Association Rule Pada Data Mining

k-itemset (k=3) 

kemudian pada iterasi ketiga dengan nilai k=3, akan dibentuk kombinasi dari 3 buah itemset sebagai berikut :

{Telur,Minyak,Beras}=4 {Telur,Minyak,Buku}=2 {Telur,Minyak,Topi}=2 {Telur,Beras,Buku}=1 {Telur,Beras,Topi}=2 {Beras,Buku,Topi}=0 {Beras,Topi,Minyak}=2 {Beras,Buku,Minyak,}=1 {Buku,Minyak,Topi}=1 Dan seterusnya…….

Dari 8 transaksi pada contoh, terdapat 4 transaksi yang membeli item {telur,minyak dan beras} bersamaan, 2 transaksi yang membeli item {telur,minyak dan buku},2 transaksi yang membeli item {telur,minyak dan topi} dan selanjutnya. 

k-itemset (k=4) 

terakhir pada iterasi keempat dengan nilai k=4, akan dibentuk kombinasi dari 4 buah itemset sebagai berikut :

{Telur,Minyak,Beras,Buku}=1 {Telur,Minyak,Beras,Topi}=2 {Telur,Minyak,Buku,Topi}=0 Dan seterusnya…..

Dari 8 transaksi pada contoh, terdapat 1 transaksi yang membeli item {telur,minyak,beras dan buku} bersamaan, 1 transaksi yang membeli item {telur,minyak,beras dan topi} bersamaan dan selanjutnya. Bisa dibayangkan hanya untuk 8 transaksi dengan maksimal item yang dibeli setiap transaksi adalah 4 item saja bisa menghasilkan 31 kombinasi asosiasi.

2. Ekstraksi Aturan Asosiasi

Setelah didapatkan kombinasi itemset yang frequent, maka fase selanjutnya adalah mengekstrasi aturan asosiasi dari kombinasi itemset yang memiliki nilai confident yang tinggi. Untuk menghitung nilai confident, setidaknya kita juga mesti menghitung nilai supportnya agar terlihat korelasi antara nilai support dan nilai confident tersebut. Sebagai contoh kita akan menghitung nilai support dan confident dari k-itemset (k=2) berikut :

{Beras,Buku} = 2