Pembentukan Large Itemset Dengan Pembentukan Large itemset dengan

Knowledge Representation Knowledge representation merupakan tahap untuk merepresentasikan hasil asosiasi yang diperoleh ke dalam bentuk yang mudah dipahami. Pada penelitian ini, knowledge representation mendeskripsikan hasil penelitian. Lingkungan Pengembangan Penelitian ini dilakukan dalam lingkungan pengembangan sebagai berikut : Perangkat lunak : - Microsoft Windows 7 - MySQL client - PHP - Browser Perangkat Keras : - Processor AMD E350 - 2 GB RAM - Harddisk kapasitas 320 GB - Monitor dengan resolusi 1280 x 800 piksel HASIL DAN PEMBAHASAN Pada penelitian ini, data yang digunakan adalah data transaksi pembelian Sinar Mart Swalayan selama periode waktu 1 Maret hingga 31 Maret 2004. Data transaksi pembelian yang didapat memiliki tiga atribut , yaitu customer id sid, waktu transaksi eid, dan barang yang dibeli item. Data didapat dalam format Microsoft Excel transaksi_maret2004.xlsx. Urutan pengerjaan digambarkan pada Lampiran 1 dan deskripsi sampel data transaksi pembelian Sinar Mart Swalayan dapat dilihat pada Lampiran 2. Pembersihan Data Pembersihan data dilakukan apabila terdapat data pembelian barang yang sama pada satu transaksi, pembelian barang tersebut dicatat hanya satu kali. Transformasi Data Pada tahap ini dilakukan beberapa proses transformasi data, yaitu: 1 Konversi waktu transaksi eid ke dalam bentuk numerik. Waktu transaksi eid yang semula berformat date diubah menjadi numerik dengan mengganti format date menjadi number yang terdapat pada Microsoft Excel untuk menyesuaikan ke dalam format MySQL. 2 Konversi item ke dalam bentuk numerik. Item s yang dibeli oleh pembeli diubah ke dalam bentuk numerik dengan memberikan kode yang dimulai dari 1 hingga 35. Mie instan dikodekan dengan 1, minyak goreng dikodekan dengan 2, demikian halnya dengan jenis barang lain. Format item yang dikonversi ke dalam bentuk numerik dapat dilihat pada Lampiran 3. Data hasil konversi terdiri atas 11866 baris, 308 pembeli yang berbeda dan 35 item yang berbeda. Sampel data transaksi pembelian setelah praproses dapat dilihat pada Lampiran 4. Data mining Pada tahap ini, percobaan dilakukan terhadap data transaksi pembelian Sinar Mart Swalayan yang telah melewati tahap praproses sebanyak 11866 record. Tahapan-tahapan yang dilakukan, yaitu 1 Identifikasi interesting itemset Sebelum mencari interesting itemset pada NAR adalah menemukan frequent dan infrequent itemset . Pada tahap ini, pengguna harus terlebih dahulu memberikan nilai minimum support. Nilai minimum support digunakan ialah 10, 30, 50, 70. Selanjutnya, dari masing-masing hasil min_sup tersebut, jika min_sup 70 tidak ada itemset yang memenuhi, kemudian diturunkan hingga min_sup 50 hanya didapatkan frequent itemset dengan 1 itemset, yaitu itemset snack dengan support 53.81. Hasil pada min_sup 50 tidak bisa dijadikan sebagai bahan untuk analisis, karena karena pada large 1-itemset hanya menghasilkan 1 itemset, sehingga pada large 2- itemset tidak bisa menghasilkan frequent dan infrequent itemset . Kemudian, min_sup diturunkan lagi dan dicoba dengan min_sup 30 dan 10.

1.1 Pembentukan Large Itemset Dengan

Min_sup 30 a Large 1-frequent itemset Berdasarkan min_sup 30 dihasilkan 3 itemset . Support tertinggi pada itemset snack dan terendah pada itemset susu dengan support masing-masing 53.81 dan 33.33. Hasil large 1-frequent itemset dengan min_sup 30 ditampilkan pada Tabel 1. Berdasarkan hasil tersebut dapat dilihat bahwa selama periode 1 bulan terhitung sejak 1 Maret hingga 31 Maret 2004, transaksi pembelian pada Sinar Mart lebih banyak pembelian snack. Tabel 1 Large 1-frequent itemset dengan min_sup 30 No Itemset Jumlah Transaksi Support 1 Snack 1821 53.81 2 Softdrink 1150 33.98 3 Susu 1128 33.33 b Large 2-itemset Pembentukan large 2-itemset dari large 1- frequent itemset hanya menghasilkan infrequent itemset sehingga tidak memungkinkan lagi untuk dilanjutkan ke pembentukan large 3- itemset. Oleh karena itu, pada tahap ini belum bisa didapatkan informasi yang cukup sebagai bahan analisis, walaupun sudah menghasikan beberapa rule, namun belum menghasilkan valid rule . Hasil infrequent itemset tersebut dapat dilihat pada Tabel 2. Tabel 2 Large 2-infrequent itemset dengan min_sup 30 No Itemset Jumlah Transaksi Support 1 Susu, Snack 702 20.74 2 Softdrink , Snack 649 19.17 3 Susu, Softdrink 349 10.31

1.2 Pembentukan Large itemset dengan

min_sup 10 a Large 1-itemset Tahap pembentukan large 1-itemset menghasilkan 11 itemset. Beberapa hasil large 1-itemset dengan min_sup 30 ditampilkan pada Tabel 3, untuk hasil keseluruhan dapat dilihat pada Lampiran 5. Tabel 3 Large 1-frequent itemset dengan min_sup 10 No Itemset Jumlah Transaksi Support 1 Snack 1821 53.81 2 Softdrink 1150 33.98 3 Susu 1128 33.33 4 Sabun 836 24.70 5 Mie Instant 706 20.86 b Large 2-itemset Dari large 1-frequent itemset, itemset selanjutnya dapat dibentuk frequent itemset sebanyak 6 itemset dan infrequent itemset sebanyak 49 itemset. Pada Tabel 4 dan 5 menampilkan beberapa hasil dari dibentuk frequent itemset dan infrequent itemset tersebut, untuk dapat melihat hasil keseluruhan dapat dilihat pada Lampiran 6 dan 7. Tabel 4 Large 2-frequent itemset dengan min_sup 10 No Itemset Jumlah Transaksi Support 1 Susu, Snack 702 20.75 2 Softdrink , Snack 649 19.18 3 Permen, Snack 435 12.86 4 Snack , Sabun 372 10.99 5 Mie Instan, Snack 355 10.49 Tabel 5 Large 2-infrequent itemset dengan min_sup 10 No Itemset Jumlah Transaksi Support 1 Sabun, Pasta gigi 278 82.15 2 Kopi, Snack 262 77.42 3 Permen, Softdrink 260 76.83 4 Susu, Sabun 251 74.17 5 Mie instant, Susu 238 70.33 c Large 3-itemset Tahap pembentukan large 3-itemset dari large 2-frequent itemset hanya menghasilkan sebanyak 20 infrequent itemset. Beberapa hasil infrequent itemset pada large 3-itemset ini dapat dilihat pada Tabel 6, untuk hasil selengkapnya dapat dilihat pada Lampiran 8. Tabel 6 Large 3-infrequent itemset dengan min_sup 10 No Itemset Jumlah Transaksi 1 Susu, Softdrink, Snack 230 67.97 2 Permen, Softdrink , Snack 178 52.60 3 Susu, Permen, Snack 162 47.87 4 Susu, Snack, Sabun 154 45.51 5 Mie instant Susu, Snack 151 44.62 2 Pembentukan aturan asosiasi Negative association rule mampu menghasilkan infrequent itemset dalam jumlah yang sangat banyak, namun hanya beberapa di antaranya yang berguna dalam menghasilkan negative association rule . Oleh karena itu, perlu dilakukan pruning, serta perhitungan interesting itemset pada proses pembentukan aturan asosiasi. Pada tahapan sebelumnya didapatkan nilai min_sup 10 yang digunakan untuk langkah selanjutnya. Nilai minimum confidence dan minimum interest yang digunakan adalah minimum confidence 10, 30, 50, 70, serta minimum interest 0.01, 0.001, 0.0001, dan 0.00001.

2.1 Pembentukan aturan asosiasi dengan min_conf 70