Lewati ke isi

Aturan Asosiasi (Association Rule Mining)

Aturan asosiasi menemukan barang yang sering muncul bersama dalam transaksi, misalnya barang yang sering dibeli bersamaan (market basket analysis). Ini adalah unsupervised learning berbasis pola: tidak ada target yang diprediksi.

Mulai dari sini: apa itu aturan asosiasi?

Aturan asosiasi menemukan barang yang sering muncul bersama, tanpa ada label yang harus ditebak.

Analogi

Kasir minimarket melihat ribuan struk dan menyadari banyak orang yang membeli roti juga membeli mentega. Informasi itu dipakai untuk menata rak atau membuat paket hemat.

Mengapa dipelajari? Pola belanja membantu rekomendasi produk, penataan toko, dan promosi.

Peta belajar

  1. Seperti apa datanya? → transaksi dan pengodean
  2. Bagaimana menemukan kombinasi yang sering? → Apriori dan FP-Growth
  3. Bagaimana mengukur kekuatan sebuah aturan? → support, confidence, lift
  4. Bagaimana menyaring aturan yang berguna? → ambang dan keterbatasan
  5. Bagaimana merangkai semuanya? → proyek minimarket

Setiap pelajaran dibuka dengan Gambaran singkat yang menjelaskan topiknya dengan bahasa sehari-hari.

Tujuan pembelajaran

  • Memahami transaksi, itemset, dan aturan asosiasi.
  • Menyiapkan dan mengodekan data transaksi.
  • Menerapkan Apriori dan FP-Growth, dan menghitung serta menafsirkan support, confidence, dan lift.
  • Memilih ambang, menyaring aturan, menguji kestabilan, dan mengenali keterbatasan.

Prasyarat

Dasar-dasar, khususnya pandas dan probabilitas dasar pada Statistik.

Pustaka tambahan

Bab ini memakai mlxtend (TransactionEncoder, apriori, fpgrowth, association_rules). Pasang lewat requirements-ml.txt.

Gambaran konsep

Sebuah aturan berbentuk \(A \Rightarrow B\): bila itemset \(A\) muncul dalam sebuah transaksi, \(B\) cenderung muncul juga. Kekuatannya diukur dengan:

\[ \text{lift}(A \Rightarrow B) = \frac{P(A \cap B)}{P(A)\,P(B)} \]

Lift > 1 berarti \(A\) dan \(B\) muncul bersama lebih sering daripada kebetulan.

Tahap alur kerja dan alternatifnya

Bab ini sengaja tidak memaksakan tahap yang tidak berlaku:

Tahap Status Catatan
Definisi masalah, pengumpulan data Wajib Format transaksi
EDA Berbeda Frekuensi barang, ukuran keranjang
Praproses Berbeda Normalisasi, hapus duplikat, matriks one-hot
Rekayasa fitur Tidak berlaku Opsional: mengelompokkan barang
Pembagian data Tidak berlaku Pengganti: uji kestabilan aturan pada bagian transaksi lain
Penemuan pola Wajib Itemset sering, lalu aturan
Evaluasi Berbeda Support, confidence, lift; bukan accuracy
Optimasi Opsional Menyapu ambang support dan confidence
Penyimpanan Opsional Pengganti model: simpan tabel aturan (CSV)
Deployment Opsional Pengganti API: tinjauan merchandising, bundling, rekomendasi; pantau berkala

Pelajaran

# Pelajaran Isi utama
1 Data Transaksi dan Pengodean Transaksi, support, one-hot
2 Itemset Sering dan Apriori Anti-monoton, min_support, ledakan kombinatorial
3 FP-Growth FP-tree, hasil sama dengan Apriori
4 Support, Confidence, Lift Aturan, ukuran, bahaya barang populer
5 Penyaringan, Ambang, Keterbatasan Ambang, kestabilan, keterbatasan
6 Proyek: Keranjang Belanja Alur lengkap sampai tabel aturan

Data yang dipakai

Transaksi sintetis (dibangkitkan dengan seed tetap, 20 barang, dengan pola yang sengaja ditanam). Contoh kode ada di examples/association/; keluaran yang ditampilkan berasal dari program yang dijalankan.