Optimasi Association Rule pada Keranjang Belanja Pelanggan Menggunakan Apiori dan Algoritma Genetika
Abstract
Semakin banyak data transaksi yang masuk pada sebuah perusahaan khususnya pada bidang retail menyebabkan data harus diolah kembali agar tidak sia-sia. Berdasarkan hasil penelitian terdahulu apriori memiliki kelemahan pada proses ekstraksi rule yang hanya menggunakan indikator minimum support sehingga
hasil rule menjadi terlampau banyak pada dataset dalam skala yang besar. Dalam penelitian ini menggunakan algoritma genetika dimana melakukan optimasi dan seleksi association rule yang dihasilkan oleh apriori dengan menggunakan indikator nilai fungsi objektif untuk menentukan tingkat kekuatan rule. Objek pada penelitian ini adalah sebuah dataset dari UCI Machine Learning Repository yang dibagikan oleh Dr. Daqing Chen dengan judul Online Retail Data Set. Hasil optimasi diharapkan rule yang dihasilkan menjadi lebih sedikit dengan jarak nilai yang lebih optimal sehingga dapat digunakan sebagai interpretasi hasil yang efektif. Setelah dilakukan eksperimen, apriori menghasilkan 958 rule dengan selisih jarak nilai yang didapatkan sebesar 0,7529. Kombinasi apriori dan algoritma genetika menghasilkan 624 rule dengan selisih jarak nilai sebesar 0,278239. Kesimpulan dari penelitian yang telah dilakukan bahwa kombinasi apriori dan algoritma genetika menghasilkan association rule yang lebih opimal dibanding hasil apriori.
References
[2] M. Dhanabhakyam and M. Punithavalli, “A survey on Data mining algorithm for market basket analysis,” Glob. J. Comput. …, vol. 11, no. 11, pp. 1–7, 2011.
[3] M. K. Gupta and G. Sikka, “Association Rules Extraction using Multi-objective Feature of Genetic Algorithm,” Proc. World Congr. Eng. Comput. Sci., vol. II, no. 9781277505, pp. 23–25, 2013.
[4] M. R. Kumar, “Application of Genetic algorithms for the prioritization of Association Rules,” Artif. Intell. Tech. - Nov. Approaches Pract. Appl., pp. 35–38, 2011.
[5] A. Sharma and N. Tivari, “A Survey of Association Rule Mining Using Genetic Algorithm,” Int. J. Comput. Appl. Inf. Technol. I, Issue II, vol. I, no. II, 2012.
[6] I. Tudor, “Association Rule Mining as a Data Mining Technique Example : Market Basket Analysis,” vol. LX, no. 1, pp. 49–56, 2008.
[7] F. H. Al-zawaidah, Y. H. Jbara, and M. A.-A. AbuZanona, “An Improved Algorithm for Mining Association Rules in Large Databases,” World Comput. Sci. Inf. Technol. J., vol. 1, no. 7, pp. 311–316, 2011.
[8] Y. Q. Wei, R. H. Yang, and P. Y. Liu, “An improved apriori algorithm for association rules of mining,” ITME2009 - Proc. 2009 IEEE Int. Symp. IT Med. Educ., vol. 3, no. 1, pp. 942–946, 2009.
[9] E. Turban, J. E. Aronson, T.-P. Liang, and D. Prabantini, Decision support systems and intelligent systems, 7th ed. Yogyakarta: ANDI, 2005.
[10] S. Rangaswamy and S. G., “Optimized association rule mining using genetic algorithm,” vol. 1, no. 2, pp. 1–9, 2009.
[11] M. Fauzy, K. R. S. W, and I. Asror, “Penerapan Metode Association Rule Menggunakan Algoritma Apriori Pada SimulasiPrediksi Hujan Wilayah Kota Bandung,” J. Ilm. Teknol. Inf. Terap., vol. II, 2016.
[12] N. Kurniati, I. S. Sitanggang, and I. Hermadi, “Optimasi Aturan Asosiasi Multidimensi menggunakan Algoritme Genetika untuk Klasifikasi Kemunculan Titik Panas,” Ilmu Komput. Agri-Informatika, vol. 4, no. 1, pp. 42–52, 2015.
[13] R. Haldulakar and J. Agrawal, “Optimization of Association Rule Mining through Genetic Algorithm,” Int. J. Comput. Sci. Eng., vol. 3, no. 3, pp. 1252–1259, 2011.
