Algoritma Apriori untuk Pencarian Frequent itemset dalam Association Rule Mining

Algoritma Apriori untuk Pencarian Frequent itemset dalam Association Rule Mining

• By Dari, Wulan; Prahartiwi, Lusa Indah;
• Jurnal Nasional Terakreditasi
• 406

Selama beberapa dekade rantai ritel dan department store telah menjual produk mereka tanpa menggunakan data transaksional yang dihasilkan oleh penjualan mereka sebagai sumber pengetahuan. Ketersediaan data yang melimpah, kebutuhan akan informasi (atau pengetahuan) sebagai pendukung pengambilan keputusan untuk membuat solusi bisnis, dan dukungan infrastruktur di bidang teknologi informasi merupakan cikal-bakal dari lahirnya teknologi data mining. Data mining menemukan pola yang menarik dari database seperti association rule, correlations, sequences, classifier dan masih banyak lagi yang mana association rule adalah salah satu masalah yang paling popular. Association rule mining merupakan metode data mining yang digunakan untuk mengekstrasi pola yang bermanfaat di antara data barang. Pada penelitian ini diterapkan algoritma Apriori untuk pencarian frequent itemset dalam association rule mining. Pengolahan data menggunakan tools Tanagra. Dataset yang digunakan adalah dataset Supermarket yang terdiri dari 12 atribut dan 108.131 transaksi. Hasil eksperimen diperoleh aturan asosiasi atau rules dari kombinasi itemsets beer wine spiritfrozen foods dan snack foods sebagai Frequent itemset dengan nilai support sebesar 15,489% dan nilai confidence sebesar 83,719%. Nilai Lift ratio yang diperoleh sebesar 2,47766 yang artinya terdapat manfaat dari aturan asosiasi atau rules tersebut.

• Katakunci
• URL http://
• Penerbit ,

REFERENSI

Annie LC, Kumar. 2012. Market Basket Analysis for a Supermarket based on Frequent Itemset Mining. Int. J. Comput. Sci. Issues 9: 257–264.

Bhandari A, Gupta A, Das D. 2015. Improvised apriori algorithm using frequent pattern tree for real time applications in data mining. In: Procedia Computer Science., p 644–651.

Cakir O, Aras ME. 2012. A Recommendation Engine by Using Association Rules. Procedia - Soc. Behav. Sci. 62: 452–456.

Han J, Kamber M. 2014. Data mining: Data mining concepts and techniques. 203–207 p.

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

Larose DT. 2006. Data Mining Methods and Models. 1–322 p.

Mangla V, Sarda C, Nadu T. 2013. Improving the efficiency of Apriori Algorithm in Data Mining. 3: 393–396.

Moertini VS. 2009. Predicting Students Drop Out. 2nd Int. Conf. Educ. Data Min. 7: 44–56.

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

Videla-Cavieres IF, Ríos SA. 2014. Extending market basket analysis with graph mining techniques: A real case. Expert Syst. Appl. 41: 1928–1936.

Wisaeng K. 2014. Association rule with frequent pattern growth algorithm for frequent item sets mining. Appl. Math. Sci. 8: 4877–4885.