Tugas ke Tiga Data Mining

Pada tugas ini akan membahas konsep pertama data mining yaitu Teknik Assosiasi.

Sebelum membahas lebih jauh Teknik Assosiasi terlebih dahulu kita akan membahas Frequent Pattern Analysis.

Definisi Frequent Pattern itu sendiri dalam Frequent Pattern yaitu pattern yang terjadi secara frekuen (sering muncul) atau sering terjadi dalam himpunan data yang kita punya. Jadi jika ada pola yang sering muncul dalam dataset kita maka data tersebut akan disebut sebagai Frequnt Pattern dan bentuk item tersebut bisa berstruktur dan tidak berstruktur. Frequent Pattern ini sendiri pertamakali dikenalkan oleh Agrawal, Imielinski, dan Swami pada tahun 1993 Pada pokok bahasan frequent itemsets dan association rule mining.

Lalu kenapa Frequent Pattern Mining itu penting?

Karena Frequent Pattern ini memanfaatkan Algoritma data mining yaitu Assosiasi, Klasifikasi , dan Klaster menggunakan Frequent pattern dibeberapa metode turunannya dan untuk pengaplikasiannya. 

Teknik Assosiasi itu sendiri adalah cara untuk menemukan pola umum serangkain transaksi, dimana transaksi itu sendiri terdiri dari beberapa item atau produk. Konsep aturan asosiasi adalah memriksa semua kemungkinan hubungan (jika-maka) antara item dan memilih hanya yang paling mungkin sebagai indikator ketergantungan antar item. 

Teknik Assosiasi juga di definisikan sebagai proses menemukan semua aturan asosiasi yang memenuhi persyaratan dukungan minimum (minimum support) dan kepercayaan (minimum confidence). Dukungan (nilai penunjang) adalah presentase kombinasi item ini dalam database, dan confidence (nilai kepastian) adalah suatu kekuatan hubungan antar item dalam aturan asosiasi. 

Algoritma Apriori adalah jenis aturan assosiasi atau teknik assosiasi dalam penambangan data. Aturan yang mewakili assosiasi antara atribut sering di sebut sebagai analisis afinitas atau analisis keranjang pasar. Salah satu fase analisis assosiasi yang mendapat banyak perhatian dari peneliti untuk mengembangkan algoritma yang efisien adalah Frequent Pattern Mining.