Bab 5: Aturan Asosiasi (Association Rule)

1. Association Rule
Analisis asosiasi atau association rule mining adalah teknik data mining
untuk menemukan aturan asosiatif antara suatu kombinasi item. Analisis asosiasi
dikenal juga sebagai salah satu teknik data mining yang menjadi dasar dari salah
satu teknik data mining lainnya. Secara khusus, salah satu tahap analisis asosiasi
yang menarik perhatian banyak peneliti untuk menghasilkan algoritma yang
efisien, yaitu analisis pola frekuensi tinggi (frequent pattern mining) (Chengqi, 2002;
Han et al., 2012; Han, Pei, Yin, & Mao, 2004; Kusrini, Luthfi, 2009).

2. Support
Support dari suatu association rule adalah presentasi kombinasi item
tersebut dalam database, dimana jika mempunyai item A dan item B maka
support adalah proporsi dari transaksi dalam database yang mengandung A dan B.
Rumus untuk menghitung nilai support dari dua item tersebut adalah sebagai
berikut(Kusrini, Luthfi, 2009; Kusumo, Bijaksana, & Darmantoro, 2016)

𝐴+𝐵
𝑠𝑢𝑝𝑜𝑟𝑡 = 𝑡𝑜𝑡𝑎𝑙 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖

3. Confidence
Confidence dari association rule adalah ukuran ketepatan suatu rule, yaitu
presentasi transaksi dalam database yang mengandung A dan mengandung B.
Dengan adanya confidence kita dapat mengukur kuatnya hubungan antar-item
dalam association rule. Rumus untuk menghitung nilai confidence dari dua item
tersebut adalalah sebagai berikut(Kusrini, Luthfi, 2009; Kusumo et al., 2016):

𝐴+𝐵
𝑐𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 = 𝐴
4. Lift Ratio
Lift ratio adalah suatu ukuran untuk mengetahui kekuatan aturan asosisasi
(association rule) yang telah terbentuk. Nilai lift ratio biasanya digunakan
sebagai penentu apakah aturan asosiasi valid atau tidak valid. Untuk menghitung
lift ratio digunakam rumus sebagai berikut:

𝐴+𝐵
𝐴
𝑙𝑖𝑓𝑡 𝑟𝑎𝑡𝑖𝑜 = 𝐵
𝑇𝑜𝑡𝑎𝑙

 Hasil > 1 ( Berkolerasi Positif )

 Hasil < 1 ( Berkolerasi Negatif )
 Hasil = 1 ( Tidak Berhubungan )

5. Langkah – Langkah Membuat Aturan Asosiasi (Association Rule)

1) Langkah Pertama Sebuah CSV Data set untuk latihan bab ini tersedia untuk
di-download di web pendamping buku situs
(https://sites.google.com/site/dataminingforthemasses/). Download file
Chapter05DataSet.csv

2) Selanjutnya masukan data yang sudah didownlowad kedalam RapidMiner,

dengan cara klik inport data, lalu pilih data yang akan di masukan
(Chapter05DataSet.csv) setelah itu tekan next.
3) Jika data sudah berhasil dimasukan maka data akan muncul. Kemudian save
data dengan nama Chapter5.

4) Langkah selanjutnya tarik data Chapter5 anda menetapkan ke jendela proses

baru di RapidMiner, dan menjalankan model.

5) Langkah selanjutnya Pilih Atribut operator untuk Anda streaming, dan pilih
atribut berikut untuk dimasukkan, Keluarga, Hobi, Social_Club, Politik,
 profesional, Agama, Grup pendukung. Setelah Anda memiliki sifat-sifat ini
dipilih, klik OK untuk kembali ke utama Anda proses.

6) Setelah itu konversi data dari numerik ke binomial dengan cara, tambahkan
operator Numerical to Binomial.

7) Langkah selanjutnya untuk mencari asosiasi gunakan operator FP-Growth.

 8) Kemudian tambahkan lagi operator Create Association Rulls.

9) Langkah terakhir klik run untuk melihat hasil Association Rule.

6. Kesimpulan

Dari hasil Association Rule diperoleh beberapa hubungan atribut Religios –

Hobbies, Family – Religios, dan Hobbies – Religios.

1) Religios – Hobbies memperoleh hasil

 Support 0,239 atau 23,9%
 Confidence 0,571 atau 57,1%
 Lift Rasio 1,902 > 1 maka Religios – Hobbies berkolerasi positif.

2) Family – Religios memperoleh hasil

 Support 0,225 atau 22,5%
 Confidence 0,576 atau 57,6%
  Lift Rasio 1,376 > 1 maka Family – Religios berkolerasi positif.

3) Hobbies – Religios memperoleh hasil

 Support 0,239 atau 23,9%
 Confidence 0,796 atau 79,6%
 Lift Rasio 1,902 > 1 maka Hobbies – Religios berkolerasi positif.
 Daftar Pustaka

Kusrini, Luthfi, E. T. (2009). Algoritma Data Mining. Andi Yogyakarta.

Kusumo, D., Bijaksana, M., & Darmantoro, D. (2016). Data Mining Dengan
Algoritma Apriori Pada RDBMS Oracle. Jurnal Penelitian Dan, 1–5.
Retrieved from.
http://www.tektrika.org/index.php/tektrika/article/download/10/2