Program Studi Bisnis Digital • FEB

Laboratorium Sains Data

Pertemuan 6 — Metode Analitik Lanjut: Aturan Asosiasi

Menemukan pola tersembunyi di balik jutaan transaksi — dari “siapa membeli apa” menjadi rekomendasi produk yang menguntungkan bisnis.

RPS minggu 6 · 2x50 menit

Selamat datang kembali, Anda semua sudah sampai di pertemuan keenam mata kuliah Laboratorium Sains Data. Minggu lalu kita belajar mengelompokkan data lewat klastering K-Means; hari ini kita beralih ke pertanyaan yang berbeda: bukan lagi “kelompok mana yang mirip”, melainkan “kalau seseorang membeli produk A, produk apa lagi yang biasanya ikut dibeli”. Ini adalah dasar dari fitur “Sering dibeli bersama” yang Anda lihat setiap kali belanja di Tokopedia atau Shopee, dan juga dasar tata letak rak di minimarket seperti Indomaret. Hari ini kita akan bongkar tiga ukuran kunci — support, confidence, dan lift — lalu menghitungnya sendiri dari data transaksi sederhana, sebelum akhirnya mencoba algoritma Apriori di R. Siapkan kalkulator Anda karena kita akan banyak berhitung dengan angka nyata, bukan sekadar rumus di atas kertas.

Bagian 1

Konsep Dasar Aturan Asosiasi

Dari rak minimarket sampai halaman “rekomendasi untuk Anda” — bagaimana pola pembelian diukur secara matematis.

Apa itu Aturan Asosiasi?

Aturan Asosiasi (Association Rules) adalah metode analitik untuk menemukan pola “jika membeli item X, maka cenderung juga membeli item Y” dari data transaksi. Teknik ini juga disebut Market Basket Analysis (analisis keranjang belanja) karena awalnya dipakai menganalisis isi keranjang belanja supermarket.

Contoh Kasus Nyata di Indonesia

Pola asosiasi dipakai di berbagai skala bisnis, dari warung UMKM sampai platform e-commerce raksasa.

Ritel Fisik

Minimarket seperti Alfamart menaruh roti dekat selai & susu kental
Warung sembako UMKM tahu pelanggan kopi sachet sering beli gula
Supermarket mengatur promo bundling dari pola transaksi kasir

Platform Digital

Tokopedia & Shopee: fitur “sering dibeli bersama”
Gojek/GoFood: rekomendasi menu tambahan saat checkout
Netflix/Spotify: pola “pengguna yang menonton X juga menonton Y”

Tujuan bisnisnya sama: menaikkan nilai transaksi per pelanggan (cross-selling) dengan rekomendasi yang relevan, bukan asal tebak.

Istilah Kunci: Itemset, Antecedent, Consequent

Itemset

Kumpulan satu atau lebih item yang muncul bersama dalam satu transaksi.

Antecedent (X)

Bagian “jika” dari aturan — item pemicu.

Consequent (Y)

Bagian “maka” dari aturan — item yang direkomendasikan.

Support: Seberapa Sering Kombinasi Ini Muncul?

Support mengukur seberapa sering sebuah itemset muncul di seluruh data transaksi — ukuran popularitas kombinasi barang.

Support(X→Y) = Transaksi berisi (X & Y) ÷ Total Transaksi

Nilai berkisar 0 sampai 1 (atau 0% sampai 100%)
Support rendah → kombinasi jarang terjadi, kurang berguna untuk bisnis
Analis biasanya menetapkan minimum support sebagai ambang penyaringan aturan

Hitung dari Nol: Support

Sebuah minimarket mencatat 10 transaksi hari ini. Sebanyak 4 transaksi berisi Roti dan Susu sekaligus.

Langkah	Perhitungan	Nilai
1. Total transaksi	diketahui	10 transaksi
2. Transaksi berisi {Roti, Susu}	diketahui	4 transaksi
3. Support(Roti,Susu)	4 ÷ 10	0,4
4. Support dalam persen	0,4 × 100	40%

SUPPORT {ROTI, SUSU}

40%

4 dari 10 transaksi mengandung keduanya

Confidence: Seberapa Bisa Diandalkan Aturan Ini?

Confidence mengukur seberapa sering Y muncul ketika X sudah pasti dibeli — ukuran keandalan aturan.

Confidence(X→Y) = Support(X & Y) ÷ Support(X)

Menjawab: “Di antara pembeli X, berapa persen yang juga membeli Y?”
Nilai tinggi (mendekati 100%) → aturan cukup dapat diandalkan
Berbeda arah, berbeda nilai: Confidence(Roti→Susu) ≠ Confidence(Susu→Roti)

Hitung dari Nol: Confidence

Dari 10 transaksi tadi, ada 6 transaksi yang mengandung Roti (baik dengan susu maupun tanpa susu).

Langkah	Perhitungan	Nilai
1. Transaksi berisi Roti	diketahui	6 transaksi
2. Transaksi berisi {Roti, Susu}	diketahui (dari slide 7)	4 transaksi
3. Confidence(Roti→Susu)	4 ÷ 6	0,667
4. Confidence dalam persen	0,667 × 100	66,7%

CONFIDENCE {ROTI} → {SUSU}

66,7%

Dari pembeli roti, 66,7% juga membeli susu

Lift: Apakah Hubungannya Benar-Benar Istimewa?

Lift membandingkan confidence dengan tingkat popularitas Y secara umum — menguji apakah X benar-benar “mendorong” pembelian Y, atau Y memang laris dengan sendirinya.

Lift(X→Y) = Confidence(X→Y) ÷ Support(Y)

Nilai Lift	Arti	Contoh
Lift > 1	Korelasi positif — X mendorong pembelian Y	Roti & selai: layak dibundling
Lift = 1	Independen — X dan Y tak saling memengaruhi	Roti & tisu: kebetulan saja
Lift < 1	Korelasi negatif — X justru mengurangi peluang Y	Susu UHT & susu bubuk: saling gantikan

Hitung dari Nol: Lift

Dari 10 transaksi tadi, ada 5 transaksi yang mengandung Susu (dengan atau tanpa roti). Kita sudah punya Confidence(Roti→Susu) = 66,7%.

Langkah	Perhitungan	Nilai
1. Confidence(Roti→Susu)	diketahui (dari slide 9)	0,667
2. Transaksi berisi Susu	diketahui	5 transaksi
3. Support(Susu)	5 ÷ 10	0,5
4. Lift(Roti→Susu)	0,667 ÷ 0,5	1,33

LIFT {ROTI} → {SUSU}

1,33

Lift > 1 → pembeli roti 33% lebih mungkin beli susu dibanding rata-rata

Coba Sendiri: Hitung Support, Confidence & Lift Sekaligus

Ubah jumlah transaksi yang mengandung tiap item dan lihat ketiga metrik terhitung otomatis secara bersamaan.

Kombinasi Tiga Metrik: Kapan Aturan “Layak Pakai”?

Aturan asosiasi yang baik biasanya lolos ketiga saringan sekaligus, bukan hanya satu metrik saja.

Support Tinggi

Kombinasi cukup sering terjadi — bukan kasus langka yang tidak relevan secara bisnis.

Confidence Tinggi

Kalau X dibeli, Y hampir pasti ikut dibeli — aturan bisa diandalkan.

Lift > 1

Hubungannya nyata, bukan kebetulan karena Y memang laris sendiri.

Contoh kita — {Roti}→{Susu}: support 40%, confidence 66,7%, lift 1,33. Ketiganya cukup kuat → aturan ini layak dipakai untuk keputusan bisnis nyata.

Sekarang mari kita satukan ketiga ukuran yang sudah kita hitung tadi. Aturan asosiasi yang benar-benar layak dipakai untuk keputusan bisnis biasanya harus lolos ketiga saringan sekaligus: support yang cukup tinggi supaya polanya relevan secara skala bisnis, confidence yang tinggi supaya aturannya bisa diandalkan, dan lift di atas satu supaya kita yakin hubungannya nyata bukan kebetulan. Kembali ke contoh kita, aturan roti menuju susu punya support empat puluh persen, confidence enam puluh enam koma tujuh persen, dan lift satu koma tiga tiga — ketiganya cukup kuat, sehingga manajer minimarket seperti Alfamart bisa dengan percaya diri menaruh promo susu tepat di sebelah rak roti. Kalau salah satu dari ketiga angka ini lemah, misalnya lift-nya di bawah satu, sebaiknya aturan itu tidak dijadikan dasar keputusan bisnis walaupun confidence-nya terlihat tinggi.

Bagian 2

Algoritma Apriori

Bagaimana komputer menemukan ribuan aturan asosiasi secara otomatis, tanpa mengecek satu per satu secara manual.

Algoritma Apriori: Prinsip Anti-Monotone

Apriori bekerja bertahap per level, dan memakai prinsip anti-monotone: kalau sebuah itemset jarang muncul, semua kombinasi yang memuatnya juga pasti jarang — sehingga bisa langsung dibuang tanpa dihitung.

Perhatikan diagram di layar ini dengan saksama. Algoritma Apriori dimulai dari level satu, yaitu menghitung support setiap item tunggal dulu — dalam contoh kita, roti enam puluh persen, susu lima puluh persen, telur empat puluh persen, dan kopi hanya sepuluh persen. Kalau kita tetapkan ambang minimum support dua puluh persen, kopi otomatis dibuang di level ini juga. Nah, ini bagian cerdasnya: karena kopi sudah gugur di level satu, algoritma tidak perlu lagi menghitung pasangan apa pun yang melibatkan kopi di level dua, seperti Roti-Kopi atau Susu-Kopi, karena secara matematis pasangan itu pasti tidak akan lolos juga. Prinsip inilah yang disebut anti-monotone, dan berkat trik ini, Apriori bisa memangkas jutaan kombinasi yang tidak perlu dihitung sama sekali pada data transaksi sebesar milik Tokopedia sekalipun.

Coba Sendiri: Pangkas Itemset dengan Apriori

Ubah ambang minimum support dan lihat langsung itemset mana yang gugur di tiap level, serta pasangan mana yang otomatis tidak perlu dihitung.

Walkthrough: Dari Data Transaksi ke Daftar Aturan

Secara garis besar, Apriori berjalan melalui tahapan berikut untuk setiap dataset transaksi:

Tentukan ambang minimum — misalnya min-support 20%, min-confidence 60%.
Hitung support tiap item tunggal — buang yang di bawah ambang (Level 1).
Gabungkan item yang lolos jadi pasangan, hitung support-nya, buang yang di bawah ambang (Level 2).
Ulangi untuk kombinasi 3 item, 4 item, dst. hingga tidak ada itemset baru yang lolos.
Dari itemset yang lolos, bentuk semua kemungkinan aturan X→Y, hitung confidence dan lift-nya.
Saring aturan final yang memenuhi min-confidence — inilah aturan siap pakai untuk bisnis.

Mari kita rangkum seluruh proses Apriori dari awal sampai akhir sebagai satu alur kerja yang runtut. Langkah pertama, seorang analis data harus menentukan dulu ambang minimum support dan minimum confidence sebagai saringan, misalnya dua puluh persen dan enam puluh persen. Langkah kedua sampai keempat adalah proses berjenjang yang sudah kita lihat di slide sebelumnya — mulai dari item tunggal, lalu pasangan, lalu tiga item, dan seterusnya, sambil terus membuang itemset yang tidak lolos ambang support di setiap level. Setelah semua itemset yang lolos ditemukan, langkah kelima adalah membentuk aturan-aturan X menuju Y dari itemset tersebut dan menghitung confidence serta lift masing-masing, persis seperti yang kita hitung manual tadi untuk aturan roti menuju susu. Langkah terakhir, hanya aturan yang confidence-nya di atas ambang minimum yang disimpan sebagai output akhir — inilah daftar aturan yang siap dipakai tim bisnis Tokopedia atau minimarket manapun untuk mengambil keputusan.

Studi Kasus: Rekomendasi Produk E-commerce

Fitur “Sering dibeli bersama” di Tokopedia atau Shopee adalah hasil aturan asosiasi yang dijalankan otomatis atas jutaan transaksi harian.

Alur Kerja di Balik Layar

Data transaksi harian (jutaan struk digital) → dijalankan Apriori tiap malam
Aturan dengan lift tinggi disimpan sebagai “pasangan rekomendasi”
Saat pembeli membuka produk X, sistem menampilkan Y sebagai rekomendasi
Hasilnya diukur lewat kenaikan nilai keranjang belanja (basket size)

Contoh nyata: pembeli case HP di Tokopedia sering direkomendasikan tempered glass — aturan dengan lift tinggi karena keduanya sering dibeli sekaligus saat unboxing HP baru.

Sekarang kita hubungkan seluruh teori tadi dengan praktik bisnis digital yang mungkin sudah Anda alami sendiri sebagai konsumen. Setiap malam, platform seperti Tokopedia menjalankan algoritma Apriori atau variasinya atas jutaan transaksi yang terjadi hari itu, menghasilkan ribuan aturan asosiasi baru yang diperbarui secara berkala. Aturan-aturan dengan lift tinggi kemudian disimpan sebagai “pasangan rekomendasi” di dalam sistem, sehingga saat Anda membuka halaman produk case HP, sistem langsung menampilkan tempered glass sebagai rekomendasi karena kedua barang itu memang sering dibeli bersamaan saat seseorang baru membeli HP. Keberhasilan sistem ini biasanya diukur lewat kenaikan rata-rata nilai keranjang belanja per pembeli, karena rekomendasi yang tepat sasaran membuat pelanggan menambahkan lebih banyak barang ke keranjangnya sebelum checkout.

Bagian 3

Praktik dengan R

Dari teori di papan tulis ke baris kode — menjalankan Apriori sungguhan memakai package arules.

Implementasi di R: Package `arules`

library(arules)
data("Groceries")
rules <- apriori(Groceries,
parameter = list(supp = 0.01, conf = 0.5))
inspect(sort(rules, by = "lift")[1:5])

Argumen Kunci

supp = 0.01 → ambang minimum support 1%
conf = 0.5 → ambang minimum confidence 50%

Output

Daftar aturan X→Y lengkap dengan support, confidence, lift
Diurutkan dari lift tertinggi → aturan paling “istimewa”

Mari kita bedah kode ini baris demi baris. Baris pertama memuat package arules yang berisi implementasi algoritma Apriori siap pakai; baris kedua memuat dataset Groceries, sebuah dataset contoh berisi ribuan transaksi belanja bahan makanan yang biasa dipakai untuk latihan di R. Baris ketiga adalah inti dari semuanya, memanggil fungsi apriori dengan dua parameter yang sudah sangat familiar bagi Anda — supp atau minimum support kita set satu persen, dan conf atau minimum confidence kita set lima puluh persen, persis konsep yang baru saja kita hitung manual tadi. Baris terakhir menampilkan lima aturan dengan lift tertinggi, karena seperti yang sudah kita bahas, aturan dengan lift tinggi adalah aturan yang paling layak dijadikan dasar keputusan bisnis, bukan sekadar aturan dengan confidence tinggi saja.

Interpretasi Hasil & Kesalahan Umum

Kesalahan yang Sering Terjadi

Hanya melihat confidence tinggi, abaikan lift — bisa menyesatkan
Min-support terlalu rendah → ribuan aturan tidak bermakna
Menyimpulkan kausalitas (X menyebabkan Y) padahal hanya korelasi

Praktik yang Benar

Selalu cek ketiga metrik bersamaan: support, confidence, lift
Validasi aturan dengan intuisi bisnis (masuk akal bagi tim pemasaran?)
Uji ulang berkala — pola pembelian berubah seiring waktu

Ingat: aturan asosiasi menunjukkan korelasi, bukan bukti sebab-akibat. Popok & bir bisa sering dibeli bersama tanpa bir “menyebabkan” pembelian popok.

Sebelum Anda mempraktikkan sendiri, penting sekali memahami jebakan-jebakan umum dalam menafsirkan hasil aturan asosiasi. Kesalahan paling sering adalah hanya melihat angka confidence yang tinggi tanpa mengecek lift-nya, padahal seperti sudah kita bahas, confidence tinggi bisa saja hanya terjadi karena item Y memang laris dengan sendirinya, bukan karena ada hubungan istimewa dengan item X. Kesalahan lain adalah menetapkan minimum support terlalu rendah sehingga sistem menghasilkan ribuan aturan yang sebagian besar tidak bermakna secara bisnis, dan tim pemasaran jadi kewalahan menyaringnya. Yang paling penting untuk Anda ingat sebagai calon analis data adalah aturan asosiasi hanya menunjukkan korelasi, bukan hubungan sebab-akibat — contoh klasik dalam literatur data science adalah popok bayi dan bir yang sering dibeli bersama di beberapa toko Amerika, bukan karena bir menyebabkan orang membeli popok, melainkan karena kedua barang itu sama-sama dibeli oleh ayah muda yang berbelanja malam hari.

Latihan Praktik: Hitung Aturan Asosiasi Anda Sendiri

Sebuah toko oleh-oleh online mencatat 20 transaksi minggu ini. 8 transaksi berisi Kopi dan Gula Aren sekaligus. 10 transaksi berisi Kopi. 12 transaksi berisi Gula Aren.

Hitung Support(Kopi, Gula Aren)
Hitung Confidence(Kopi → Gula Aren)
Hitung Lift(Kopi → Gula Aren) — apakah layak dibundling?
Bandingkan dengan Confidence(Gula Aren → Kopi) — apakah hasilnya sama?

Kerjakan berpasangan selama 10 menit, lalu kita bahas bersama. Siapkan juga jawaban: apakah aturan ini layak dipakai untuk promo bundling toko oleh-oleh tersebut?

Sekarang giliran Anda mempraktikkan sendiri seluruh rumus yang sudah kita pelajari hari ini, memakai kasus yang sedikit berbeda supaya benar-benar menguji pemahaman Anda, bukan sekadar menghafal angka dari contoh roti dan susu tadi. Silakan berpasangan dengan teman sebangku, hitung support, confidence, dan lift dari aturan Kopi menuju Gula Aren memakai data toko oleh-oleh online yang saya berikan di layar. Jangan lupa juga menghitung confidence dari arah sebaliknya, Gula Aren menuju Kopi, untuk membuktikan sendiri bahwa confidence memang bersifat searah dan bisa menghasilkan angka yang berbeda. Setelah sepuluh menit, kita akan bahas bersama-sama di kelas, dan saya akan tanya kepada beberapa pasangan apakah menurut mereka aturan ini cukup kuat untuk dijadikan dasar promo bundling kopi dan gula aren di toko oleh-oleh tersebut.

Laboratorium Sains Data

Pertemuan 6 — Metode Analitik Lanjut: Aturan Asosiasi

Apa itu Aturan Asosiasi?

Contoh Kasus Nyata di Indonesia

Istilah Kunci: Itemset, Antecedent, Consequent

Support: Seberapa Sering Kombinasi Ini Muncul?

Hitung dari Nol: Support

Confidence: Seberapa Bisa Diandalkan Aturan Ini?

Hitung dari Nol: Confidence

Lift: Apakah Hubungannya Benar-Benar Istimewa?

Hitung dari Nol: Lift

Coba Sendiri: Hitung Support, Confidence & Lift Sekaligus

Kombinasi Tiga Metrik: Kapan Aturan “Layak Pakai”?

Algoritma Apriori: Prinsip Anti-Monotone

Coba Sendiri: Pangkas Itemset dengan Apriori

Walkthrough: Dari Data Transaksi ke Daftar Aturan

Studi Kasus: Rekomendasi Produk E-commerce

Implementasi di R: Package arules

Interpretasi Hasil & Kesalahan Umum

Latihan Praktik: Hitung Aturan Asosiasi Anda Sendiri

Implementasi di R: Package `arules`