Clustering Metode Data mining

analogikan sebagai aturan “If x Then y”. Dimana x merupakan antecedent atau left hand side dan y adalah consequent atau right hand side . Misalnya jika antecedent A dan consequent B, maka aturannya dapat ditulis sebagai berikut : B  A . Dalam association rules diperlukan variabel ukuran yang dapat ditentukan oleh user untuk mengatur batasan sejauh mana dan sebanyak apa hasil output yang diinginkan. Variabel ukuran tersebut adalah support dan confidence. Support adalah nilai dua atau lebih itemset yang dibeli secara bersamaan dari keseluruhan transaksi. Nilai support menunjukkan frekuensi itemset dalam suatu transaksi. Berikut perhitungan untuk mengetahui nilai support : ndungA saksiMenga JumlahTran A Support  X 100 Jumlah transaksi Confidence adalah ukuran yang didapatkan dari probabilitas adanya itemset A pada suatu transaksi maka juga ada itemset B pada transaksi tersebut. Nilai confidence menunjukkan kuatnya hubungan antar item dalam suatu aturan assosiasi. Berikut perhitungan untuk mengetahui nilai confidence : engandungA TransaksiM danB engandungA TransaksiM A P Confidence    B :  X 100 Misalnya ada aturan, susu  roti [support 20 , confidence 50], maka informasi yang bisa diperoleh adalah bahwa sebanyak 20 konsumen membeli susu dan roti secara bersamaan serta konsumen yang membeli susu mempunyai kemungkinan 50 untuk juga membeli roti. Selanjutnya informasi yang diperoleh tersebut dapat di tindak lanjuti dengan mengatur strategi pemasaran yang strategis, semisal mengatur penempatan barang yang baru atau menentukan produk mana yang harus diletakkan berdekatan.

2.7 Algoritma Apriori

Prinsip assosiation rules atau market basket analysis adalah menemukan frequent itemset dan membentuk aturan assosiasi berdasarkan frequent itemset Tang Jamie, 2005. Algoritma apriori digunakan untuk mencari frequent itemset. Pengertian frequent itemset disini adalah himpunan item-item yang memenuhi minimum support. Selanjutnya frequent itemset digunakan untuk membangun aturan assosiasi. Untuk membentuk kandidat itemset digunakan dua tahap yaitu :