Analisis Association Rules Menggunakan Algoritma Apriori dan Normalisasi Fuzzy

Abstract

The a priori algorithm is an algorithm to find a combination of items in a dataset that has a relationship value between items by paying attention to the minimum support and minimum confidence values. A common problem in the a priori algorithm is the formation of itemset when getting a large number of items from a dataset. The more items in a dataset, the more itemsets are formed. This will lead to increased storage space and poor algorithm performance. There are techniques that can be applied to help improve these deficiencies, namely fuzzy logic. Fuzzy logic can normalize the items in the dataset by grouping the data according to the given rules. The formation of association rules using a priori algorithm with fuzzy normalization obtained rules of 3.29% and an increase in the number of rules by 40 in dataset I. While in dataset II there was an increase in the accuracy of forming rules using fuzzy normalization by 0.07% with an increase in the number of rules by 4 pieces. . The results are basically not much different, but it is very clear from the number of rules generated. The rules that are formed greatly affect the performance of the a priori algorithm used.

Algoritma apriori merupakan algoritma untuk mencari kombinasi item-item dalam kumpulan dataset yang mempunyai suatu nilai hubungan antara item dengan cara memperhatikan nilai minimum support dan minimum confidence. Permasalahan umum pada algoritma apriori adalah pembentukan itemset ketika mendapatkan jumlah item yang banyak dari suatu dataset. Semakin banyak item di dalam suatu dataset, maka akan semakin banyak pula jumlah itemset yang terbentuk. Hal ini akan menyebabkan ruang penyimpanan meningkat dan kinerja algoritma yang kurang baik. Terdapat teknik yang dapat diterapkan untuk membantu memperbaiki kekurangan tersebut, yaitu dengan fuzzy logic. Logika fuzzy dapat melakukan normalisasi itemitem di dalam dataset dengan mengelompokkan data berdasarkan aturan yang diberikan. Pembentukan aturan asosiasi menggunakan algoritma apriori dengan normalisasi fuzzy memperoleh rules sebesar 3,29% dan peningkatan jumlah rules sebanyak 40 pada dataset I. Sedangkan pada dataset II terjadi peningkatan akurasi pembentukan rules menggunakan normalisasi fuzzy sebesar 0,07% dengan peningkatan jumlah rules sebanyak 4 buah. Hasil tersebut pada dasarnya tidak jauh berbeda, namun sangat terlihat jelas dari jumlah rules yang dihasilkan. Rules yang terbentuk sangat mempengaruhi kinerja dari algoritma apriori yang digunakan.