II.3 .4. Algoritma Apriori
Algoritma apriori merupakan algoritma untuk mencari frequent itemset yang berdasarkan prinsip apriori, yaitu jika suatu itemset merupakan frequent
itemset maka semua subset-nya akan berupa frequent itemset Tan, et.al. 2006. Pembentukan frequent itemset dilakukan dengan mencari semua kombinasi item
– item yang memiliki support lebih besar atau sama dengan minsup yang telah
ditentukan. Pseudocode untuk pencarian frequent itemset menggunakan algoritma
apriori adalah sebagai berikut Gunawan, 2003 :
= candidate itemset untuk ukuran k
= frequent itemset large itemset untuk ukuran k = {candidate 1-itemset}
= {large 1-itemset}
for do begin
new candidate for all transaction
do begin candidate contained in
for all candidates do
end end
Answer =
Algoritma diatas dapat dijelaskan sebagai berikut : a. Pada iterasi pertama dihitung jumlah kemunculan setiap item dalam transaksi
untuk menentukan large 1-itemset. Pada iterasi selanjutnya akan dihasilkan candidate k-itemset menggunakan frequent k-1-itemset yang ditemukan
pada iterasi
sebelumnya. Candidate
generation diimplementasikan
menggunakan sebuah fungsi yang disebut apriori-gen. Apriori-gen digunakan untuk menghasilkan candidate itemset, yang menyebabkan tidak seluruh
itemset diolah pada proses selanjutnya, hanya yang memenuhi persyaratan saja yaitu sesuai dengan support yang telah ditentukan. Hal ini mempersingkat
waktu proses pencarian seluruh aturan asosiasi. b. Setelah itu, dilakukan penelusuran dalam basisdata untuk menghitung support
bagi setiap candidate itemset dalam . Untuk setiap transaksi t, dicari semua candidate itemset t dalam set yang terkandung dalam transaksi tersebut.
Kumpulan dari semua candidate itemset dalam yang terkandung dalam transaksi t disebut dan ditulis dengan notasi .
c. Selanjutnya nilai support dari semua candidate k-itemset dalam Ct dinaikkan. Penelusuran dilanjutkan pada transaksi berikutnya sampai semua
transaksi dalam basisdata ditelusuri. Lalu akan dilakukan eliminasi candidate itemset yang memiliki nilai support lebih kecil dari minsup. Sedangkan semua
candidate k-itemset yang memenuhi minsup disimpan dalam yang akan digunakan untuk membentuk large k+1-itemset. Algoritma berakhir ketika
tidak ada large itemset baru yang dihasilkan.
Pencarian frequent itemset menggunakan algoritma apriori memiliki 2 karakteristik penting. Pertama, apriori merupakan algoritma level-wise dimana
proses pada algoritma ini membangkitkan frequent itemset per level, dimulai dari level 1-itemset sampai ke itemset terpanjang dan candidate level yang baru,
dibentuk dari frequent itemset yang ditemukan di level sebelumnya lalu menentukan nilai supportnya. Kedua, algoritma ini menggunakan strategi
generate and test untuk menemukan frequent itemset. Pada tiap iterasi, candidate itemset yang baru, dihasilkan dari frequent itemset yang ditemukan pada iterasi
sebelumnya. Nilai support tiap candidate dihitung dan di bandingkan kembali dengan ambang batas minsupnya. Jumlah iterasi yang dibutuhkan algoritma ini
adalah , dimana merupakan ukuran maksimum dari frequent
itemset. Algoritma apriori menggunakan arah pencarian bottom-up, dimana arah
pencarian dimulai dari frequent itemset menuju itemset terpanjang. Strategi yang digunakan adalah breadth-first search dimana proses pencarian dilakukan per
level dan untuk tiap level-nya ditentukan nilai support-nya untuk menemukan frequent itemset pada level tersebut. Sedangkan strategi perhitungan nilai support
dilakukan dengan horizontal counting, dengan cara membaca transaksi satu persatu, jika ditemukan itemset yang dicari pada transaksi tersebut maka counter
bertambah satu, begitu selanjutnya.
II.3 .5. Penambangan Aturan Asosiasi Langka
Kategori