DATA MINING E-MARKETPLACE DENGAN METODE ASSOCIATION RULE MINING

PROPOSAL TESIS

Magister Teknik Informatika

Jenjang Strata II

Disusun Oleh :

AYU MEIDA, S.SI.

09042681721004

MAGISTER TEKNIK INFORMATIKAFAKULTAS ILMU KOMPUTER

UNIVERSITAS SRIWIJAYA

BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Data adalah properti penting untuk semua orang. Sejumlah besar data tersedia

di dunia. Ada beragam repositori untuk menyimpan data ke gudang data, database,

repositori informasi, dll. Data jumlah besar ini perlu diproses sehingga kita bisa

mendapatkan informasi yang berguna. Data mining adalah teknik untuk mendapatkan

informasi tersembunyi dari koleksi data itu. Ada beberapa fungsi utama dalam

penambangan data seperti estimasi, prediksi, klasifikasi, pengelompokan dan asosiasi.

(Muhamad Brilliant, Dwi Handoko , Sriyanto, 2017).

Association Rule Mining adalah Teknik di bidang Data Mining yang sangat

penting saat ini. Association Rule Mining menemukan pola, asosiasi, korelasi, atau kausal

yang sering terjadi struktur di antara set barang atau benda dalam transaksi basis data,

basis data relasional, dan informasi repositori lainnya. (Charanjeet Kaur , 2013).

Penelitian ini menerapkan metode Association Rule Mining pada E-Marketplace,

untuk menggali lebih dalam dan memahami perilaku belanja pelanggan dan niat

perkunjungan dengan menambang data pada keranjang belanja customer. Dengan

demikian, memungkinkan pengecer untuk menyediakan layanan memuaskan pelanggan

disesuaikan dengan kebutuhan perkunjungan mereka. (Anastasia Griva, Cleopatra

Bardaki, Katerina Pramatari and Dimitris Papakyriakopoulos, 2018).

1.2 Rumusan Masalah

1. Bagaimana cara melakukan penambangan data dengan metode Association Rule

Mining pada E-Marketplace;

2. Bagaimana cara menganalisis data keranjang customer, agar menghasilkan segmen

kunjungan pelanggan untuk mengetahui daya minat produk apa saja yang akan dibeli

customer.

1.3 Batasan Masalah

1. Dataset yang digunakan adalah data keranjang belanja pada E-Marketplace;

2. Pengujian tidak dilakukan pada toko fisik.

1.4 Tujuan Penelitian

1. Menganalisis data keranjang belanja customer, untuk mengidentifikasi segmen

kunjungan pelanggan;

2. Menghasilkan grup kunjungan pelanggan berdasarkan kategori produk yang dibeli

pelanggan selama setiap kunjungan ke E-Marketplace.

1.5 Manfaat Penelitian

1. Memberikan informasi tentang layanan dan produk sering dipilih oleh konsumen

sehingga bisa dipertimbangkan untuk mengatur persediaan stok barang agar sesuai

dengan daya minat pembelian customer;

2. Agar dapat mengatur strategi penjualan, memungkinkan pengecer untuk

menyediakan layanan memuaskan pelanggan disesuaikan dengan kebutuhan

perkunjungan customer.

1.6 Sistematika Penulisan

Untuk mempermudah dalam penyusunan tesis dan memuat uraian secara garis besar isi

dari setiap bab, maka dibuatlah sistematika penulisan:

1. BAB I – PENDAHULUAN

Bab ini berisi tentang latar belakang masalah, rumusan masalah, batasan masalah, tujuan

penelitian, manfaat penelitian dan sistematika penulisan.

2. BAB II - TINJAUAN PUSTAKA

Bab ini berisi tentang seluruh penjelasan mengenai tinjauan pustaka yag berhubungan

dengan permsalahan yang dibahas pada penulisan tesis ini.

3. BAB III – METODOLOGI PENELITIAN

Bab ini berisi penjelasan secara bertahap dan terperinci tentang langkah-langkah

(metodologi) yang digunakan untuk membuat kerangka berfikir dan kerangka kerja dalam

meyelesaikan tesis.

4. BAB IV – ANALISA DAN PEMBAHASAN

Bab ini berisi tentang analisa dan pembahasan dari tiap-tiap blok diagram perencanaan rangkaian data-data hasil pengukuran.

5. BAB V – KESIMPULAN (SEMENTARA)Bab ini berisi kesimpulan tentang hasil yang telah diperoleh serta merupakan jawaban dari tujuan yang ingin dicapai pada BAB I (Pendahuluan), akan tetapi masih bersifat sementara.

BAB IITINJAUAN PUSTAKA

2.1 Penelitian Terkait

No Judul Tahun Author Metode Hasil1. Implementation of

Data Mining Using Association Rules for Transactional Data Analysis

2017 Muhamad Brilliant, Dwi Handoko, Sriyanto

Association Rule Mining, algoritma FP-

Growth

Berdasarkan analisis dan pembahasan masalah, kesimpulan dari penelitian ini adalah sebagai berikut:1. Simulasi dilakukan untuk memberikan informasi menu oleh pola pemilihan konsumen produk hiburan dan layanan.2. Aplikasi dibuat untuk membantu memberikan informasi tentang layanan dan produk sering dipilih oleh konsumen sehingga mereka bisa dipertimbangkan untuk pembentukan produk hiburan dan paket layanan bagi konsumen.

2. Market Basket Analysis to Identify Customer Behaviors by Way of Transaction Data

2018 Fachrul Kurniawan, Binti Umayah, Jihad Hammad, Supeno Mardi Susiki Nugroho, Mochammad Hariadi

asosiasi rule menggunakan algoritma apriori

Dalam pengujian dan analisis yang telah dilakukan, disimpulkan bahwa pengembangan dan implementasi analisis keranjang pasar atas mode aturan asosiasi menggunakan algoritma apriori pada data transaksi Pusat Bisnis (BC) supermarket UIN Malang, dapat berkinerja baik. Dengan nilai kepercayaan rata-rata 46,69% dari nilai dukungan 1,78% dan aturan yang dihasilkan

adalah 30 aturan. Aturan / pola transaksi data yang diambil memiliki kecenderungan asosiasi yang rendah. Data yang dimiliki Itu sudah jatuh tempo dan data yang dianalisis tidak benar-benar mendukung analisis asosiasi / relasi antar item.

3. Market Basket Analysis: Identify the changing trends of market data using association rule mining

2016 Manpreet Kaura, Shivani Kang

Association Rule Mining menggunakan algoritma apriori

Saat ini banyak

algoritma

penambangan data

telah dikembangkan

dan diterapkan

pada berbagai

masalah praktis.

Namun

penambangan

berkala adalah

pendekatan baru

dalam

penambangan data

yang telah

mendapatkan

signifikansinya hari

ini. Bidang ini

berkembang karena

kebutuhan dalam

aplikasi yang

berbeda dan

keterbatasan

penambangan data.

Ini akan

meningkatkan

kekuatan teknik

penambangan data

yang ada.

Menemukan pola-

pola karena

perubahan data itu

sendiri merupakan

bidang yang

menarik

dieksplorasi. Ini

dapat membantu

dalam x Cari tahu

pola menarik dari

sejumlah besar

data. x Secara

otomatis melacak

perubahan fakta

dari data

sebelumnya; karena

fitur ini mungkin

berguna dalam

penipuan

deteksi. x

Memprediksi aturan

asosiasi di masa

depan serta

memberi kita

metodologi yang

tepat untuk

menemukan outlier.

Penulis menyarankan bahwa, beberapa area masih ada yang perlu difokuskan. Pertama, hasil telah dipengaruhi sangat dengan nilai ambang batas manual untuk skor, sehingga diperlukan untuk mengotomatiskan nilai ambang untuk lebih baik pengakuan pencilan. Kedua, pendekatan ini

secara khusus ditargetkan pada Market Basket Data, mungkin diperluas ke area lain.

4. Retail Business Analytics: Customer Visit Segmentation Using Market Basket Data

2018 Anastasia Griva, Cleopatra Bardaki, Katerina Pramatari, Dimitris Papakyriakopoulos

k-means clustering

Tujuan utama dari penelitian ini adalah untuk menggali lebih dalam dan memahami perilaku belanja pelanggan dan niat perkunjungan, dengan demikian, memungkinkan pengecer untuk menyediakan layanan memuaskan pelanggan disesuaikan dengan kebutuhan mereka perkunjungan. Untuk mencapai tujuan itu, peneliti mengusulkan pendekatan analitik bisnis itu menggunakan teknik pengelompokan untuk mengidentifikasi segmen kunjungan pelanggan. Peneliti menganalisis data keranjang ritel dan Peneliti menghasilkan grup kunjungan pelanggan berdasarkan kategori produk yang dibeli pelanggan selama setiap kunjungan

ke toko eceran atau web fisik. Peneliti menyarankan bahwa campuran yang dihasilkan dari kategori produk yang berlaku di setiap segmen kunjungan mencerminkan niat belanja pelanggan yang memegang keranjang termasuk dalam setiap segmen kunjungan. Dengan kata lain, Peneliti menghasilkan segmen kunjungan pelanggan dan, kemudian Peneliti atribut ke setiap segmen maksud belanja di balik kunjungan.

5. A new optimization model for market basket analysis with allocation considerations: A genetic algorithm solution approach

2017 Majeed Heydari, Amir Yousefli

Association Rule Mining

Dalam tulisan ini GA

digunakan untuk

mendapatkan lokasi

optimal dari

barang di rak-rak di

mana fungsi

preferensi

pengambil

keputusan

dimaksimalkan.

Tentang kinerja dan

sifat-sifat GA yang

dikembangkan

patut untuk dicatat

bahwa di satu sisi,

pengaturan yang

tepat parameter

algoritma

evolusioner

terutama

mempengaruhi

kinerja algoritma.

Di sisi lain, tuning

evolusioner

algoritma seperti

GA sangat

bergantung pada

properti dari

pengoptimalan

matematis model.

Oleh karena itu,

orang dapat

mengharapkan

bahwa sementara

GA yang disetel

dengan baik dapat

berhasil

memperoleh solusi

optimal secara

global untuk model

matematika

tertentu,

menerapkan GA ini

untuk yang lain

masalah dapat

menghasilkan solusi

lokal dan tidak

memuaskan.

Sebagai hasilnya,

perbandingan

menyediakan GA

dengan algoritma

evolusioner lain

yang dikembangkan

pada matematika

yang berbeda

model tidak

demikian. Namun,

untuk memastikan

kinerja dari GA yang

diusulkan, kami

membandingkan

solusi optimal yang

diturunkan oleh GA

dengan GAMS

dalam skala kecil

masalah

matematika. Hasil

yang disediakan

menunjukkan

bahwa GA yang

diusulkan sudah

disepakati dan

dapat berhasil

digunakan untuk

mendapatkan solusi

optimal.

Secara ringkas,

sementara dalam

tulisan ini pengaruh

lokasi barang pada

penjualan telah

dimasukkan dan

solusi yang lebih

realistis telah

disediakan, tetapi

ada beberapa

kekurangan yang

perlu ditangani

dalam penelitian

masa depan. Dalam

makalah ini, aturan

asosiasi

diasumsikan

diketahui terlebih

dahulu sementara

orang dapat

menggunakan yang

sesuai metode dan

algoritma untuk

menemukan aturan

asosiasi juga. Dalam

model ini, itu

diasumsikan bahwa

parameter model

yang tajam dan

nilai-nilai yang

tepat dari

parameter

diketahui. Tetapi

seperti yang bisa

diharapkan, karena

ketidakpastian

lingkungan, asumsi

seperti itu tidak

valid dan

mengembangkan

matematika yang

tidak pasti model

dapat membantu

memperoleh lebih

banyak model yang

realistis dan pada

gilirannya solusi.

Mengklasifikasikan

barang,

mendefinisikan

kriteria minat yang

tepat juga mungkin

penelitian masa

depan arah.

6. Learning from other buyers: The effect of purchase history records in online marketplaces

2013 Qiang Ye a, Zhuo (June) Cheng b, Bin Fang

Historical Sales Record

Dalam analisis kami

tentang data

transaksi dari

Taobao (online

terbesar pasar di

China) dan eBay

(pasar online paling

popular di seluruh

dunia), kami

menemukan bahwa

penjualan historis

memiliki dampak

yang signifikan

pada kinerja

penjual saat ini.

Lebih spesifik,

pelanggan lebih

mungkin untuk

memilih penjual

dengan penjualan

lebih historis. Hasil

ini menunjukkan itu

pembeli mengambil

catatan riwayat

pembelian saat

memilih penjual

dan membuat

keputusan

pembelian.

Penjualan historis

secara konsisten

signifikan di

berbagai item yang

kami sampel saat

kemunduran saat

ini penjualan pada

penjualan historis

dan karakteristik

penjual lainnya.

Sebaliknya, Skor /

penilaian umpan

balik tidak

signifikan untuk

beberapa item,

seperti Produk

memori Kingston di

kedua Taobao dan

eBay. Penjelasan

peneliti untuk ini

adalah skor /

penilaian umpan

balik, yang

merupakan

peringkat

keseluruhan

penjual, mungkin

tidak terkait

langsung dengan

barang yang

dipertimbangkan

pembeli untuk

membeli. Riwayat

pembelian,

sebaliknya, secara

langsung berkaitan

dengan item dan itu

mempengaruhi

persepsi pembeli

tentang kualitas

barang. Hasil

peneliti membantu

menjelaskan

temuan campuran

pada hubungan

antara umpan balik

skor / peringkat dan

kemungkinan

penjualan,

menunjukkan

bahwa di luarskor

umpan balik /

peringkat,

pelanggan lebih

menekankan

informasi yang

lebih relevan

dengan item di

tangan. Peneliti

melengkapi empiris

investigasi dengan

eksperimen

laboratorium unik

dan konfirmasikan

bahwa pembeli

melakukannya

memperhatikan

catatan penjualan

historis lebih jauh

lagi, pembeli yang

paling

memperhatikan

penjualan sejarah

adalah yang paling

mungkin pilih

penjual dengan

penjualan historis

tertinggi.

7. A Study on Market Basket Analysis Using a Data Mining Algorithm

2013 Phani Prasad J, Murlidher Mourya

Asosiasi Rule menggunakan algoritma apriori

Paper ini

memberikan

banyak studi kasus

tentang Asosiasi

Rule dan algoritma

penambangan data

yang ada

penggunaan untuk

analisis keranjang

pasar, juga

disebutkan dengan

jelas tentang

algoritma yang ada

dan

implementasinya

dengan jelas dan

juga tentang

masalah dan

solusinya. Di masa

depan Algoritma

yang sama dapat

dimodifikasi dan

dapat diperpanjang

pekerjaan masa

depan yang juga

mengurangi

kompleksitas waktu

8. Data Mining in Market Basket Transaction: An Association Rule Mining Approach

2014 S.O. Abdulsalam, K.S. Adewole, A.G. Akintola, M.A. Hambali

asosiasi rule menggunakan algoritma apriori

Paper ini berfokus

pada memahami

bagaimana

menganalisis

keranjang pasar

dapat membantu

memberikan

pengaruh bagi

intelijen bisnis

melalui Association

rule mining. Meski,

temuan paper ini

berlaku untuk

setiap bisnis yang

terlibat dalam

penjualan barang

dan jasa, pola

penjualan

supermarket

khususnya

dianalisis pada

penelitian ini.

Database

transaksional

dibuat dan

ditambang

menggunakan

algoritma Apriori

yang

diimplementasikan

di bahasa

pemrograman Java.

Algoritma

Association rule

mining lainnya

dapat diterapkan

untuk menambang

database

transaksional untuk

tujuan

perbandingan

kinerja.

9. Market basket analysis: Complementing association rules with minimum spanning trees

2017 Mauricio A. Vallea, Gonzalo A. Ruz , Rodrigo Morrás

Asosiasi Rule Kami telah

menunjukkan

bahwa analisis

jaringan didasarkan

pada minimum

Spanning Tree

(MST) adalah

pendekatan yang

cocok untuk

keranjang pasar

analisis (MBA).

Representasi

perilaku pembelian

melalui MST mudah

ditafsirkan dan

memungkinkan

untuk dikenali

keterkaitan yang

kuat di antara satu

set produk, yang

membuat alat kerja

yang menarik untuk

manajer

pemasaran.

Kami menunjukkan

bahwa jaringan

asosiasi produk di

toko kelontong,

toko berfungsi

sebagai panduan

untuk mengarahkan

pencarian untuk

asosiasi rule (AR).

Ini sangat penting

karena AR adalah

alat MBA klasik,

tetapi memiliki

kelemahan

menghasilkan

angka yang tinggi

aturan yang mereka

butuhkan dan

karenanya hanya

memilih dari bunga

terbesar dan rasa

praktis sangat

memakan waktu.

MST dapat

dianggap sebagai

representasi yang

unik dan

disederhanakan

jaringan asosiasi

yang dapat

mengatasi masalah

data yang

berlebihan dengan

secara signifikan

membatasi ruang

pencarian untuk

AR.

Selain itu, MST

memiliki

keuntungan untuk

memungkinkan

kontrol yang lebih

besar lebih dari

hubungan palsu

dan kebisingan

(Hero & Michel,

1997; Miccichè,

Bonanno, Lillo, &

Mantegna, 2003)

dengan mengatasi

signifikansinya dari

ujung-ujungnya,

seperti yang

ditunjukkan dalam

penelitian ini. Poin

terakhir ini juga

merupakan

keuntungan lebih

dari AR, yang

biasanya

merupakan aturan

palsu (Aggarwal &

Yu, 1998; Tuzhilin &

Adomavicius,

2002).

Terlepas dari

kelebihan MST,

hampir tidak ada

literature yang

menerapkan

jaringan semacam

itu dalam

fenomena terkait

bisnis, seperti

misalnya perilaku

pembelian agregat

dari ribuan

pelanggan. Namun,

dalam disiplin lain,

MST telah berguna

dalam

menggambarkan

dan memahami

fenomena yang

berkaitan dengan

fungsi otak (Stam

dkk., 2014; Tewarie,

van Dellen,

Hillebrand, & Stam,

2015), pengolahan

gambar (Xu &

Uberbacher, 1997),

mengelompokkan

gen ekspresi (Xu,

Olman, & Xu, 2002),

pertukaran mata

uang dan saham

(Wang, Xie, Chen, &

Chen, 2013), di

antara aplikasi lain.

Studi yang

berorientasi pada

grafik dari MBA

memungkinkan

kami untuk

membuat observasi

menarik. Pertama,

grafik asosiasi

produk dapat

diungkap

interdependensi

yang kuat antara

produk dalam

kategori yang sama.

Ini bisa dikatakan,

produk yang

berbagi kategori

cenderung

terkonsentrasi di

cabang MST yang

sama. Ini artinya

pembelian produk

dalam kategori

tertentu cenderung

disertai oleh yang

lain dalam kategori

yang sama. Dengan

demikian,

dimungkinkan

untuk mendeteksi

misalnya pasang

produk dari

kategori yang sama

sangat berkorelasi,

dan karena itu

calon penawaran

yang ditargetkan

atau promosi. Ini

adalah hasil dari

sifat taksonomi

yang mengekspos

penemuan

kelompok kategori

produk yang dekat

dengan masing-

masing lainnya

(yaitu, kategori

yang ada dalam

keranjang), yang

menunjukkan

penemuan tersebut

pola keranjang

(Rammal, Toulouse,

& Virasoro, 1986).

Ini karena MST

mengungkap pohon

hierarkis dari

subdominant jarak

ultrameter (Lee &

Djauhari, 2012;

Mantegna, 1999).

Kedua, adalah

mungkin untuk

mengidentifikasi

produk-produk

utama yang

memiliki hubungan

berbeda cabang

produk dari

kategori yang

berbeda atau dari

yang sama.

Mengingat sifat

hierarkis dari MST,

node yang memiliki

akses ke berbagai

cabang secara alami

terpapar. Namun,

berurutan untuk

node ini agar masuk

akal praktis dari

pengelola ritel

sudut pandang,

mereka perlu

diperintahkan oleh

tingkat

kepentingannya.

Kami

mendefinisikan

pentingnya node

dari MST oleh: 1)

kapasitas mereka

untuk menjadi

nexus dengan node

lain yang

berdekatan di

jaringan, dan 2)

kedekatan yang

dimiliki node

dengan yang

berdekatan lainnya

node dalam

jaringan. Jadi

misalnya, sebuah

node dengan tinggi

derajat dan jarak

pendek ke simpul

yang berdekatan

lebih penting dari

yang lain dengan

tingkat yang lebih

rendah dan jarak

yang lebih jauh.

Dengan kriteria ini,

dimungkinkan

untuk mengungkap

node dengan tinggi

pentingnya sebagai

simpul akses ke

cabang-cabang

dengan jumlah

yang tinggi dari

node sangat dekat

lainnya.

Ketiga,

kesederhanaan MST

memungkinkan

dilakukannya

evaluas signifikansi

dari sekumpulan

interrelasi terbatas,

mengesampingkan

semuanya ujung-

ujungnya yang,

berada pada jarak

pendek (atau

korelasi tinggi),

tidak signifikan. Ini

merupakan

keuntungan ketika

mencari aturan

asosiasi,

menghindari

pertimbangan

aturan potensial

yang dapat dimiliki

tingkat Angkat yang

tinggi (korelasi

tinggi), tetapi yang

berubah menjadi

kesempatan (Webb,

2007). Dalam

pengertian ini, MST

memungkinkan

analis

atau pembuat

keputusan untuk

memiliki gambaran

umum tentang

bagaimana satu

produk terkait

dengan yang lain,

dan dengan

demikian untuk

menilai

kemungkinan

promosi strategi.

Dengan aturan

asosiasi, lebih sulit

untuk mendapatkan

ini pemahaman

tentang

konektivitas.

Metode kami tidak

hanya berguna

untuk menemukan

aturan dari jenisnya

{A} → {B}, tetapi

juga untuk

memandu

pencarian untuk

lebih kompleks dan

praktis aturan, dari

zona pengaruh dan

produk utama yang

ditemukan di

MST. Perpanjangan

dari penelitian ini

adalah untuk

membangun MST

berdasarkan

kondisional korelasi

(atau korelasi

parsial). Terkadang

beberapa korelasi

antara pasangan

produk dapat

diberikan karena

pengaruh dari

produk ketiga.

Mempertimbangkan

hal ini, yang

disimpulkan ujung-

ujungnya dapat

mewakili pengaruh

yang lebih langsung

antara node

(Kolaczyk & Csárdi,

2014). Dengan

demikian,

keterbatasan MST

saat ini dapat

diatasi dengan

keinginan kita untuk

meningkatkan

kompleksitas aturan

asosiasi dengan

meningkatkan

jumlah item yang

dikandungnya,

menjadi lebih sulit

untuk menemukan

aturan-aturan ini

dengan mengamati

MST secara

langsung. Namun

demikian, MST terus

menjadi panduan

yang baik. Kami

mengantisipasi

bahwa penelitian

kami dapat

memberikan titik

awal yang baik

untuk penelitian

MBA selanjutnya

menggunakan MST.

Ada banyak aplikasi

kemungkinan.

Sebagai contoh,

perbandingan MST

sebelumnya dan

setelah kampanye

promosi yang

penting bisa

mendeteksi

perubahan di tepi

yang

menghubungkan

(atau tidak

terhubung) node

yang tidak

terhubung sebelum

(atau sudah).

Dengan cara ini,

MST telah menjadi

alat untuk

mengamati dampak

dari suatu tindakan,

tidak hanya di

tingkat local dalam

jaringan produk,

tetapi juga secara

sistemik dalam

himpunan semua

item-item yang

membentuk

jaringan.

Metodologi yang

diusulkan juga akan

memungkinkan

studi tentang

perilaku pembelian

yang berbeda

cabang-cabang

rantai supermarket

di lokasi geografis

yang berbeda.

MST dapat mengidentifikasi perilaku pembelian yang khas antara cabang-cabang, yang akan memungkinkan manajer ritel untuk memilih local kampanye promosi ad-hoc untuk populasi sosiodemografi yang menggunakan cabang tertentu. Kesimpulannya, MST bersamaan dengan deteksi signifikan dan tepi-tepi pendek serta deteksi titik-titik tinggi kepentingan memfokuskan perhatian pada kelompok produk yang dikurangi, menuju dimana manajer ritel dapat mengarahkan kegiatan pemasaran yang melibatkan memasangkan seperti barang. Memasangkan bersama produk-produk yang sangat dekat satu sama lain di zona pengaruh dalam MST adalah

sebuah peluang untuk meningkatkan penjualan. Tetapi memaketkan produk yang terkait dengan simpul penting tinggi juga merupakan kesempatan lain untuk meningkatkan perputaran produk tersebut.

10. Visual Analysis of User-Driven Association Rule Mining

2017 Wei Chena, Cong Xieb, Pingping Shanga, Qunsheng Peng

Association Rule Mining

Peneliti menyajikan metode analisis visual untuk penambangan Association Rule dalam dataset kategorikal. Pendekatan kami menggabungkan tindakan dan batasan yang ditentukan oleh pengguna aplikasi yang berbeda, dan menyediakan kemampuan interaksi untuk modulasi kendala selama proses penambangan berulang. Akhirnya, dua studi kasus yang berbeda menunjukkan validitas pendekatan kita. Untuk pekerjaan di masa depan, kami berharap dapat mendukung lebih banyak metode untuk membangun struktur hirarki matriks aturan. Otomatis pendekatan untuk merekomendasikan ambang batas ukuran akan juga membantu pengguna selama eksplorasi visual. Kami juga akan

melakukannya suka fokus pada struktur temporal aturan (misalnya, urutan dari pembelian komoditas) dengan mengintegrasikan seri waktu analisis

11. Improving the accuracy of collaborative filtering recommendations using clustering and association rules mining on implicit data

2016 Maryam Khanian Najafabadi, Mohd Naz'ri Mahrin, Suriayati Chuprat, Haslina Md Sarkan

Association Rules Mining

Collaborative

Filtering (CF)

merekomendasikan

item ke pengguna

aktif berdasarkan

peringkat

sebelumnya

catatan dari

pengguna yang

berpikiran sama

(pengguna

tetangga). Karena

CF tidak bisa secara

akurat menemukan

tetangga yang

serupa ketika

peringkat diberikan

oleh pengguna

sangat jarang,

akurasi prediksi

dalam preferensi

item pengguna

akan rendah. Oleh

karena itu, hasilkan

rekomendasi

kualitas rendah. Di

dalam belajar,

untuk mengatasi

sparsity data dari

matriks usereitem,

kita punya

mmengusulkan

teknik baru untuk

rekomendasi

berdasarkan

pengguna profil

yang dibuat dari

umpan balik

pengguna implisit

yang cocok untuk

CF dengan sparsity

data. Tujuan dari

penelitian ini

adalah untuk

meningkatkan

akurasi

rekomendasi

dengan memetakan

item pengguna

secara efisien

preferensi dari

aktivitas dan tag

pengguna yang

terkait dengan item

dan

mengidentifikasi

preferensi serupa

pada kategori lagu

yang sama. Untuk

mengatasi masalah

sparsity data, kami

punya teknik

pertambangan

aturan asosiasi yang

digunakan untuk

menemukan yang

serupa pola minat

di antara pengguna

dari informasi

implisit, bukan

informasi eksplisit.

Dalam beberapa

tahun terakhir telah

terbukti bahwa

algoritma tunggal

umumnya tidak

dapat pucat

kelemahan dalam

menggunakan

dasar CF dan

mengoptimalkan

akurasi

rekomendasi. Oleh

karena itu, usulan

teknik kami telah

meningkatkan

efektivitas

rekomendasi

dengan

menggunakan

teknik analisis

pengelompokan

untuk mengurangi

ukuran data dan

dengan

menggunakan

teknik Association

Rules Mining untuk

menemukan pola

minat serupa di

antara pengguna.

Apalagi, yang

penting fitur item

ketika

merekomendasikan

preferensi

pengguna juga

telah diselidiki.

Kemudian, empat

percobaan pada

dataset lagu public

yaitu set data

Million Song

dilakukan untuk

menyelidiki akurasi

teknik yang kami

usulkan terhadap

CF dasar.

Khususnya, bahkan

ketika datanya

jarang, teknik yang

diusulkan

meningkatkan

ketepatan untuk

36% rata-rata

tingkat sparsity

yang berbeda,

meningkatkan

Recall hingga 9%

pada tingkat

sparsity yang lebih

tinggi dan

meningkatkan F-

measure hingga

17% rata-rata

dibandingkan

dengan CF dasar.

Hasil eksperimen

juga menunjukkan

bahwa teknik kami

mencapai kinerja

yang lebih baik bila

dibandingkan

dengan versi lain

dari teknik CF di

istilah Precision,

Ingat metrik.

Peningkatan ini

menghasilkan

teknik yang

diusulkan karena

keunggulan

utamanya pada

pencapaian

informasi yang

cukup tentang

preferensi

pengguna untuk

dianalisis dari

perilaku

mendengarkan

pengguna dan

menghilangkan

ketergantungannya

peringkat pengguna

dalam proses

menemukan item

yang diminati

pengguna.

12. Association Rule Mining using Apriori Algorithm: A Survey

2013 Charanjeet Kaur Association Rule Mining

Association Rule

Mining adalah topik

yang menarik dari

penelitian di bidang

penambangan data.

Kami telah

menyajikan survei

sebagian besar

kerja penelitian

terbaru. Namun

penambangan

aturan asosiasi

adalah masih dalam

tahap eksplorasi

dan

pengembangan.

Masih ada

beberapa masalah

penting yang perlu

dipelajari untuk

mengidentifikasi

Association Rule

yang berguna. Kami

berharap bahwa

penambangan data

Peneliti dapat

memecahkan

masalah ini

sesegera mungkin.

Beberapa masalah

untuk

penambangan

aturan asosiasi

disarankan

di bawah:

1. Untuk membuat

pola yang sering

menambang tugas

penting dalam data

penambangan,

banyak penelitian

diperlukan.

2. Sebagian besar

pendekatan

didasarkan pada

beberapa asumsi

yang ketat. Mereka

harus

disamaratakan

sehingga mereka

bisa lebih luas

bekas.

3. Metode yang

lebih efisien dan

skalabel untuk

Peraturan Asosiasi

penambangan

harus

dikembangkan.

4. Metode

penambangan

tunggal dan

penambangan

online seharusnya

dikembangkan.

5. Pengukuran

database-

independen

seharusnya mapan.

6. Peraturan

asosiasi tingkat

tinggi harus

diidentifikasi.

7. Teknik untuk

aturan asosiasi

pertambangan

dalam multi-

database harus

dieksplorasi.

8. Teknik yang

efektif untuk

Penambangan

Penggunaan Web

seharusnya

dikembangkan.

9. Aplikasi baru dari

penambangan

aturan asosiasi

seharusnya

dieksplorasi.

13. Analisis Kaidah Asosiasi Antar Item Dalam

2017 Adyawangkara Katon Prasidya dan Charitas

Association Rule Mining dengan

Berdasarkan hasil

analisis data

Transaksi Pembelian Menggunakan Data Mining Dengan Algoritma Apriori (Studi Kasus: Minimarket Gun Bandungan, Jawa Tengah)

Fibriani Algoritma Apriori

transaksi pembelian

pada kurun waktu

10-Oktober-2016

s/d 15-Oktober-

2016, dapat

disimpulkan bahwa

nilai support dan

confidence

berbanding lurus

dengan kuatnya

asosiasi antar item.

Frequent itemset

yang memenuhi

minimum support

dan minimum

confidence

digunakan untuk

membentuk kaidah

asosiasi. Analisis

data transaksi

pembelian

menghasilkan

beberapa kaidah

asosiasi dalam pola

pembelian item

oleh pelanggan di

minimarket Gun

Bandungan, Jawa

Tengah. Kaidah

asosiasi yang

dihasilkan dapat

digunakan

minimarket untuk

menyusun strategi

promosi

berdasarkan item-

item yang sering

dibeli secara

bersamaan untuk

mendongkrak

penjualan dengan

melakukan teknik

cross selling sebagai

ganti dari strategi

promosi dengan

mengadakan

bundling item,

melakukan

pengadaan stok

barang yang lebih

tepat guna dengan

melakukan

pengadaan stok

barang yang

berimbang pada

item-item yang

sering dibeli secara

bersamaan, dan

mengatur tata letak

item di minimarket

sesuai pola

pembelian

pelanggan untuk

menaikkan angka

penjualan dengan

cara menata item-

item yang sering

dibeli bersamaan

berdekatan.

Perhitungan data

transaksi pembelian

menggunakan

algoritma apriori

memiliki kendala,

yaitu kendala

optimisasi

algoritma dan

optimisasi waktu,

dimana algoritma

apriori

membutuhkan

penelusuran

database secara

menyeluruh untuk

mendapatkan tiap

kombinasi itemset,

terutama dalam

menganalisis data

yang berukuran

besar. Untuk

meningkatkan

algoritma apriori,

dapat digunakan

beberapa teknik,

seperti hash-based,

transaction

reduction,

partitioning,

sampling, dan

dynamic itemset

counting

2.2 Data Mining

Data mining adalah teknik untuk mendapatkan informasi tersembunyi dari koleksi

data itu. Ada beberapa fungsi utama dalam penambangan data seperti estimasi, prediksi,

klasifikasi, pengelompokan dan asosiasi. (Muhamad Brilliant, Dwi Handoko , Sriyanto,

2017)

2.3 Association Rule Mining

Association Rule Mining adalah Teknik di bidang Data Mining yang sangat penting

saat ini. Association Rule Mining menemukan pola, asosiasi, korelasi, atau kausal yang

sering terjadi struktur di antara set barang atau benda dalam transaksi basis data, basis

data relasional, dan informasi repositori lainnya. (Charanjeet Kaur , 2013)

BAB III

METODOLOGI PENELITIAN

3.1 Literature Review

Tahapan ini dilakukan dengan melakukan review dari berbagai paper yang

berhubungan dengan penelitian ini. Setelah ditemukan masalah yang belum terselesaikan

dari penelitian sebelumnya, maka dilakukan literature review untuk menemukan pemecahan

masalah yang akan diteliti.

3.2 Pengumpulan Data

Data yang akan digunakan pada penelitian ini adalah Dataset berupa data keranjang

belanja customer pada E-Marketplace.

3.3 Metode Association Rule Mining

Association Rule Mining menambang data pada E-Marketplace untuk mengetahui

data keranjang belanja customer agar menghasilkan informasi produk yang sering dipilih

oleh customer. Sehingga bisa dipertimbangkan untuk mengatur persediaan stok barang agar

sesuai dengan daya minat pembelian customer dan dapat mengatur strategi penjualan,

memungkinkan pengecer untuk menyediakan layanan memuaskan pelanggan disesuaikan

dengan kebutuhan perkunjungan customer.

3.4 Validasi dan Verifikasi

Pada tahapan ini dilakukan validasi dan verifikasi algoritma yang akan diujikan pada

penelitian ini, agar menghasilkan akurasi data yang lebih baik dari penelitian sebelumnya.

3.5 Kesimpulan dan Saran

Pada tahap ini, telah didapatkan hasil dari penelitian yang telah diuji coba. Sehingga

peneliti dapat memberikan kesimpulan dan saran dari hasil penelitian yang telah dilakukan.

3.6 Jadwal Penelitian

No Kegiatan

Bulan

Mei Juni Juli Agustus

Minggu Minggu Minggu Minggu

1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4

1 Pembuatan Proposal Tugas Akhir

2 Pengumpulan dataset

3 Mengolah dataset

4 Melakukan Validasi Data

5 Melakukan Verifikasi Data

6 Pembuatan Tesis I

7 Pembuatan Tesis II

DAFTAR PUSTAKA

Brilliant, Muhamad dkk. 2017. Implementation of Data Mining Using Association Rules for Transactional Data Analysis

Kurniawan, Fachrul dkk. 2018. Market Basket Analysis to Identify Customer Behaviors by Way of Transaction Data.

Kaura, Manpreet and Kang, Shivani. 2016. Market Basket Analysis: Identify the changing trends of market data using association rule mining.

Griva, Anastasia dkk. 2018. Retail Business Analytics: Customer Visit Segmentation Using Market Basket Data.

Heydari, Majeed and Yousefli, Amir. 2017. A new optimization model for market basket analysis with allocation considerations: A genetic algorithm solution approach.

Ye a, Qiang dkk. 2013. Learning from other buyers: The effect of purchase history records in online marketplaces.

Prasad J, Phani and Mourya, Murlidher. 2013. A Study on Market Basket Analysis Using a Data Mining Algorithm.

Abdulsalam, S.O. dkk. 2014. Data Mining in Market Basket Transaction: An Association Rule Mining Approach.

A. Vallea, Mauricio dkk. 2017. Market basket analysis: Complementing association rules with minimum spanning trees.

Chena, Wei dkk. 2017. Visual Analysis of User-Driven Association Rule Mining.

Khanian Najafabadi, Maryam dkk. 2016. Improving the accuracy of collaborative filtering recommendations using clustering and association rules mining on implicit data.

Kaur, Charanjeet. 2013. Association Rule Mining using Apriori Algorithm: A Survey.

Katon Prasidya, Adyawangkara and Fibriani, Charitas. 2017. Analisis Kaidah Asosiasi Antar Item Dalam Transaksi Pembelian Menggunakan Data Mining Dengan Algoritma Apriori (Studi Kasus: Minimarket Gun Bandungan, Jawa Tengah).