Seminar Nasional Teknologi Informasl dan Multimedia 2017STMIK AMIKOM Yogyokorto. 4 Februari 2017ISSN : 2302-3805

PENERAPAN ALGORITMA APRIORI ASSOCIATION RULEUNTUK ANALISA NILAI MAHASISWA

DI UNIVERSITAS GUNADARMA

Margi Cahyanti l ), Maulana Mujahidin2), Ericks Rachmat Swedia3)

Sistem Informasi Universitas Gunadarma2) Tekmk Komputer Universitas Gunadarma

J) Teknik Informatika Universitas GunadarmaJI Margonda Raya no

Email : margi@staff.gunadarma.ac.id mujahidin@staff.gunadarma.ac.id 100. Depok

2), ericks rs@staff gunadarma.ac.id J)

Abstrak

pada penelitian ini diterapkan metode aprioriassociation rule untuk melihat aturan asosiasi nilai danmatakuliah pada mahasiswa universitas gunadarmajenjang diploma tigajurusan teknik komputer dari tahun2000 sampai tahun 2005 untuk nilai D dan nilai E. atauberarti mencari aturan asosiasi untuk nilai yangmengulang pada 75 matakuliah yang telah diambil.Min_support yang diinput adalah 100 (±5 0/0 dari rata-rata yumlah data yang sebanyak 1800), danmin confidence yang diinput adalah 60%.

Dari hasil analisa terlihat bahwa aturan yang memilikinilai support vs confidence terbesar terjadi pada aturanIF Praktikum Algoritma dan Pemrograman THENPengantar Sistem Komputer. Hal ini berarti bahwakecenderungan mahasiswa jika mengulang matakuliahpraktikum algoritma dan pemrograman juga mengulang

matakuliah pengantar sistem komputer. dengan

confidence rata-rata sebesar 83.84%. Confidence

terbesar terdapat pada tahun 2004 yaitu sebesar

Kata kunci: Association Rule, Data Mining, Apriori,

Market-Basket Analysis.

1. Pendahuluan

Association Rule biasanya dimanfaatkan secara luas

dalam proses bisnis diantaranya dalam proses penjualan.

f. Data mining algoritma asoslasi dapat membantu dalam

proscs penjualan dengan memberikan hubungan antar

data penjualan yang dilakukan pelanggan sehingga akan

didapat pola pembelian pelanggan atau sering disebut

dcngan Market-Basket Analysis.161

Analisis asosiasi dikenal juga sebagai salah satu teknik

data mining yang menjadi dasar dari berbagai teknik data

mining lainnya. Tahap dari analisis asosiasi yang disebut

analisis pola frequensi tinggi (frequent pattern mining)

menarik perhatian banyak peneliti untuk menghasilkan

algoritma yang etisien[71.

Association rule mining adalah suatu prosedur untuk

mencari hubungan antar itejn dalam suatu data set yang

ditentukan Ill. Association rule meliputi dua tahap [21

I. Mencari kombinasi yang paling sering terjadi darisuatu itemset dan 2. Mendefinisikan Condition danResult (untuk conditional association rule).

Dalam menentukan suatu association rule, terdapatsuatu ukuran kepercayaan yang didapatkan dari hasilpengolahan data dengan perhitungan tertentu. Umumnyaada dua ukuran, yaitu 13] . 1. Support suatu ukuranyang menunjukkan seberapa besar tingkat dominasisuatu item/itemset dari keseluruhan transaksi. Ukuran inimenentukan apakah suatu item/itemset layak untukdicari confidence-nya (misal, dari keseluruhan transaksiyang ada, seberapa besar tingkat dominasi yangmenunjukkan bahwa item A dan B dibeli bersamaan)dan 2. Confidence . suatu ukuran yang menunjukkanhubungan antar 2 item secara kondisional (misal,seberapa sering item B dibeli jika orang membeli item

Kedua ukuran ini nantinya berguna dalam menentukaninteresting association rules, yaitu untuk dibandingkandengan batasan (treshold) yang ditentukan oleh user.

Batasan tersebut umumnya terdiri dari min_support dan

min_confidence [31.

Penerapan aturan assosiatif dari analisa pembelian di

suatu pasar swalayan adalah dapat diketahuinya berapa

besar kemungkinan seorang pelanggan membeli roti

bersamaan dengan susu. Dengan pengetahuan tersebut

pemilik pasar swalayan dapat mengatur penempatan

barangnya atau merancang kampanye pemasaran dengan

memakai kupon diskon untuk kombinasi barang tertentu.

Aturan assosiatifbiasanya dinyatakan dalam bentuk :

{roti, mentega} {susu)

(support = 40%, confidence = 50%)

Yang artinya "50% dari transaksi di database yang

memuat item roti dan mentega juga memuat item susu,

sedangkan 40% dari seluruh transaksi yang ada di

database memuat ketiga item itu." Dapat juga diartikan .

"Seorang konsumen yang membeli roti dan mentega

punya kemungkinan 50% untuk juga membeli susu.

Aturan ini cukup signifikan karena mewakili 40% dari

catatan transaksi selama

2+19

ISSN : 2302-3805

Seminar Naslonal Teknologl Informasl dan Mubimedia 2017STMIK AMIKOM Yogyokorto. 4 Februari

Analisis asosiasi didefinisikan suatu proses untukmenemukan scmua aturan assosiatif yang memenuhisyarat minimum untuk supporl (minimum dansyarat minimum untuk confidence (minimumconfidence).

Dengan menggunakan output dari aplikasi ini, yangberupa aturan asosiasi, ingin diketahui tingkat asosiasinilai dan matakuliah yang berguna untuk membantupihak pengambil kcputusan dalam menentukankebijakan.

"Apriori is an influental algorithm for mining frequentitemsets for Boolean association rules." I J. Aprioriadalah suatu algoritma yang sudah sangat dikcnal dalammelakukan pcncarian frequent Itemsct denganassociation rule.

Algoritma ini menggunakan knowledge mengenaifrequcnt itemset yang telah diketahui sebelumnya, untukmemproses informasi selanjutnya. Algoritma apriorimemakai pendekatan iterative (level-wise search),dimana k-itemsct dipakai untuk menyelidikiitemset. Langkah-langkah dari algoritma ini adalahsebagai berikut [41 .

I. Set (menunjuk pada itemset ke-l ).

2. Hitung semua k-itemset (itemset yang mempunyai kitem).

3. Hitung support dari semua calon itemset — filteritemset tersebut berdasarkan perhitungan minimumsupport.

4. Gabungkan semua k-sized itemset untukmenghasilkan calon itemset k+l.

5. Set k=k+l.6. Ulangi langkah 3-5 sampai tidak ada itemset yang

lebih besar yang dapat dibentuk.7. Buat final set dari itemset dengan menciptakan

suatu union dari semua k-itemset.

8. Menghitung support / analisa pola frekuensi tinggi.Support aturan asosiasiA B adalah .

Jumlah Transaksi mengandung A dan BSuppon PCA n B) = (1)

Total Transaksi

9. Menghitung confidence.

Confidence aturan asosiasi A B adalah

Confidence BIA) =

PCA)

= Jumlah Transaksł mengandung A dan B

(2)Jumlah Transaksł mengandung A

IO. Menghitung support vs confidence dengan rumus :Support vs Confidence = Support x Conîidence

Nilai dengan support vs confidence terbesar yangmerupakan aturan terbaik.

2. Pembahasan

Aplikasi dibuat dengan bahasa pemrograman cg.

Aplikasi ini terkoneksi dengan server akademik

univcrsitas gunadarma. Data yang dibutuhkan harus

memiliki struktur seperti tabel dibawah15J :

Tabel I Struk:ur data ni/ai mahasiswa

NP.M

50401001

50401001

50401002

50401002

KD MK

KK013210

KK013215

KK013210

KK013215

AMA_ IK ILA

Pengantar Sistem

Komputer

Algoritma dan

Pemrograman I

Pengantar Sistem c

Komputer

Algoritma dan

Pemrograman I

Langkah pertama aplikasi ini adalah mengambil data ke

database nilai dan mentransformasi pivot dari struktur

data diatas menjadi struktur seperti gambar I. dibawah

(data NPM sebagai baris, data matakuliah dijadikan

kolom dan data nilai sebagai isi), seperti contoh tabel 2

dibawah[8J.

Tabel 2.Strukîur Pivot data nilai mahasiswa

NPM

50401001

50401002

Berikut adalah hasildatatabIe(7).

Datatable dtProses"KD_MK". ”NILAI");

KK013210 KK01J21

c

setelah transformasi pivot dari

Pivot(ref dtNiIai, "NPM"

Gambar I. Tampilan hasil pivot data nilai mahasiswa.

2.1-20

Seminar Nasional Teknologi Informasi dan Multimedia 2017 ISSN : 2302-3805STMIK AMIKOM Yogyakarta, 4 Februari 2017

Dari data pada gambar I diatas setiap nilai yang ingindilihat association rule-nya ditransform menjadi I, selainitu O, misal jika ingin melihat relasi matakuliah yangnilainya D dan E, maka setiap nilai D dan E diubahmenjadi l, sedangkan nilai A, B, dan C diubah menjadi

contoh terlihat pada tabel 3 dibawah, kemudianmemasukkan minimum support yang diinginkan danmenghitung jumlah setiap kolom. Hasil dapat dilihat digambar 2.

Tabel 3.Transformasi data nilai mahasiswa

NPM KK013210 KK013215

50401001 1 o

50401002 14,

Total : 1 1

Berikut adalah output aplikasi untuk merubah nilai A, B,

C menjadi O dan D, E menjadi I dari data table dan

menghitung total keseluruhan nilai I dari setiap kolom

matakuliah.

(92

•

Č-

Gambar 2. Tampilan data pivot nilai mahasiswa

Kemudian membentuk k-itemset dan mencari minimum

supporĺ. Tahap ini mencari kombinasi item yang

memenuhi syarat minimum dari nilai support dalam

database. Minimum supporl yang dimasukkan adalah

100 (±5% dari rata-rata jumlah data yang sebanyak

1800). Proses dimulai dengan mencari kombinasi

himpunan data matakuliah dengan item-set berjumlah 2 :

{KD013111, KD013121}, {KD013111, KD013201},

{KD013111, KD013202}, {KD013111, KD013205}

dst sampai semua kombinasi terpenuhi, kemudian

menghitung total dari data yang bernilai I dari setiap

himpunan. Jika terdapat total data lebih besar atau sama

dengan min_supporł, maka proses berlanjut mencari

kombinasi himpunan data matakuliah dengan item-set

berjumlah 3 : {KD013111, KD013121, KD013201},

{KD013111, KD013121, KD013202}, {KD013111,

0013121, KD013205} . dst, kemudian menghitung

total dari data yang bernilai I pada masing-masing

kolom dari setiap himpunan. Kemudian kembali

mengecek total setiap himpunan dengan min support.

Jika terdapat total data lebih besar atau sama dengan

min support, maka proses berlanjut mencari kombinasi

himpunan data matakuliah dengan item-set berjumlah

4,5,6, dst, sampai tidak ada total data yang lebih besar

atau sama dengan min_support. Hasil terlihat pada

gambar 3,

Berikut adalah output dari hasil perhitungan kombinasi

data dimulai dari item-set berjumlah 2, menghitung total

setiap himpunan dan mengecek total dengan dengan

min_support yang diinput (data himpunan akan

tersimpan di datatable dtHimpunan).

Gambar 3. Tampilan himpunan danjumlah masing-

masing himpunan

Setelah semua pola frekuensi tinggi (minimum support)

telah ditemukan, langkah selanjutnya adalah menghitung

confidence dan menghitung support vs confidence,

kemudian memasukkan confidence yang diinginkan.

Pada gambar 4 adalah output aplikasi untuk menghitung

support dan confidence dan menghitung support vsconfidence (data ditampilkan pada komponen Listview

IvwSupport).

Gambar 4. Tampłlan Support, Confidence dan Support

vs Confidence

Setelah nilai confidence didapat, barulah dicari aturan

assosiatif yang memenuhi syarat minimum untuk

2.1-21

Seminar Nasional Teknologi Informasl dan Muhimedia 2017STMJK AMIKOM Yogyokarta. 4 Februari 2017

ISSN : 2302-380S

confidence, dan mencari nilai terbesar support vsconfidence dari masing-masing aturan. Nilai terbesardari support vs confidence ini yang dijadikan aturanasosiasi. I-lasil aturan asosiasi dapat dilihat pada gambar

Berikut adalah output aplikasi untuk mengambil nilaiconfidence yang diinginkan (data ditampilkan padakomponen Listview IvwFiIterConfidence).

Gambar 5. Tampilan Aturan asosiasi yang dihasilkan.

Analisis dilakukan pada mahasiswa jenjang diploma tigaJurusan manajemen informatika universitas gunadarmadari tahun 2000 sampai tahun 2005 untuk nilai D dannilai E, atau berarti mencari aturan asosiasi untuk nilaiyang mengulang pada 75 matakuliah yang telah diambil.Min_support yang diinput adalah 100 (±5% dari rata-ratajumlah data yang sebanyak 1 800), dan min_confidenceyang diinput adalah 60%.

Tabel 4.Hasil aturan asosiasi dari tahun 2000 — 2005.

1214

ASOSIASI

AJgorun

THEN

CONFIDEANGKA BCEHIMptfTAN DAT

2000 86,69

2001 2433 Maks

1012

2002 2148Maks

69 92

182

2003

7S 74

SUPPOR

CONODEN

0.062

0.056

o.092

0.079

ATURANASOSI&S'

Algontnu

THENSgtem Konouler

A]goratnv

Penrogranun

THEN PengMtarSgtem Konvuler

Algontma dMPerryogranun

THEN PengantarSstem Ron-outer

JF PcnganlarSBIem KonvulerTHEN Algontnu

Penvogranun

IF PraiAlgonlnuPerryogranun

THEN Pengantar

Sßlem Konvuter

Dari hasil diatas terlihat bahwa dari tahun 2000 sampai

2005 aturan yang memiliki nilai support vs confidenceterbesar terjadi pada aturan "IF Prak. Algoritma dan

Pemrograman THEN Pengantar Sistem Komputer". Hal

ini berarti bah"a kecenderungan mahasiswa jika

mengulang matakuliah "Praktikum Algoritma dan

Pemrograman" juga mengulang matakuliah "Pengantar

Sistem Komputer".

Sedikit perbedaan terjadi pada tahun 2003 yang nilai

support vs confidence terbesar 0.079 adalah pada aturan"IF Pengantar Sistem Komputer THEN Algoritma danPcmrograman J" dengan confidence 69,92 0/0, namunpada aturan "IF Prak. Algoritma dan PemrogramanTHEN Pengantar Sistem Komputer" walaupun memilikinilai support vs confidence yang sedikit lebih kecil yaitusebesar 0,075 (selisih tapi memiliki tingkatconfidence yang paling tinggi yaitu sebesar 78, 74%.Jika minimum confidence diubah menjadi 75% makaaturan "IF Pengantar Sistem Komputer THEN Algoritma

dan Pemrograman I" tidak akan didapat, karena hanyamemiliki confidence sebesar 69,92 0/0, karena itu pada

tahun 2003 ini aturan yang diambil adalah "IF Prak.Algoritma dan Pemrograman THEN Pengantar SistemKomputer".

Rata-rata confidence yang terjadi dari tahun 2000-2005adalah (86.69 + 83,59 + 87,21 + 78,74 + 88,67 +

78,14)/6 sebesar 83.84%, dengan nilai confidence palingtinggi sebesar 88,67% terjadi pada tahun 2004, dan nilaiconfidence terkecil sebesar 78, terjadi pada tahun2005.

3. Kesimpulan

Algoritma apriori association rule dapat juga diterapkanuntuk melihat asosiasi nilai dan matakuliah padamahasiswa. Metode ini diterapkan untuk mencari aturanasosiasi pada nilai yang mengulang (nilai D dan nilai E)di 75 matakuliah yang telah diambil pada jurusanmanajemen informatika jenjang diploma tiga universitasgunadarma tahun 2000 sampai 2005.

Dari penerapan metode ini, dihasilkan aturan asosiasi.Aturan asosiasi yang terbentuk adalah

IF Prak Algorinna dan Pemrograman THEN PengantarSistem Komputer

2. I -22

Seminar Nasional Teknologl Informasl dan Muhimedia 2017STM/K AMIKOM Yogyakarta, 4 Februari 2017

dengan confidence sebesar 83,84% dan minimumsuppon 100, sehingga dapat disimpulkan bahwa dengantingkat kepercayaan ±80% mahasiswa yang mengulangmatakuliah ”Praktikum Algoritma dan Pemrograman”juga akan mengulang matakuliah "Pengantar SistemKomputer”. Hasil ini dapat digunakan sebagai referensiuntuk mahasiswa angkatan mendatang.

Daftar Pustaka

Jławei, H. Kamber. Młchelłne Data MmmgConcepts andTechniques Morgan Kaufmann. 2001

[2) Ulmer, Davłd, " Mimng an Online Auctions Data Worehouse TheMid-Atlantic Student Workshop on Programmmg Languages andSystems” 19 Apnl 2002 Pace Umversłty<httpJ/csjs pace edWcsjs/masplas/p8 pdi> [Dłakses 25 November20161

Budhl G S, lam. R dan Prayłtno, "Penggłmaan Metode C-Covering untuk Analisa Market Baskct pada Supermarket JurnalInformatika VOI 6. No I Mel 2005

[4) Inrose, D T. Discovenng Knowledge in Data An Introduction toData Mmmg, John Wiley & Sons, Met 2005

15) Tang, Z dan MacLennan, J, , Data Mmmg with SQLSełver 2005.Wiley Publłshłng, Indianapolis. 2005Dilly, Ruth, Dara ,țfmžng An Introduction, Queens UmversltyBelfast, 2004

R Agrawal, R Srłkant Algoruhms for Mimng AssociationRules ' Procecdłngs of the 20Lh VLDB Conference Santiago,Chile, 1994R Agrawal. T Irnłelłnskt, and A Swamł December " Databasemining A performance perspective IEEE Transacuons onKnowledge and Data Engłneenng, 1993

Biodata Penulis

Margi Cahyanti, memperoleh gelar Sarjana Komputer

(S.Kom), Jułusan Sistem Informasi Universitas

Gunadarma, lulus tahun 1992. Memperoleh gelarMagister Manajemen Sistem Informasi (MMSi) Program

Pasca Sarjana Magester Manajemen Sistem Informasi

Universitas Gunadarma, Iulus tahun 2000. Saat ini

menjadi Dosen di Universitas Gunadarma

Maulana Mujahidin, memperoleh gelar Sarjana

Komputer (S.Kom), Jurusan Teknik KomputerUniversitas Gunadarma, lulus tahun 2003. Memperoleh

gelar Magister Teknik (MMSi) Program Pasca Sarjana

Magester Teknik Universitas Gunadarma, lulus tahun

2009. Saat ini menjadi Dosen di Universitas Gunadarma

Ericks Rachmat Swedia, memperoleh gelar Sarjana

Teknik (ST), Jurusan Teknik Informatika Universitas

Gunadarma, Iulus tahun 1999. Memperoleh gelar

Magister Manajemen Sistem Infôrmasi (MMSi) Program

Pasca Sarjana Magester Manajemen Sistem Informasi

Universitas Gunadarma, Iulus tahun 2008. Saat ini

meniadi Dosen di Universitas Gunadarma.

2.1-23

ISSN 2302-3805