PENERAPAN ALGORTIMA APRIORI & FP-GROWTH UNTUK …

p-ISSN 2338-6754e-ISSN 2581-1304

http://ejpp.balitbang.pemkomedan.go.id/index.php/JPP

Jurnal Pembangunan PerkotaanVolume 6, Nomor 1, Januari – Juni 2018

46

PENERAPAN ALGORTIMA APRIORI & FP-GROWTH UNTUKPENGAMBILAN KEPUTUSAN DI PEMKO MEDAN

Lismardiana

Sekolah Tinggi Ilmu Komputer (STIKOM) MedanJln. Iskandar Muda no. 45 Medan, Sumatera UtaraE-mail Korespodensi : [email protected]

Abstrak

Data mining digunakan banyak tempat dan bidang penerapannya juga dapat bermacammacam,misalnya di lingkungan pemerintahan kota medan ada data mining pegawai,data miningkenaikan pangkat atau golongan.Data mining mempelajari apa saja yang menjadi faktor utamadalam ketepatan sasaran dalam pengambilan keputusan oleh pihak pimpinan khususnya dilingkungan pemerintahan kota Medan. Kecerdasan Pengambilan Keputusan merupakan prosespengubahan data menjadi informasi. Dari kumpulan informasi yang ada akan diambil polanyamenjadi pengetahuan. Tujuan dari teknik pengambilan keputusan ini dengan menggunakan algoritmaapriori & FP-Growth ini adalah untuk mengubah data yang sangat banyak dan memiliki nilaikeputusan melalui laporan analitik. Algoritma Apriori & FP-Growth salah satu algoritma datamining dalam pembentukan asosiasi rule mining. Penggunaan teknik Algoritma apriori & FP-Growthdilakukan mulai dengan proses ekstraksi informasi dari suatu database, dilanjutkan denganmelakukan frequent item/itemset dan candidate generation dalam pembentukan asosiasi rule miningguna mendapatkan hasil nilai minimum support dan hasil nilai minimum confidence. Denganpencapaian hasil minimum support dan minimum confidence inilah yang akan dijadikan referensisebagai pengambilan keputusan di lingkungan Pemerintahan Kota Medan.

Kata Kunci : Apriori,FP-Growth,FP-tree, Asosiasi Rule Mining, Pemerintahan Kota Medan

Abstract

Data mining is used many places and the field of application can also be various kinds, for example inthe city government field there is data mining employees, data mining promotion or class. Datamining learn what is the main factor in the accuracy of targets in decision making by the leadership inthe city government of Medan. Decision Making Intelligence is the process of converting data intoinformation. From the collection of existing information will be taken into a pattern of knowledge. Thepurpose of this decision-making technique by using a priori algorithm & FP-Growth is to change thedata very much and have value decision through analytic report. Apriori Algorithm & FP-Growth oneof the data mining algorithms in the formation of association rule mining. The use of a prioriAlgorithm and FP-Growth technique starts with the process of extracting information from adatabase, followed by frequent item / itemset and candidate generation in formation of rule miningassociation in order to get the minimum value of support and the result of minimum confidence value.With the achievement of minimum support and minimum confidence that this will be used as areference as a decision in the environment of Medan City Government.

Keywords: Apriori, FP-Growth, FP-tree, Association of Rule Mining, Medan City Government

PendahuluanData mining digunakan banyak tempat dan bidangpenerapannya juga dapat bermacam macam, datamining mempelajari apa saja yang menjadi faktorutama dalam ketepatan sasaran dalam pengambilankeputusan oleh pihak pimpinan khususnya di

lingkungan pemerintahan kota Medan. KecerdasanPengambilan Keputusan merupakan prosespengubahan data menjadi informasi. Dari kumpulaninformasi yang ada akan diambil polanya menjadipengetahuan. Berry.M.J.A. dan Linoff.G.S. 9 Tujuandari teknik pengambilan keputusan ini dengan

Jurnal Pembangunan Perkotaan 6 (1) (2018) : 46-5447

menggunakan algoritma apriori & FP-Growth iniadalah untuk mengubah data yang sangat banyak danmemiliki nilai keputusan melalui laporan analitik.Berry.M.J.A. dan Linoff.G.S. 9

algoritma apriori & FP-Growth salah satualgoritma data mining untuk melakukan prosesekstraksi informasi pada database dan menemukanaturan asosiasi antara suatu kombinasi item/itemset,Abdullah4.penyelesaian masalah pada prosesakstraksi informasi dari sebuah database atau datamining dengan melakukan proses generasi iterasifrequent itemset dalam jenis aturan asosiasi rulemining (association rule mining) sehinggamenghasilkan nilai support dan confidence, Heena etal 1. Teknik pengambilan keputusan inilah yangmungkin nantinya dapat diterapkan di lingkunganpemerintahan kota medan untuk dijadikan sebagaipengambilan keputusan.

Pada database yang cukup besar prosespencairan asosiasi rule mining pada algoritma apriorimembutuhkan waktu cukup lama, Moriwal2

disebabkan semakin besar database maka semakinbanyak frequent yang dihasilkan dan candidategeneration, dapat dilihat pada gambar 1.

Gambar 1. Proses iterasi asosiasi rule padaalgoritma apriori

Sumber: Heena ,2014

Semakin banyak / besar database akansemakin banyak timbul iterasi kombinasiitem/itemset yang harus dilakukan setiap kali proses,sehingga waktu yang diperlukan cukup lama dalampenyelesaian pencapaian nilai support danconfidence. Jadi inilah masalah algoritma apriorisehingga perlu dikembangkan karena banyakmenghasilkan frequent item/itemset.

Penelitian yang telah dilakukan berkaitandengan algoritma apriori tentang frequent itemset:Penelitian Kaur et al 8 desain dan implementasiefesien pada algoritma apriori, Heena et al1

menganalisis frequent pattern dalam perpindahanitem pada algoritma apriori dan Penelitian Kumar danRukmani 3 implementasi web menggunakanalgoritma apriori dan algoritma FP-Growth.

Berdasarkan penelitian diatas, maka perludilakukan penelitian pada algoritma apriori untukmengatasi munculnya frequent item/itemset dalampencarian nilai support dan nilai confidence padadatabase yang cukup besar, sehingga dapatmenghasilkan asosiasi rule mining tanpa melakukancandidate generation. Sehingga waktu penyelesaianpada proses frequent item/itemset pada algoritmaapriori lebih efesien.

ALGORITMA APRIORIAlgoritma Apriori adalah salah satu algoritma padadata mining untuk mencari frequent item/itemset padatransaksional database. Algoritma apriori pertamakali diperkenalkan oleh R.Agarwal dan R Srikantuntuk mencari frequent tertinggi dari suatu database,Kaur et al8. Penggunaan bottom-up pendekatanberulang. Untuk menentukan asosiasi rule miningsebuah transaksi database, diperlukan waktu dalammelakukan proses frequent itemset, menghasilkankombinasi data yang cukup t banyak, Abdullah4.Proses ini dilakukan untuk mencari minimum nilaisupport dan minimum nilai confidence .

Algoritma apriori sangat mudah dipahami,tetapi ada beberapa kekurangan pada algortimatersebut:1. Database Scanning: Database transaksi perlu

dipindai berulang kali untuk menemukanfrequent itemset. Jika ada n item dalamdatabase, membutuhkan minimal n kalimemindai database.

2. Pengaturan minimal frequent item/itemset untukmenentukan nilai support minimum.

3. Aturan Asosiasi rule mining dalammendapatkan nilai minimum confidence

Langkah-langkah algoritma apriori sebagai berikut:1. Join (penggabungan).

Pada proses ini setiap item dikombinasikandengan item yang lainnya sampai tidak terbentukkombinasi lagi.2. Prune(pemangkasan).

Pada proses ini, hasil dari item yang telahdikombinasikan tadi lalu dipangkas denganmenggunakan minimum support yang telahditentukan.

Dua proses utama tersebut merupakanlangkah yang akan dilakukan untuk mendapatfrequent itemset pada algoritma Apriori.

Penerapan Algortima Apriori & Fp-Growth untukPengambilan Keputusan di Pemko MedanLismardiana 48

Gambar 2. Deskripsi Algoritma Apriori

Pseudocode algoritma aprirori:Input:D,a database of transaction;Min_Supp, the minimumsupport count thresholdOut put:L, frequent itemsets in DMethod:L1 = find_frequent_1_itemsets(D);For (k=2;LK-1 ≠,k I i){Ck=apriori_gen(L1-1);For each transaction t D{//scan D for countsCt = subset (Ck,t); ; // get the subsets for eachcandidate c € Ct

c.count ;}Lk={c ck c.counts≥ min sup}}Return L = k Lk;

ANALISIS ASOSIASI RULE MININGAturan asosiasi merupakan dalam data mining yangmenemukan frequent itemset pada database.Asosiasi aturan data mining adalah mekanisme dalamdata mining dalam aturan asosiasi, ekspresi implikasidari bentuk X → Y di mana X adalah Y. Antesedendan konsekuen ditetapkan item domain I.pendahuluan dan konsekuen adalah seperangkat itemdari domain I. Dengan demikian X∩Y = Φ.Dukungan dari set item didefinisikan sebagai rasiojumlah transaksi yang mengandung item diatur padajumlah total transaksi. Kepercayaan aturan asosiasi X→ Y adalah probabilitas bahwa Y transaksimengandung algoritma association rule mining X ,Arora K. Rakesh dan Badal Dharmendra10 Rumusuntuk mencari nilai support dan confidence adalah :

Analisis asosiasi didefenisikan suatu proses untukmenemukan semua aturan asosiasi yang memenuhisyarat minimum untuk support (minimum support)dan syarat minimum untuk confidence (minimumconfidence).

FP-GROWTHMining tanpa melakukan candidate

generation adalah teknik FP-Growth denganmenggunakan struktur data FP-tree, Han et al5.Dengan menggunakan cara ini scan database hanyadilakukan dua kali saja, tidak perlu berulang-ulang.Data akan direpresentasikan dalam bentuk FP-Tree.Setelah FP-Tree terbentuk, maka struktur data yangbaik sekali untuk Frequent itemset akan diperoleh.Kumar B.S dan Rukmani .K.V.3 FP-Tree merupakanstruktur data yang baik sekali untuk frequent Patternmining, Han et al5 Struktur ini memberikaninformasi yang lengkap untuk membentuk FrequentPattern. Item-item yang tidak frequent (infrequent)sudah tidak ada dalam penggunaan FP-tree, Han etal5

Pembangunan FP-Tree dari sekumpulan datatransaksi, akan diterapkan algoritma FP-Growthuntuk mencari Frequent itemset yang signifikan, Hanet al5. Algoritma FP-tree dibagi menjadi tiga langkahutama, yaitu:

1. Tahap Pembangkitan Conditional PatternBase merupakan subdatabase yang berisiprefix path (lintasan e:1 prefix) dan pattern(pola akhiran). Pembangkitan conditioanlpattern base didapatkan melalui FP-treeyang telah dibangun sebelumnya.

2. Tahap Pembangkitan Conditional FP-treepada tahap ini, support count dari setiapitem pada setiap conditional pattern basedijumlahkan, lalu setiap item yang memilikijumlah support count lebih besar samadengan minimum support count akandibangkitkan dengan conditional FP-tree.

3. Tahap Pencarian frequent itemset apabilaconditional FP-tree merupakan lintasantunggal(single path), maka didapatkanfrequent itemset dengan melakukankombinasi item untuk setiap conditonal FP-tree. Jika bukan lintasan tunggal, makadilakukan pembangkitan FP-growth secara


4. rekursif. Ketiga tahap tersebut merupakanlangkah yang akan dilakukan untukmendapatkan frequent itemset.

Dengan menggunakan FP-Growth, kita dapatmelakukan Pettern Frequent itemset dengan tidakmembutuhkan waktu yang cukup lama.

Gambar 3. Deskripsi FP_GrowthSumber :Han et al, 2000

Pseudocode FP-Growth:FP-Growth(Tree, α)for each(ai in the header of Tree) do {β := a i U αgenerate(β with support = ai.support)construct β's conditional base patternand β's conditional FP-Tree Treeβ

if Treeβ≠Ø then call FP-growth(Treeβ,β)Initially call:FP-Growth(Tree, null)

Gambar 4. Proses FP-GrowthSumber: Han, 2000


METODE PENELITIANA. Teknik Pengembangan Algoritma AprioriPada penelitian ini dilakukan beberapa langkah sbb :

1. Penelitian ini dimulai dari pengumpulandata dan proses penyaringan datamenggunakan Weka Explorer.

2. Tahap berikutnya dilakukan proses k-1frequent item pada algoritma apriori

3. Hasil proses pada tahap k-1 frequent itempada apriori,untuk tahap ini digunakanlahmetode FP-Growth untuk meminimalkanfrequent item/itemset dan mempersingkatcara kerja dalam pembentukan asosiasi rulemining untuk menghasilkan nilai supportdan nilai confidence.

Gambar 5. Pengembangan Algoritma Apriori

Dari gambar 5 diatas pengembangan algoritmaapriori dilaksanakan pada k1 item, pada aprioridilanjutkan dengan proses kombinasi ke 2 itemset (k-2 itemset) sedangkan dalam metode FP-Growthdilakukan proses FP-Tree.

TEKNIK PENGUMPULAN DATADalam melakukan penelitian ini, penulismenggunakan database yang bersumberdari:https://.support.spatialkey.com/spatialkey-sample-csv-data/datasales7 database yang berisikantransaksi penjualan sales di beberapa negara,database penelitian untuk apriori yang berformat.CSV.7 Database tersebut akan digunakan sebagaidata pengujian untuk algoritma apriori dan metodeFP-Growth dengan ketentuan sebagai berikut:

1. Data yang digunakan adalah file databaseberisikan Transaction sales penjualan productdi beberapa negara dengan format. CSV

2. Banyak data yang digunakan adalah ± 1500records.

3. Atribute yang digunakan dalam penelitian iniadalah : City, State, Country

Tabel 1. Data Spesifikasi untuk Penelitian

Nama TabelData TransaksiPenjualan Sales

Jml Record 1000

Jml Transaksi 10.51

Jml Item 2997

Untuk database yang cukup besar, terjadi perekamandatabase secara berulang-ulang serta melakukanproses candidate generation secara bertahap-tahap.

HASIL PENELITIANA. Implementasi Algoritma Apriori untukTransaction ID_sales dataset 500 records

Tabel 2. K-1 Apriori Frequent Item dataset 500records

Dari tabel 2 di atas frequent item yang mempunyainilai support 1 dieleminasi, dianggap tidak memenuhinilai support. Pada generasi 1 hasil dari frequent itemyang dihasilkan mempunyai nilai bobot 2, yangdijadikan sebagai candidate generation untuk k-2itemset.


Dari hasil kombinasi k-2 frequent itemset pada tabel3 di atas menghasilkan 22 jumlah itemset.


Tabel 4 K-3 Apriori Frequent Itemset dataset 500records

Dari hasil kombinasi k-3 frequent itemset pada tabel4 di atas menghasilkan 15 jumlah itemset.

Tabel 5. K-4 Apriori Frequent Itemset dataset 500records

Pada tabel 5 di atas dibuktikan bahwa k-4 frequentitemset sudah melampau batas normal yang terjadi.

Tabel 6. Asosiasi Rule Mining untuk 500 records

Pada tabel 6 di atas hasil asosiasi rule mining jika :Min. Support 60%, min.conf 70%, dengan hasil daripencapaian rule mining masing-masing kelompokitemset menunjukkan tingkat prediksi 9%.

B. Implemetasi Algoritma Apriori untukTransaction ID_sales dataset 1000 records

Tabel 7. TransactionID_sales Dataset1000 records


dari tabel 8 diatas jumlah frequent pada k-1 sebanyak22 item.


dari tabel 9 k-2 apriori untuk dataset 1000 recordsmenghasilkan 101 itemset. Hal ini membuktikanbahwa pada tahap ini dibutuhkan metode FP-Growth.


Dari tabel k-3 apriori menghasilkan jumlah 72itemset.




Pada tabel 12 di atas dari K-4 , (kombinasi item k-4)apriori menghasilkan jumlah 66 itemset.

Tabel 13. K-5 Apriori Frequent Itemset dataset1000 records

Pada tabel 13 di atas dari K-5 , apriori menghasilkan51 jumlah itemset.


Pada tabel 14 di atas dari K-6 , apriori menghasilkan31 jumlah itemset.mining, sesuai dengan pendahuluan pada bab 1,bahawa apriori banyak menghasilkan candidategeneration dan kombinasi frequent itemset.


Tabel 15. Asosiasi Rule Mining dataset 1000 records

Pada tabel 15 di atas adalah hasil dari asosiasi rulemining pada penelitian TransactionID_sales dataset1000 records. Hasil asosiasi rule ada 3 bagian :bagian I: hasil frequent 4 dengan nilai support 5%dan nilai confidence 93% sebanyak 3 itemset lihatpada tabel 15 , bagian II : hasil frequent 3 dengannilai support 4% dan nilai confidence 10% sebanyak22 itemset lihat pada tabel 4.49, dan bagian III: hasilfrequent 2 nilai support 3% dan nilai confidence 7%sebanyak 19 itemset.

C. Hasil Implementasi menggunakan MetodeFP_Growth dengan dataset 500 records

Gambar 6. FP-tree dataset500Pada gambar 6 di atas hasil frequent item dari FP-Growth menggunakan FP-tree. Jumlah frequent yangdihasilkan sebanyak 17 dengan 1 percabangandengan dataset 500 records.

Tabel 16. Conditional Patternbase dataset 500

Pada tabel 16 diatas masing-masing frequent patterngeneration terdapat beberapa kelompok itemset :{(A2,A3,B2,B3,B5,C2,C4):2},{(A2,A3,B2,B3,B5,C2,C4):2}.

D. Hasil Implementasi menggunakan metode FP-Growth dengan dataset 1000 records

Gambar 7. FP-Tree dataset 1000Pada gambar 7 di atas hasil frequent item dari FP-Growth menggunakan FP-tree. Jumlah frequent yangdihasilkan sebanyak 38 dengan 4 percabangandengan dataset 1000 records.

Tabel 17. Tabel Conditional Pattern Base FP-Treedataset 1000records

D. Hasil AnalisisHasil penelitian penulis berkesimpulan bahwa jumlahfrequent item/itemset yang dihasilkan dapatmempengaruhi waktu penyelesaian pembentukanasosiasi rule mining.

Tabel 18. Perbandingan waktu Penyelesaian Apriori+ FP Growth

TID Apriori FP-Growth

Menit Menit

T500 90 15


Gambar 8. Hasil Uji Coba Dataset 500 Records

Tabel 19. Penyelesaian Dataset 1000 Records

Gambar 9. Hasil Uji Coba Dataset 1000 RecordsPada gambar 8 dan 9 perbandingan perbedaanpenyelesaian apriori dengan FP_Growth, pada grafikdiatas menunjukkan signifikan atas perbedaan waktudalam pembentukan asosiasi rule mining.

SIMPULANBerdasarkan teknik algoritma apriori dan teknik FP-Growth dengan percobaan yang telah dilakukanitem/itemset pada algoritma apriori dan FP-Growthtelah menghasilkan pembentukan asosiasi rulemining dan hasil minimum Support dan minimumConfidence. Sehingga penerapan teknik pengambilankeputusan pada data mining di pemerintahan kotamedan dapat menerapkan algoritma apriori dan FP-Growth dalam pengambilan keputusan diPemerintahan kota Medan.

Ucapan Terima KasihTerima kasih disampaikan kepada BALITBANGKOTA MEDAN yang telah mendanaikeberlangsungan jurnal ini.

Daftar Pustaka1. Heena Rani, Shuchita Upadhyaya dan Vinod

Kumar.2014. Frequent Pattern Analysis of

Moving Objects Using Apriori AlgorithmInternational Journal of Emerging Research inManagement &Technology ISSN: 2278-9359Volume-3, Issue-4 April .

2. Moriwal. Rahul .2014. FP-growth Tree forlarge and Dynamic Data Set and ImproveEfficiency. ISSN 1746-7659, England, UKJournal of Information and Computing ScienceVol. 2:083-090.

3. Kumar B.S dan Rukmani .K.V. 2010.Implementation of Web Usage Mining UsingAPRIORI and FP Growth Algorithms. Int. J. ofAdvanced Networking and Applications 400Volume:01, Issue:06, Pages: 400-404

4. Abdullah Saad Almalaise Alghamdi. EfficientImplementation of FP Growth Algorithm-DataMining on Medical Data. IJCSNS InternationalJournal of Computer Science and NetworkSecurity, VOL.11 No.12, December 2011

5. Han et al 2000. Mining Frequent Patternswithout Candidate Generation In Proceedingsof the 2000 ACM SIGMOD internationalConference on Management of Data (Dallas,Texas, United States, May 15 -18, 2000).SIGMOD '00. ACM Press, New York, NY, 1-12.

6. Tanna P & Ghodasara Y.2014. Using Aprioriwith WEKA for Frequent Pattern MiningInternational Journal of Engineering Trends andTechnology (IJETT) – Volume 12 Number 3 -Jun 2014

7. https://.support.spatialkey.com/spatialkey-sample-csv-data/data sales di download padatanggal 18 Juni 2015 pukul 22.45 WIB

8. Kaur et al 2014. Design and Implementation ofEfficient Apriori Algorithm International Journalon Recent and Innovation Trends in Computingand Communication Volume: 2 Issue: 5ISSN: 2321-8169 1205– 1208

9. Berry.M.J.A. & Linoff.G.S. 2004. Data MiningTechniques for Marketing, Sales, and CustomerRelationship Management Second Edition .

10. Arora K. Rakesh dan Badal Dharmendra. 2014.Mining Association Rules to Improve AcademicPerformance ”, International Journal ofComputer Science and Mobile Computing, Vol.3 : 1

PENERAPAN ALGORTIMA APRIORI & FP-GROWTH UNTUK …

Documents

Transcript of PENERAPAN ALGORTIMA APRIORI & FP-GROWTH UNTUK …