Aturan Asosiasi
- Diperkenalkan oleh
- Agrawal, R., Imielinski, T., & Swami, A.
- Tahun
- 1993
- Jenis
- Unsupervised pattern discovery
- Keluarga
- Machine learning
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Pembelajaran aturan asosiasi adalah teknik tanpa pengawasan yang menemukan pola ko-kemunculan — implikasi 'jika X maka Y' — dalam kumpulan data transaksional besar.
Awalnya diformalkan oleh Agrawal, Imielinski, dan Swami (1993) untuk analisis keranjang belanja supermarket, kini teknik ini banyak diterapkan dalam rekomendasi e-commerce, informatika kesehatan, bioinformatika, dan penelitian perilaku.
Intuisi di balik metode
Bayangkan memindai jutaan struk belanja dan bertanya: kombinasi produk mana yang cenderung muncul bersama? Penambangan aturan asosiasi menjawab pertanyaan itu dengan menghitung seberapa sering kumpulan item muncul bersama (dukungan), seberapa andal satu item memprediksi item lain (kepercayaan), dan apakah ko-kemunculan lebih kuat daripada kebetulan (lift). Aturan seperti 'popok → bir' dengan kepercayaan dan lift tinggi mengungkapkan pola perilaku yang sebenarnya daripada kebetulan, menjadikannya alat eksplorasi yang ampuh ketika Anda tidak memiliki variabel hasil untuk diawasi.
Sejarah
Pembelajaran aturan asosiasi secara formal diperkenalkan oleh Agrawal, Imielinski, dan Swami pada konferensi ACM SIGMOD 1993, dimotivasi oleh tantangan penambangan basis data transaksi supermarket. Makalah mereka selanjutnya pada tahun 1994 memperkenalkan algoritma Apriori, menyediakan metode komputasi yang efisien. Bidang ini berkembang pesat sepanjang tahun 1990-an dan 2000-an, dengan FP-growth (Han et al., 2000) kemudian menawarkan peningkatan kecepatan lebih lanjut. Aturan asosiasi tetap menjadi teknik dasar dalam kurikulum penambangan data dan secara rutin diterapkan dalam analisis ritel, kesehatan, dan web.
Kapan digunakan
Gunakan aturan asosiasi ketika tujuan Anda adalah penemuan eksploratif pola ko-kemunculan dalam data transaksional atau berkode biner — keranjang belanja, ko-diagnosis klinis, clickstream, baterai item survei, atau profil ekspresi gen. Metode ini tanpa pengawasan dan tidak memerlukan label hasil, menjadikannya ideal untuk pembangkitan hipotesis. Jangan gunakan ketika Anda memiliki variabel hasil yang ditentukan dan ingin memprediksinya (gunakan klasifikasi atau regresi terawasi sebagai gantinya); ketika data Anda kontinu dan belum didiskretisasi secara bermakna; ketika ukuran sampel kecil (itemset jarang menghasilkan perkiraan dukungan yang tidak dapat diandalkan); atau ketika keluaran aturan akan disalahartikan sebagai inferensi kausal — aturan asosiasi murni korelasional.
Batasan dan pertimbangan
- Membutuhkan data untuk menjadi transaksional atau biner yang didiskretisasi; fitur kontinu memerlukan pengelompokan, yang menimbulkan pilihan arbitrer.
- Jumlah aturan bisa sangat banyak; pemfilteran pasca-hoc dan pemeringkatan berdasarkan lift atau ukuran ketertarikan lainnya adalah wajib.
- Ambang batas dukungan dan kepercayaan harus ditetapkan oleh peneliti; hasil sensitif terhadap pilihan ini.
- Aturan murni korelasional — klaim kausal memerlukan desain studi tambahan (misalnya, eksperimen atau kuasi-eksperimen).
- Secara komputasi mahal pada kumpulan data dengan itemset yang sangat besar bahkan dengan pemangkasan.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Sepenuhnya tanpa pengawasan: tidak memerlukan variabel hasil berlabel, memungkinkan penemuan pola yang terbuka.
- Keluaran yang dapat diinterpretasikan: setiap aturan adalah pernyataan JIKA–MAKA yang dapat dibaca manusia dengan dukungan, kepercayaan, dan lift yang terukur.
- Skalabilitas ke basis data transaksional yang sangat besar melalui heuristik pemangkasan (Apriori, FP-growth).
- Dapat diterapkan di berbagai domain di mana ko-kemunculan dalam catatan berkode biner bermakna.
- Pembangkitan hipotesis: memunculkan ko-kemunculan tak terduga yang dapat memandu analisis konfirmasi selanjutnya.
Penerapan
- Analisis keranjang pasar: mengidentifikasi produk mana yang sering dibeli bersama untuk memandu penempatan produk dan promosi.
- Rekomendasi e-commerce: menghasilkan saran 'pelanggan yang membeli X juga membeli Y'.
- Penemuan komorbiditas klinis: menemukan kumpulan diagnosis, obat, atau gejala yang muncul bersama dalam catatan pasien.
- Bioinformatika: mendeteksi gen yang diekspresikan bersama atau varian genetik yang muncul bersama di berbagai sampel.
- Penambangan penggunaan web: mengungkap pola clickstream dan urutan navigasi umum di situs web.
- Penelitian survei dan perilaku: menemukan kumpulan item kuesioner atau perilaku yang muncul bersama di antara responden.
Cara kerjanya
Cara kerjanya
Kumpulan data direpresentasikan sebagai matriks transaksi biner: setiap baris adalah transaksi dan setiap kolom adalah item yang mungkin, dengan angka 1 menunjukkan item hadir. Representasi yang jarang dan lebar ini adalah format input inti; item non-biner atau kuantitatif harus didiskretisasi sebelum langkah ini.
Semua kombinasi item (itemset) yang frekuensinya dalam basis data transaksi memenuhi ambang batas dukungan minimum yang ditetapkan pengguna diidentifikasi. Prinsip Apriori — setiap subkumpulan dari itemset yang sering juga sering — secara dramatis memangkas ruang pencarian kombinatorial, membuat enumerasi dapat dilacak bahkan pada katalog besar.
Rumus
\text{support}(X) = \frac{|\{t \in T : X \subseteq t\}|}{|T|} \geq \text{min\_sup}Untuk setiap itemset yang sering, semua pemisahan anteseden–konsekuen yang mungkin (X → Y di mana X dan Y adalah subkumpulan non-kosong yang saling lepas) dihasilkan sebagai aturan kandidat. Jumlah kandidat bisa besar, sehingga langkah pemfilteran selanjutnya sangat penting.
Rumus
X \Rightarrow Y, \quad X \cap Y = \emptyset
Setiap aturan kandidat dievaluasi berdasarkan kepercayaannya: probabilitas kondisional bahwa Y hadir mengingat X hadir. Hanya aturan yang melebihi ambang batas kepercayaan minimum yang dipertahankan, menyaring anteseden yang memprediksi konsekuen hanya sedikit lebih baik daripada tingkat dasar.
Rumus
\text{confidence}(X \Rightarrow Y) = \frac{\text{support}(X \cup Y)}{\text{support}(X)} \geq \text{min\_conf}Aturan yang dipertahankan diberi peringkat berdasarkan lift, rasio dukungan gabungan yang diamati terhadap dukungan yang diharapkan di bawah independensi. Lift lebih besar dari 1 menandakan asosiasi positif yang sebenarnya; lift mendekati 1 menunjukkan item muncul bersama tidak lebih dari kebetulan; lift di bawah 1 menunjukkan asosiasi negatif. Mengurutkan berdasarkan lift memunculkan aturan yang paling dapat ditindaklanjuti dan tidak sepele.
Rumus
\text{lift}(X \Rightarrow Y) = \frac{\text{support}(X \cup Y)}{\text{support}(X) \cdot \text{support}(Y)}Kesalahan umum
- Menetapkan dukungan minimum terlalu rendah, yang membanjiri keluaran dengan aturan palsu berfrekuensi rendah yang tidak menggeneralisasi.
- Mengabaikan lift dan melaporkan semua aturan kepercayaan tinggi, banyak di antaranya mungkin hanya mencerminkan item dengan tingkat dasar tinggi.
- Memperlakukan aturan yang ditemukan sebagai kausal tanpa validasi lebih lanjut (misalnya, mengacaukan 'bir dan popok muncul bersama' dengan 'bir menyebabkan pembelian popok').
- Menerapkan aturan asosiasi pada data kontinu tanpa diskretisasi yang berprinsip, menghasilkan aturan yang sepenuhnya bergantung pada batas bin arbitrer.
- Mengabaikan masalah perbandingan berganda ketika ribuan aturan dihasilkan dan dipilih secara selektif.
Pertanyaan yang sering diajukan
Bagaimana cara memilih ambang batas dukungan dan kepercayaan minimum?
Tidak ada aturan universal. Mulailah dengan mengeksplorasi distribusi dukungan item individual, kemudian tetapkan dukungan minimum yang cukup rendah untuk menangkap pola yang menarik tetapi cukup tinggi untuk memastikan itemset muncul dalam setidaknya jumlah transaksi absolut yang bermakna. Kepercayaan minimum 0,6–0,8 adalah kisaran awal yang umum, tetapi pengetahuan domain dan pemeringkatan berbasis lift harus memandu pemilihan akhir.
Apa perbedaan antara kepercayaan dan lift, dan mana yang harus saya prioritaskan?
Kepercayaan mengukur seberapa sering Y mengikuti X di antara transaksi yang berisi X, tetapi mengabaikan tingkat dasar Y. Lift mengoreksinya dengan membagi kepercayaan dengan dukungan marjinal Y. Aturan dengan kepercayaan tinggi tetapi lift mendekati 1 menambahkan sedikit informasi selain mengetahui Y umum. Prioritaskan lift saat memfilter asosiasi yang benar-benar tidak sepele.
Bisakah aturan asosiasi digunakan untuk prediksi?
Mereka terutama deskriptif dan eksploratif daripada prediktif. Meskipun dimungkinkan untuk menggunakan aturan dengan konsekuen tetap (satu item target) untuk klasifikasi — teknik yang disebut klasifikasi asosiatif — penambangan aturan asosiasi standar tidak mengoptimalkan fungsi kerugian prediktif dan tidak boleh menggantikan model terawasi ketika hasil berlabel tersedia.
Dataset saya memiliki variabel kontinu. Bisakah saya masih menggunakan aturan asosiasi?
Hanya setelah diskretisasi. Variabel kontinu harus dikelompokkan ke dalam interval kategorikal (misalnya, kelompok usia, kuintil) sebelum dikodekan sebagai item biner. Pilihan batas bin secara substansial memengaruhi aturan mana yang muncul, sehingga keputusan diskretisasi harus dimotivasi secara teoritis dan dilaporkan secara transparan.
Bagaimana aturan asosiasi berbeda dari analisis korelasi?
Korelasi (misalnya, r Pearson) mengukur hubungan linier antara dua variabel kontinu. Aturan asosiasi menemukan pola ko-kemunculan di antara kumpulan item biner — ukuran kombinasi apa pun — dalam data transaksional. Metrik (dukungan, kepercayaan, lift) berbasis frekuensi daripada berbasis momen, dan keluarannya adalah sekumpulan aturan JIKA–MAKA yang dapat dibaca manusia daripada satu koefisien numerik.
Metode terkait
Sumber
Agrawal, R., Imielinski, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data, 207–216.
Buka referensi DOIDisalin.Tan, P.-N., Steinbach, M., Karpatne, A., & Kumar, V. (2018). Introduction to Data Mining (2nd ed., Ch. 5). Pearson.
ISBN: 978-0-13-312890-1Disalin.