Market Basket Analysis (MBA)
} Teknik untuk menemukan hubungan dari produk-produk yang dibeli
secara bersamaan.
} Market Basket Analysis pada dasarnya melibatkan
penggunaan data transaksional konsumen untuk mempelajari pola pembelian dan
menjelajahi kemungkinan (probabilitas) dan cross-selling.
} Tujuan dari MBA adalah memanfaatkan data penjualan efektif untuk
meningkatkan taktik pemasaran dan penjualan di tingkat toko.
Contoh MBA : “Beer dan
Diapers”.
} Adanya hubungan yang kuat antara salah satu merek popok bayi
(diapers) dan salah satu merek beer pada beberapa pembeli. (Study Kasus pada Wal-Mart, US)
} Analisa pembelian mengungkapkan bahwa kegiatan pembelian
dilakukan oleh laki-laki dewasa pada hari jumat malam terutama sekitar jam enam
dan tujuh sore.
Observasi Supermarket
} Karena bungkus dari popok bayi sangat besar, para istri, dimana
dalam banyak kasus adalah seorang ibu rumah tangga, akan menyuruh suaminya
untuk membelinya.
} Pada akhir dari minggu, para suami dan ayah akan menghabiskan
minggunya dengan membeli beberapa beer.
Terbentuk pengetahuan baru.
Hal yang dilakukan supermarket
} Mereka menempatkan premium beer tepat disebelah diapers.
} Hasilnya adalah para ayah akan membeli diapers dan yang biasanya
membeli beer biasa sekarang membeli premium beer seperti yang sudah
diperkirakan.
} Secara signifikan, para pria yang biasanya tidak membeli bir
sebelum mulai berbelanja akan membelinya karena itu begitu mudah dilihat dan
diambil - hanya sebelah popok (cross-sell)
} Istilah Market Basket Analysis sendiri datang dari kejadian
yang sudah sangat umum terjadi di dalam pasar swalayan, yakni ketika para
konsumen memasukkan semua barang yang merak beli ke dalam keranjang (basket)
yang umumnya telah disediakan oleh pihak swalayan itu sendiri. Informasi
mengenai produk-produk yang biasanya dibeli secara bersama-sama oleh para konsumen
dapat memberikan “wawasan” tersendiri bagi para pengelola toko atau swalayan
untuk menaikkan laba bisnisnya (Albion Research, 2007).
Metodologi Association Rules
} Metodologi Association Rules, atau Analisis Asosiasi adalah
sebuah metodologi untuk mencari relasi (asosiasi) istimewa/ menarik dalam
himpunan data yang besar.
} Salah satu penerapan Metode Association rules adalah pada Market
Basket Analysis.
} Association rule adalah sebuah ekspresi implikasi dari bentuk X
→ Y, dimana X dan Y adalah itemset yang saling terpisah (disjoint), dengan kata
lain X ∩ Y = á´“. Dalam menentukan Association Rule, terdapat suatu
interestingness measure (ukuran ketertarikan) yang didapatkan dari hasil
pengolahan data dengan perhitungan tertentu.
Support dan Confidence
} Support adalah ukuran kepentingan. Semakin kecil support, maka kejadian bisa
saja hanyalah sebuah kebetulan.
} Confidence, adalah ukuran kehandalan dari kesimpulan yang dibuat
oleh aturan. Semakin besar Confidence, semakin besar kemungkinan untuk Y hadir
dalam transaksi yang mengandung X.
Tahap pertama : mencari nilai Support
} Misalnya, Untuk transaksi yang memuat {roti, mentega} ada 4,
maka nilai supportnya adalah 80%. Lalu jumlah transaksi yang memuat {Susu} ada
2, maka nilai supportnya adalah 40%. Sedangkan transaksi yang memuat {buncis} hanya
1, maka nilai supportnya adalah 20%.
} Assosiation Rule akan dipilih sesuai kebijakan manajer toko,
semakin tinggi support dan confidence semakin baik hasilnya. Misalkan kita
ambil contoh yaitu {mentega, telur} → {roti} yang memiliki nilai Support 80%
dan Confidence 100%, artinya adalah: “Seorang konsumen yang membeli mentega dan
telur memiliki kemungkinan 100% untuk juga membeli roti. Aturan ini cukup signifikan karena mewakili
40% dari catatan selama ini.”
Frequent Itemset Generation
} Tujuannya : untuk
menemukan semua itemset yang memenuhi minimum support.
} Item set ini sering disebut frequent.
} Masalah utama pencarian Frequent Itemset : banyaknya jumlah
kombinasi itemset yang harus diperiksa, apakah memenuhi minimum support atau
tidak.
} Salah satu cara untuk mengatasinya adalah dengan mengurangi
jumlah kandidat itemset yang harus diperiksa.
Apriori
} Apriori adalah salah satu pendekatan yang sering digunakan pada
Frequent Itemset Mining.
} Prinsip Apriori adalah jika sebuah itemset infrequent, maka
itemset yang infrequent tidak perlu lagi diexplore supersetnya sehingga jumlah
kandidat yang harus diperiksa menjadi berkurang.
Pilih tiga operator :
Association Rule, FP-Growth, dan Numerical to Binomial.
} Assocuation rules dilakukan dengan menganalisis data pada
frequent if/then patterns menggunakan kriteria support dan confidence
untuk mengidentifikasikan suatu relasi antar item.
} Frequent itemsets merupakan kelompok item yang sering
muncul bersama-sama dalam data. Operator FP-Growth mengkalkulasi semua
frequent itemset dari input yang diberikan menggunakan struktur data FP-tree.
} Operator Numerical to Binominal diperlukan untuk mengubah
nilai atribut yang berada pada table TransaksiMakanan menjadi binominal.
output untuk Numerical to
Binominal
} Example, numeric attributes dikonversikan menjadi binominal
attributes melalui output ini.
} Original, numeric attributes dilewatkan tanpa konversi.
Biasanya digunakan untuk proses tertentu saat dibutuhkan.
Output pada operator FP-Growth
} Example, input yang diberikan dilewatkan tanpa adanya
perubahan. Biasanya digunakan untuk proses tertentu saat dibutuhkan.
} Frequent, frequent itemset dikirimkan melalui output ini.
Referensi
} Aprilia, Baskoro,
Ambarwati, & Wicaksono :
Belajar Data Mining dengan RapidMiner.
Jakarta. April 2013
