Teknik Asosiasi dalam Data Mining : Konsep, Algoritma, Implementasi, Kelebihan dan Kekurangan

6.   Hasilkan aturan asosiasi: 

• Untuk setiap frequent itemset L, hasilkan semua subset non-empty s dari L
• Untuk setiap subset s, bentuk aturan s (L-s)
• Hitung confidence untuk setiap aturan
• Pilih aturan dengan confidence minimum confidence

Algoritma FP-Growth (Frequent Pattern Growth) 

FP-Growth adalah algoritma yang lebih efisien daripada Apriori karena menghindari proses pembangkitan kandidat yang mahal. Algoritma ini menggunakan struktur data yang disebut FP-Tree (Frequent Pattern Tree). 

Keunggulan FP-Growth 

• Hanya memindai database dua kali (dibandingkan dengan Apriori yang bisa berkali-kali).
• Menggunakan struktur data yang kompak (FP-Tree).
• Menggunakan pendekatan divide-and-conquer.

Langkah-langkah Algoritma FP-Growth 

1.   Pemindaian Database Pertama :

• Hitung support untuk setiap item
• Buang item yang tidak frequent
• Urutkan item yang frequent berdasarkan support (dari tinggi ke rendah)

2.   Pembuatan FP-Tree: 

• Buat node root (null)
• Untuk setiap transaksi, urutkan item berdasarkan urutan frequent
• Masukkan transaksi ke dalam tree

3.   Mining FP-Tree: 

• Untuk setiap item (dari support terendah ke tertinggi)
• Temukan semua path yang berisi item tersebut
• Bentuk conditional pattern base
• Bentuk conditional FP-Tree
• Lakukan mining secara rekursif pada conditional FP-Tree

Algoritma Eclat (Equivalence Class Transformation) 

Eclat adalah algoritma untuk menemukan frequent itemset yang menggunakan representasi vertikal dari database transaksi. 

Keunggulan Eclat 

• Menggunakan TID-set (Transaction ID set) untuk representasi data
• Menghitung support menggunakan operasi intersection
• Tidak perlu memindai database berkali-kali

Langkah-langkah Algoritma Eclat 

1.   Transformasi Data: 

• Ubah representasi database dari horizontal ke vertikal
• Untuk setiap item, simpan set transaksi (TID-set) yang mengandung item tersebut

2.   Mining Frequent Itemset: 

• Untuk setiap pair item, hitung support menggunakan intersection TID-set
• Hasilkan frequent 2-itemset
• Secara rekursif, hasilkan frequent k-itemset dari frequent (k-1)-itemset

Implementasi di Dunia Nyata 

•  Analisis Keranjang Belanja (Market Basket Analysis)
• Sistem Rekomendasi Produk
• Deteksi Fraud

Kelebihan dan Kekurangan Teknik Asosiasi 

Kelebihan Teknik Asosiasi 

• Mudah Diinterpretasi: Hasil analisis dalam bentuk aturan "jika-maka" yang mudah dipahami.
• Dapat Menemukan Pola Tersembunyi: Mampu menemukan hubungan yang tidak terlihat secara langsung dalam data.
• Aplikasi yang Luas: Dapat diterapkan di berbagai domain seperti retail, perbankan, asuransi, kesehatan, dll.
• Didukung Banyak Tools: Tersedia banyak library dan tools yang mendukung implementasi teknik asosiasi.
• Tidak Memerlukan Asumsi Statistik: Tidak seperti beberapa teknik statistik yang memerlukan asumsi tertentu.
• Skalabilitas: Algoritma seperti FP-Growth dan Eclat dapat menangani dataset yang besar dengan baik.
• Dapat Dikombinasikan dengan Teknik Lain: Dapat diintegrasikan dengan teknik data mining lainnya seperti klasifikasi.

Kekurangan Teknik Asosiasi 

• Sensitif terhadap Parameter: Hasil sangat bergantung pada parameter seperti minimum support dan minimum confidence.
• Menghasilkan Terlalu Banyak Aturan: Dapat menghasilkan jumlah aturan yang sangat besar, terutama pada dataset yang besar.
• Masalah Komputasi: Algoritma Apriori memerlukan banyak memori dan waktu komputasi untuk dataset yang besar.
• Tidak Mempertimbangkan Urutan: Teknik asosiasi standar tidak mempertimbangkan urutan atau waktu transaksi.
• Kurang Efektif untuk Data Jarang (Sparse Data): Kinerja menurun pada dataset dengan kepadatan rendah.
• Hanya Mengidentifikasi Korelasi, Bukan Kausalitas: Aturan asosiasi hanya menunjukkan korelasi, bukan hubungan sebab-akibat.
• Tidak Menangani Data Numerik dengan Baik: Perlu proses diskretisasi untuk data numerik.

Kesimpulan 

Teknik asosiasi dalam data mining adalah alat yang powerful untuk menemukan hubungan yang menarik dalam data. Dengan algoritma seperti Apriori, FP-Growth, dan Eclat, kita dapat menemukan pola pembelian, perilaku konsumen, dan hubungan antar item yang tidak terlihat secara langsung.