Pertemuan 13 - Asosiasi dengan Python | Apriori dengan Python | Python Data Mining 2021

Kuliah Online Data Mining tentang Asosiasi (Association Rules) atau Market Basket Analysis dengan algoritma Apriori serta Implementasi Aplikasi Data Mining sederhana menggunakan pemrograman Python. Mudah belajar Python untuk Data Mining.
Download data yang digunakan (Online_Retail.xlsx):
drive.google.c...
Sumber:
www.geeksforge...
archive.ics.uci...
Terimakasih sudah mengikuti kuliah online & tutorialnya.
Subscribe, Share, Like dan Comment jika dirasa bermanfaat, untuk terus mendukung channel ini.
Kunjungi video perkuliahan lainnya di:
/ juntazeniarja​
#KuliahOnline​ #DiRumahAja​ #SamaSaya​ #DataMining​ #DataMining2021 #DataMiningBasic​ #DataMiningIndonesia​ #DataMiningTutorial​ #DataMiningRapidminer​ #DataMiningClassification​ #DataMiningConcept​ #DataMiningAlgorithm​ #DataMiningTechniques​ #DataMiningBusiness​ #Rapidminer​ #RapidminerStudio​ #RapidminerIndonesia​ #RapidminerBasics​ #RapidminerTutorial​ #RapidminerAutoModel​ #RapidminerDataMiningTutorial​ #Python #DataScience #DataScience2021 #DataScienceIndonesia #JuntaZeniarja #Asosiasi #AssociationRules #Apriori #Support #Confident #LiftRatio

[@nuraaaaid]

Pak izin bertanya untuk pengujian algoritma Apriori dan Fp-Growth di aplikasi rapidminer ,untuk operator yg digunakan nya apakah keduanya sama ? Soalnya liat ditutorial TH-cam kebanyakan operator yg digunakan untuk Apriori dan Fp-Growth sama pak . Mohon penjelasannya pak 🙏

[@juntazen]

Beda mb, kalau apriori pakai W-Apriori (ambil dr Weka) kalau FP-Growth pakai yg biasa bawaan Rapidminer.

[@muhammadwildan9435]

di dalam vidio ini frequent itemset nya 2 barang, bagaimana jika kita ingin frequent itemset nya 3 barang atau lebih?

[@juntazen]

bisa melihat penjelasan dari video saya sebelumnya mas disini th-cam.com/video/3VWc3_dHydI/w-d-xo.html

[@karanganyarpunya6022]

Cara menentukan min support dan min confident jika data transaksi udah ribuan bagaimana, pak ?

[@juntazen]

biasanya saya menggunakan cara menganalisa setiap nilai support dan confidence dengan cara menentukan nilai tengah-tengah dahulu, misal 50% kemudian dianalisa rule nya apakah masih terlalu banyak atau sudah maksimal, baru naik sampai mendekati 100% apakah masih terdapat rule yang terbentuk dan semakin tinggi nilai support dan confidence nya berarti rule semakin bagus.

[@awikainur4940]

jika hanya ingin menghitung data tertentu bagaimana pak, misal dari sekian banyak barang yang dijual, kita hanya ingin meneliti 5 jenis barang?
mohon penjelasannya pak

[@juntazen]

bisa dipreprocesing dl atau difiltering sebelum proses apriori

[@muhamadfajritirta7605]

pak untuk menampilkan data set pada encode dan modelanalisis kenapa saya saat menggunakan basket malah error ya is not defined, padhal di kolampengkodean data dengan hot endcoding sudah di jalankan dan berhasil

[@juntazen]

coba di cek kembali apakah ada yang typo dalam kode nya, bisa disimak skrip punya saya disini mas => colab.research.google.com/drive/17OGE20n1qj4Z_RrY4WhuU4iBlsG0aVit?usp=sharing

[@muhamadfajritirta7605]

@@juntazen kalo untuk pengkodean dataset setelah Hot encoding di tahap 6 terdapat error TypeError: '

[@ayukhoirunnisa6675]

kalo customer membeli produk A akan berpotensi membeli produk B. Apakah berlaku sebaliknya?

[@juntazen]

Iya bisa berlaku sebaliknya sesuai rule yg terbentuk

[@rvy6968]

Jika data sudah dalam bentuk format tabular cara pengelohannya bagaimana ya pak?

[@juntazen]

dicek dl tipe nya apa misal dataframe atau array, kemudian nanti bisa disesuaikan dengan pengolahan di dalam video (skip proses kedua: read excel)

[@lunanmbok9113]

hai saya mau tanya, hot encode itu untuk apa ya? dan dari mana soalnya punya saya error disitunya hehe

[@juntazen]

itu buat fungsi sendiri dengan nama hot_encode(x) pada langkah 5, dimana :
if(x= 1):
return 1
jika x krg dari atau samadengan 0 akan dikembalikan ke nilai 0, dan jika x lebih dari atau sama dengan 1 maka akan dikembalikan ke nilai 1.
Fungsi hot_encode adalah untuk membuat setiap item yang muncul dalam transaksi dengan nilai berapapun (lebih dari 1) akan dibuat nilainya 1 (muncul), dan selain itu dibuat nilainya 0 (tidak muncul) supaya dapat diolah nantinya dengan algoritma apriori.

[@rianiria1976]

hai saya ingin bertanya, saya punya eror di langkah 6
dengan eror seperti ini : ValueError: The input DataFrame `df` containing the frequent itemsets is empty.
apa yang salah yah, saya sudah install numpy dan pandas

[@juntazen]

mungkin ada yg typo atau salah dalam membangun model dan rules pd dataframe:
# Membangun model
frq_items = apriori(basket_France, min_support = 0.05, use_colnames = True)

# Mengumpulkan aturan yang disimpulkan dalam dataframe
rules = association_rules(frq_items, metric ="lift", min_threshold = 1)
rules = rules.sort_values(['confidence', 'lift'], ascending =[False, False])
#print(rules.head())
rules.head()

[@juntazen]

bisa dicek di hasil colabs punya saya:
colab.research.google.com/drive/17OGE20n1qj4Z_RrY4WhuU4iBlsG0aVit?usp=sharing#scrollTo=5q5bftoYNa-i

[@solotravellerindonesia]

Ini sih buian coding, tp make tools...