Algoritma Apriori Berbasis Prinsip Inklusi-Eksklusi Untuk Pencarian Frequent Itemset Pada Analisis Keranjang Belanja

Tanggal

2020-09-12

Penerbit

STMIK Nusa Mandiri

Abstraksi

ABSTRAK

 

Nama                           : Lusa Indah Prahartiwi

NIM                            : 14001692

Program Studi             : Magister Ilmu Komputer

Jenjang                        : Strata Dua (S2)

Konsentrasi                 : Management Information System

Judul Tesis                  : “Algoritma Apriori Berbasis Prinsip Inklusi-Eksklusi Untuk Pencarian Frequent Itemset Pada Analisis Keranjang Belanja

 

Analisis keranjang belanja merupakan satu metode data mining yang berfokus untuk menemukan pola pembelian dengan mengekstrasi data transaksi sebuah toko. Analisis keranjang belanja dapat dilakukan dengan pengetahuan Association Rules Mining. Association rules adalah suatu prosedur untuk mencari hubungan antar item yang ada pada suatu dataset. Beberapa studi telah dilakukan oleh peneliti dalam menganalisis keranjang belanja dengan menggunakan metode Apriori dan FP-Growth. Apriori menghasilkan kandidat dan mengurangi kandidat set secara signifikan, yang mengakibatkan kenaikan kinerja yang baik. Namun Apriori memiliki kelemahan apabila itemset sangat banyak atau minimum support sangat rendah, Apriori perlu berulang kali memindai seluruh database yang menyebabkan aturan asosiasi yang terbentuk memiliki kekuatan korelasi yang rendah. FP-Growth dapat meningkatkan kinerja dalam proses pencarian frequent itemset. Tidak seperti Apriori, FP-Growth menambang frequent itemsets dengan frequent pattern tree, menghilangkan calon generasi dan dapat mengurangi ukuran dataset yang akan dicari. Akan tetapi, FP-Growth membutuhkan banyak ruang untuk menyimpan struktur data menengah. Penanganan masalah yang ada pada algoritma Apriori dapat diatasi dengan menggunakan metode Apriori berbasis prinsip inklusi-eksklusi untuk menemukan frequent itemset. Eksperimen dilakukan dengan menggunakan metode Apriori, FP-Growth dan metode Apriori berbasis prinsip inklusi-eksklusi serta menggunakan dataset Supermarket dan Online Retail. Hasil eksperimen pada dataset Supermarket menggunakan metode Apriori didapatkan lift ratio sebesar 1,5845, dan pada metode FP-Growth didapat hasil 1,585. Sedangkan pada metode yang diusulkan didapatkan hasil lebih tinggi yaitu sebesar 4,0102. Kemudian pada dataset Online Retail nilai lift ratio yang dihasilkan oleh metode Apriori dan FP-Growth sama besarnya yaitu 1,250, sedangkan pada metode yang diusulkan memperoleh kekuatan korelasi yang lebih tinggi yaitu sebesar 1,666667. Maka dapat disimpulkan metode Apriori berbasis prinsip inklusi-eksklusi memiliki kinerja yang lebih baik dibandingkan dengan Apriori dan FP-Growth

 

Kata Kunci: Analisis Keranjang Belanja, Apriori, FP-Growth, Inklusi-Eksklusi

Bidang ilmu
Jaringan Komputer

References

DAFTAR PUSTAKA

 

Aggarwal, C. C. (2015). Data Mining: The Textbook. New York: Springer.

Aggarwal, C. C., & Yu, P. S. (2008). Privacy-Preserving Data Mining Models and Algorithms. New York: Springer.

Annie, L. C., & Kumar, A. (2012). Market Basket Analysis for a Supermarket based on Frequent Itemset Mining. International Journal of Computer Science.

Berndtsson, M., Hansson, J., Olsson, B., & Lundell, B. (2008). Thesis Projects A Guide for Students in Computer Science and Information Systems Second Edition. London: Springer.

Berry, M. J., & Linoff, G. S. (2004). Data Mining Techniques For Marketing, Sales, and Customer Relationship Management Second Edition. Canada: Wiley.

Bhandari, A., Gupta, A., & Das, D. (2015). Improvised apriori algorithm using frequent pattern tree for real time applications in data mining. Procedia Computer Science (hal. 644-651). Elsevier.

Cavique, L. (2007). A scalable algorithm for the market basket analysis. Journal of Retailing and Consumer Services, 400-407.

Chandra, B., & Bhaskar, S. (2011). A new approach for generating efficient sample from market basket data. Expert Systems with Applications, 1321-1325.

Chu, W. W. (2014). Data Mining and Knowledge Discovery for Big Data. Los Angeles: Springer.

Gorunescu, F. (2011). Data Mining Concepts, Models and Techniques. Berlin: Springer.

Han, J., Kamber, M., & Pei, J. (2012). Data Mining Concept and Techniques Third Edition. Elsevier.

Hand, Mannila, & Smyth. (2001). Principles of Data Mining: Adaptive Computation and Machine Learning. Cambridge: MIT Press.

Harrington, P. (2012). Machine Learning in Action. Shelter Island: Manning.

Hofmann, M., & Klinkenberg, R. (2014). Rapid Miner Data Mining Use Cases and Business Analytics Applications. CRC Press.

Jea, K.-F., Chang, M.-Y., & Lin, K.-C. (2004). An efficient and flexible algorithm for online mining of large itemsets. Information Processing Letters 92, 311–316.

Jiawei, H., & Kamber, M. (2006). Data Mining:Concepts and Techniques. USA: Morgan Kaufmann.

Kothari. (2004). Research Methodology Methods and Techniques Second Revised Edition. New Delhi: New Age International (P) Limited.

Larose, D. T. (2005). Data Mining Methods and Models. Canada: Wiley-Interscience.

Li, Y., Ning, P., Wang, X. S., & Jajodia, S. (2003). Discovering calendar-based temporal association rules. Data & Knowledge Engineering, 193-218.

Maione, C., Paula, E. S., Gallimberti, M., Batista, B. L., Campiglia, A. D., Barbosa, F., & Barbosa, R. M. (2016). Comparative study of data mining techniques for the authentication of organic grape juice based on ICP-MS analysis. Expert Systems With Applications, 60-73.

Narvekar, M., & Syed, S. F. (2015). An optimized algorithm for association rule mining using FP tree. Procedia Computer Science (hal. 101-110). Elsevier.

Prasad, P., & Malik, L. (2011). Using Association Rule Mining for Extracting Product Sales Patterns in Retail Store Transaction. International Journal on Computer Science and Engineering.

Prasetyo, E. (2014). Data Mining-Mengolah Data Menjadi Informasi Menggunakan Matlab. Yogyakarta: Andi.

Santosa, B. (2007). Data Mining:Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu.

Song, M., & Rajasekaran, S. (2006). A Transaction Mapping Algorithm for Frequent Itemsets Mining. IEEE Transactions On Knowledge And Data Engineering, 472–481.

Venkatachari, K. (2016). Market Basket Analysis: Understanding Indian Consumer Buying Behavior Of Spain Market. BVIMSR’s Journal of Management Research.

Videla-Cavieres, I. F., & Ríos, S. A. (2014). Extending market basket analysis with graph mining techniques: A real case. Expert Systems with Applications 41, 1928-1936.

Vu, L., & Alaghband, G. (2014). Novel parallel method for association rule mining on multi-core shared memory systems. Parallel Computing, 768-785.

Wisaeng, K. (2014). Association Rule with Frequent Pattern Growth Algorithm for Frequent Item Sets Mining. Applied Mathematical Sciences, 4877-4885.

Wu, F., Chiang, S.-W., & Lin, J.-R. (2007). A new approach to mine frequent patterns using item-transformation methods. Information Systems 32, 1056–1072.

Wu, X., & Kumar, V. (2009). The Top Ten Algorithms in Data Mining. Boca Raton: CRC Press.

Xiang, L. (2012). Simulation System of Car Crash Test in C-NCAP Analysis Based on an Improved Apriori Algorithm. Physics Procedia 25 (hal. 2066 – 2071). Elsevier.