 2 =q.item k-2 , p.item k-1 q.item k-1 ; 5 forall itemset c  C k do 6 forall k-1 subset s of c do 7 If s  L then 8 delete c form C k ; 9 end 10 end 11 end

b. Algoritma ApprioriTid

Pada Algoritma ApprioriTid seperti yang tampak pada kode sumber di bawah, juga terjadi pemanggilan fungsi appriori-gen yang merupakan fungsi algoritma Appriori Candidate Generation . 1 L 1 ={large 1-itemset};. 2 C 1 =Database D; 3 for k=2;L k-1 =Ø;k++ do begin 4 k C =Appriori-genL k-1 ; Kandidat baru 5 k C = Ø ; 6 forall entries t  1  k C do begin untuk menentukan himpunan itemset di dalam Ck terdapat pada transaksi dengan identfier t.TD 7 C t ={ c  C k |c-c[k]  t.set-of-itemsets c-c[k-1]  t.set-of-itemsets }; 8 forall candidates c  C t do 9 c.count++; 10 end 11 L k ={ c  C k | c.count≥minsup} 12 end 13 Answer= k k L  ; Selain dua algortima di atas ada juga algoritma hasil modifikasinya, yaitu:

c. Algoritma Incremental mining