Algoritma Apriori adalah salah satu algoritma data mining yang digunakan untuk menemukan aturan asosiatif dalam dataset yang besar. Algoritma ini sangat berguna dalam analisis keranjang belanja, di mana kita ingin menemukan keterkaitan antara berbagai item yang sering dibeli bersama dalam suatu transaksi.

Tujuan utama dari penggunaan algoritma Apriori adalah:

• Mengenali Pola: Menemukan kombinasi item yang sering muncul bersama dalam berbagai transaksi.
• Meningkatkan Penjualan: Dengan mengenali pola ini, perusahaan dapat mengoptimalkan tata letak produk atau memberikan penawaran bundling untuk meningkatkan penjualan.
• Pengambilan Keputusan: Membantu pengambil keputusan dalam menentukan strategi pemasaran yang lebih efektif berdasarkan pola pembelian pelanggan.

• Pada tahap awal, algoritma akan membentuk 1-itemsets atau kumpulan item tunggal dari seluruh transaksi.
• Itemsets ini kemudian dihitung jumlah kemunculannya (support) di seluruh transaksi.

Rumus Support: [ \text{Support}(X) = \frac{\text{Jumlah transaksi yang mengandung } X}{\text{Total jumlah transaksi}} ]

• X adalah item atau itemset.
• Support(X) mengukur seberapa sering item atau itemset X muncul dalam keseluruhan transaksi.

• Itemsets yang support-nya memenuhi minimum support yang telah ditentukan akan dipertahankan.
• Itemsets yang tidak memenuhi threshold ini akan dihapus.

• Algoritma kemudian menggabungkan itemsets yang lolos penyaringan untuk membentuk k-itemsets (kombinasi item dengan panjang k).
• Proses ini diulang dengan meningkatkan nilai k hingga tidak ada lagi itemsets yang memenuhi syarat.

• Setiap k-itemsets yang dihasilkan akan dihitung support-nya di seluruh transaksi.
• Itemsets yang memiliki support lebih besar atau sama dengan minimum support akan dipertahankan.

• Dari frequent itemsets yang diperoleh, aturan asosiatif (association rules) dibentuk.
• Setiap aturan asosiatif memiliki dua komponen: antecedent (X) dan consequent (Y), yang dibaca sebagai "Jika X terjadi, maka Y juga terjadi".
• Confidence dari aturan dihitung untuk memastikan seberapa sering Y terjadi ketika X terjadi.

Rumus Confidence: [ \text{Confidence}(X \Rightarrow Y) = \frac{\text{Support}(X \cup Y)}{\text{Support}(X)} ]

• X dan Y adalah item atau itemset.
• Confidence(X ⇒ Y) mengukur seberapa besar kemungkinan Y terjadi ketika X terjadi.

• Hanya aturan asosiatif yang memiliki confidence lebih besar atau sama dengan minimum confidence yang akan dipertahankan.

Rumus Lift (Opsional): [ \text{Lift}(X \Rightarrow Y) = \frac{\text{Confidence}(X \Rightarrow Y)}{\text{Support}(Y)} ]

• Lift(X ⇒ Y) mengukur kekuatan aturan asosiatif. Lift > 1 menunjukkan bahwa Y lebih mungkin terjadi ketika X terjadi.

Contoh umum dari penggunaan algoritma Apriori adalah dalam analisis keranjang belanja:

• Misalnya, jika dalam data transaksi, algoritma menemukan bahwa "pelanggan yang membeli roti juga cenderung membeli susu", maka toko dapat menempatkan produk roti dan susu berdekatan untuk meningkatkan penjualan kedua produk tersebut.

Algoritma Apriori adalah alat yang sangat kuat dalam data mining, terutama untuk menemukan pola yang tersembunyi dalam data transaksi. Dengan memahami pola-pola ini, bisnis dapat membuat keputusan yang lebih baik dan merancang strategi yang lebih efektif untuk meningkatkan penjualan dan kepuasan pelanggan.