Teknik Kaidah Asosisasi(Association Rules Discovery/Descriptive) Pada Data Mining
Sunday, September 30, 2018
Edit
Setelah sebelumnya membahas ihwal teknik klasterisasi pada data mining, pada pembahasan kali ini akan membahas ihwal salah satu teknik lagi yang ada di dalam data mining. Kita tahu bahwa ada banyak teknik yang sanggup dipakai dalam data mining yang meliputi: Classification/Predictive, Clustering/Descriptive, Association Rule Discovery/Descriptive, SequentialPattern Discovery/Descriptive, Regression/Predictive, dan DeviationDetection/Predictive. Akan tetapi teknik yang akan kita bahas kali ini ialah ihwal teknik klasterisasi atau clustering.
Pengertian Teknik Kaidah Asosisasi (association rules) pada Data Mining
Teknik Kaidah Asosisasi(association rules Discovery/Descriptive) ialah dengan mendeteksi kumpulan atribut-atribut yang muncul bersamaan (co-occur) dalam frekuensi yang sering, dan membentuk sejumlah kaidah dari kumpulan-kumpulan tersebut. Contoh : 90% orang yang berbelanja di suatu supermarket yang membeli roti juga membeli selai, dan 60% dari semua orang yang berbelanja membeli keduanya.
Jika diberikan sekumpulan record yang masing-masing terdiri dari sejumlah item dari kumpulan yang diberikan;Akan menghasilkan hukum ketergantungan (dependency rules) yang akan memprediksi kejadian dari satu item menurut kejadian item lainnya.
Baca Juga: Teknik Klasterisasi/clustering dan Aplikasinya pada Data Mining
Aplikasi pada Teknik Kaidah Asosisasi(association rules Discovery/Descriptive)
Contoh aplikasi kaidah asosiasi ialah sebagai berikut:
1. Marketing and Sales Promotion:
Misalkan diketahui hukum ketergantungan dimana
{Bagels, } --> {Potato Chips}
Potato Chips Sebagai Consequent => sanggup dipakai untuk memilih apa yang sanggup dilakukan untuk meningkatkan penjualan.
Bagels in the antacedent => Dapat dipakai untuk melihat produk mana yang akan terkena imbas kalau toko tersebut tidak lagi menjual bagels.
Bagels in antecedent and potato chips in concequenst => Dapat dipakai untuk melihat produk apa yang harus dijual dengan bagels untuk mempromosikan penjualan Potato chips!
Baca Juga: Teknik Regresi (Regression/Predictive) pada Data Mining
2. Supermarket shelf management
Tujuan: Untuk mengenali item-item yang dibeli gotong royong oleh cukup banyak pelanggan.
Pendekatan : Memproses data point-of-sale yang dikumpulk-an dengan pemindai barcode untuk menemukan ketergan’cungan antar-item.
Aturan klasik -- Jika seorang pelanggan membeli diaper dan susu maka beliau juga akan membeli beer.Sehingga jangan kaget kalau Anda akan menemukan enam pak beeryang ditumpuk erat diapers!
3. Inventory Management
Tujuan: Seorang pelanggan perusahaan perbaikan peralatan mengharapkan keaslian dari perbaikan produk konsumen dan menjaga pelayanan dengan memakai sparepart yang baik untuk mengurangi jumlah kunjungan ke rumah pelanggan.
Pendekatan: Memproses data peralatan dan sparepart yang diperlukan pada perbaikan sebelumnya di kawasan pelanggan yang berbeda dan menemukan pola-pola kejadian yang berulang.
Pengertian Teknik Kaidah Asosisasi (association rules) pada Data Mining
Teknik Kaidah Asosisasi(association rules Discovery/Descriptive) ialah dengan mendeteksi kumpulan atribut-atribut yang muncul bersamaan (co-occur) dalam frekuensi yang sering, dan membentuk sejumlah kaidah dari kumpulan-kumpulan tersebut. Contoh : 90% orang yang berbelanja di suatu supermarket yang membeli roti juga membeli selai, dan 60% dari semua orang yang berbelanja membeli keduanya.
Jika diberikan sekumpulan record yang masing-masing terdiri dari sejumlah item dari kumpulan yang diberikan;Akan menghasilkan hukum ketergantungan (dependency rules) yang akan memprediksi kejadian dari satu item menurut kejadian item lainnya.
Baca Juga: Teknik Klasterisasi/clustering dan Aplikasinya pada Data Mining
Aplikasi pada Teknik Kaidah Asosisasi(association rules Discovery/Descriptive)
Contoh aplikasi kaidah asosiasi ialah sebagai berikut:
1. Marketing and Sales Promotion:
Misalkan diketahui hukum ketergantungan dimana
{Bagels, } --> {Potato Chips}
Potato Chips Sebagai Consequent => sanggup dipakai untuk memilih apa yang sanggup dilakukan untuk meningkatkan penjualan.
Bagels in the antacedent => Dapat dipakai untuk melihat produk mana yang akan terkena imbas kalau toko tersebut tidak lagi menjual bagels.
Bagels in antecedent and potato chips in concequenst => Dapat dipakai untuk melihat produk apa yang harus dijual dengan bagels untuk mempromosikan penjualan Potato chips!
Baca Juga: Teknik Regresi (Regression/Predictive) pada Data Mining
2. Supermarket shelf management
Tujuan: Untuk mengenali item-item yang dibeli gotong royong oleh cukup banyak pelanggan.
Pendekatan : Memproses data point-of-sale yang dikumpulk-an dengan pemindai barcode untuk menemukan ketergan’cungan antar-item.
Aturan klasik -- Jika seorang pelanggan membeli diaper dan susu maka beliau juga akan membeli beer.Sehingga jangan kaget kalau Anda akan menemukan enam pak beeryang ditumpuk erat diapers!
3. Inventory Management
Tujuan: Seorang pelanggan perusahaan perbaikan peralatan mengharapkan keaslian dari perbaikan produk konsumen dan menjaga pelayanan dengan memakai sparepart yang baik untuk mengurangi jumlah kunjungan ke rumah pelanggan.
Pendekatan: Memproses data peralatan dan sparepart yang diperlukan pada perbaikan sebelumnya di kawasan pelanggan yang berbeda dan menemukan pola-pola kejadian yang berulang.