Market Basket Analysis dengan Alogoritma Apriori Menggunakan Library arules
Agsyan Muhammad Sayidar
2026-09-11
Market Basket Analysis (MBA) atau terjemahan kasarnya analisis keranjang pasar merupakan metode untuk mengetahui perilaku konsumen terhadap barang yang dibelinya. Market Baskey Analysis menggunakan prinsip association rule, yaitu hubungan satu produk dengan produk lainnya yang dibahasakan dengan rumus jika … maka … (jika produk A dibeli maka produk B dibeli). Tujuan utamanya adalah untuk mencari pattern atas pembelian produk dan mencari kombinasi kebiasaan konsumen atas produk tertentu. Di bawah ini akan dicontohkan aplikasi Market Basket Analysis menggunakan dataset toko roti bersumber dari kaggel yang dapat diakses melalui tautan berikut: https://www.kaggle.com/datasets/akashdeepkuila/bakery
Library
library(readxl) #membaca fail format excel
library(tidyverse) #menggunakan fungsi save ke format txt## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.2.1 ✔ readr 2.2.0
## ✔ forcats 1.0.1 ✔ stringr 1.6.0
## ✔ ggplot2 4.0.3 ✔ tibble 3.3.1
## ✔ lubridate 1.9.5 ✔ tidyr 1.3.2
## ✔ purrr 1.2.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(arules) #Association rules## Warning: package 'arules' was built under R version 4.6.1## Loading required package: Matrix
##
## Attaching package: 'Matrix'
##
## The following objects are masked from 'package:tidyr':
##
## expand, pack, unpack
##
##
## Attaching package: 'arules'
##
## The following object is masked from 'package:dplyr':
##
## recode
##
## The following objects are masked from 'package:base':
##
## abbreviate, writelibrary(dplyr) #Memudahkan penulisanData
Toko.roti <- read_xlsx("D:/Downloads/Dataset Kaggle/Bakery.xlsx", sheet = 2)
head(Toko.roti)## # A tibble: 6 × 7
## TransactionNo Items DateTime Daypart DayType Day
## <dbl> <chr> <dttm> <chr> <chr> <chr>
## 1 1 Bread 2016-10-30 09:58:11 Morning Weekend Sunday
## 2 2 Scandinavian 2016-10-30 10:05:34 Morning Weekend Sunday
## 3 2 Scandinavian 2016-10-30 10:05:34 Morning Weekend Sunday
## 4 3 Hot chocolate 2016-10-30 10:07:57 Morning Weekend Sunday
## 5 3 Jam 2016-10-30 10:07:57 Morning Weekend Sunday
## 6 3 Cookies 2016-10-30 10:07:57 Morning Weekend Sunday
## # ℹ 1 more variable: TIME <dttm>str(Toko.roti)## tibble [20,507 × 7] (S3: tbl_df/tbl/data.frame)
## $ TransactionNo: num [1:20507] 1 2 2 3 3 3 4 5 5 5 ...
## $ Items : chr [1:20507] "Bread" "Scandinavian" "Scandinavian" "Hot chocolate" ...
## $ DateTime : POSIXct[1:20507], format: "2016-10-30 09:58:11" "2016-10-30 10:05:34" ...
## $ Daypart : chr [1:20507] "Morning" "Morning" "Morning" "Morning" ...
## $ DayType : chr [1:20507] "Weekend" "Weekend" "Weekend" "Weekend" ...
## $ Day : chr [1:20507] "Sunday" "Sunday" "Sunday" "Sunday" ...
## $ TIME : POSIXct[1:20507], format: "1899-12-31 09:58:11" "1899-12-31 10:05:34" ...Data terdiri dari 7 kolom (hasil modifikasi dari data asli kaggle) mulai dari TransactionNo menunjukkan nomor transaksi, Items menujukkan produk yang dibeli, Datetime hingga TIME menunjukkan waktu terjadinya transaksi. Di sini kita cukup menggunakan kolom pertama dan kedua saja.
Deskripsi Data
kuantitas.beli <- Toko.roti %>%
count(TransactionNo, Items, name = "Quantity")
kuantitas.beli <- as.data.frame(aggregate(kuantitas.beli$Quantity, list(kuantitas.beli$Items), FUN = sum))
colnames(kuantitas.beli) <- c("Items", "Total")
kuantitas.beli <- kuantitas.beli[order(kuantitas.beli$Total, decreasing = TRUE),]
kuantitas.beli## Items Total
## 24 Coffee 5471
## 12 Bread 3325
## 84 Tea 1435
## 16 Cake 1025
## 66 Pastry 856
## 74 Sandwich 771
## 56 Medialuna 616
## 49 Hot chocolate 590
## 27 Cookies 540
## 15 Brownie 379
## 38 Farm House 374
## 61 Muffin 370
## 3 Alfajores 369
## 52 Juice 369
## 79 Soup 342
## 76 Scone 327
## 88 Toast 318
## 75 Scandinavian 277
## 89 Truffles 193
## 26 Coke 185
## 80 Spanish Brunch 172
## 41 Fudge 159
## 7 Baguette 152
## 50 Jam 149
## 87 Tiffin 146
## 58 Mineral water 136
## 51 Jammie Dodgers 125
## 20 Chicken Stew 123
## 47 Hearty & Seasonal 107
## 73 Salad 99
## 40 Frittata 81
## 78 Smoothies 77
## 53 Keeping It Local 63
## 86 The Nomad 58
## 39 Focaccia 54
## 93 Vegan mincepie 54
## 8 Bakewell 48
## 83 Tartine 47
## 2 Afternoon with the baker 44
## 5 Art Tray 38
## 36 Extra Salami or Feta 38
## 33 Eggs 28
## 44 Granola 28
## 90 Tshirt 21
## 62 My-5 Fruit Shoot 18
## 34 Ella's Kitchen Pouches 17
## 92 Vegan Feast 16
## 29 Crisps 14
## 32 Dulce de Leche 13
## 91 Valentine's card 13
## 31 Duck egg 12
## 54 Kids biscuit 12
## 67 Pick and Mix Bowls 12
## 23 Christmas common 11
## 57 Mighty Protein 11
## 82 Tacos/Fajita 11
## 22 Chocolates 10
## 70 Postcard 10
## 43 Gingerbread syrup 9
## 30 Drinking chocolate spoons 8
## 60 Muesli 8
## 63 Nomad bag 8
## 4 Argentina Night 7
## 25 Coffee granules 7
## 35 Empanadas 7
## 94 Victorian Sponge 7
## 10 Basket 6
## 28 Crepes 6
## 46 Half slice Monster 6
## 48 Honey 6
## 55 Lemon and coconut 6
## 68 Pintxos 6
## 9 Bare Popcorn 5
## 59 Mortimer 5
## 65 Panatone 5
## 13 Bread Pudding 4
## 14 Brioche and salami 3
## 17 Caramel bites 3
## 18 Cherry me Dried fruit 3
## 71 Raspberry shortbread sandwich 3
## 11 Bowl Nic Pitt 2
## 21 Chimichurri Oil 2
## 37 Fairy Doors 2
## 45 Hack the stack 2
## 77 Siblings 2
## 81 Spread 2
## 1 Adjustment 1
## 6 Bacon 1
## 19 Chicken sand 1
## 42 Gift voucher 1
## 64 Olum & polenta 1
## 69 Polenta 1
## 72 Raw bars 1
## 85 The BART 1Dari tabel di atas dapat terlihat bahwa Top 3 tertinggi produk yang terjual adalah Coffe dengan 5471 pembelian, Bread dengan 3325 pembelian, dan Tea dengan 1435 pembelian. Deskripsi dasarnya sudah kita dapatkan sekarang lanjut ke Market Basket Analysis.
library arules (association rules) adalah library utama yang akan kita gunakan untuk melakukan Market Basket Analysis. Library arules ini hanya menerima input berupa fail format txt dan csv. Kebetulan data kita memiliki format excel jadinya perlu kita ubah dahulu agar sesuai dengan format yang disyaratkan oleh arules. terdapat 2 cara yang akan kita contohkan, yaitu cara “single” dan cara “basket”.
Deteksi elemen khusus
contains_apostrof <- grepl("'", Toko.roti$Items)
any(contains_apostrof == TRUE)## [1] TRUEpackage arules dalam penerapannya bisa saja memberikan warning semacam Warning in scan(text = l, what = “character”, sep = sep, quote = quote, : EOF within quoted string. warning tersebut muncul karena terdapat suatu tanda kata pada produk yang disalahartikan oleh fungsi di arules sebagai separator, tanda tersebut bisa berupa apostrof (‘), dan kutip (“) yang pada kasus ini adalah apostrof (’). ketika memakai format csv umumnya separator yang dipakai adalah koma (,) atau jika menggunakan txt separator yang digunakan umumnya adalah tab sehingga ketika ada apostrof pada nama produk akan membingungkan fungsi arules dan menganggap apostrof tersebut bagian dari separator juga
pada data kita setelah dicek dengan R ternyata ada yang mengandung apostrof. Selanjutnya dilakukan pencarian manual lewat microsoft excel nama produk apa saja yang mengandung apostrof, kemudian didapatkan produk Ella’s Kitchen Pouches dan Valentine’s card. Kedua nama produk tersebut kemudian dihilangkan apostrofnya sebagai berikut
Toko.roti$Items <-replace(Toko.roti$Items, Toko.roti$Items %in% c("Ella's Kitchen Pouches","Valentine's card"), c("Ellas Kitchen Pouches","Valentines card"))setelah itu kita bisa melanjutkan ke langkah selanjutnya
Cara Single (format: “single”)
1) ubah dataframe menjadi txt atai csv
Di sini kita mengubahnya menjadi format txt
#write_tsv(Toko.roti[,c(1:2)], file = "D:/Downloads/Dataset Kaggle/bakery_teks.txt")2) Ubah data csv/txt menjadi data transaksi
untuk mengubah csv/txt menjadi transactions kita menggunakan fungsi read.transactions(). penjelasannya satu persatu:
file = alamat dokumen di laptop kita
format = ada “single” ada
“basket”
cols = kolom mana saja yang akan digunakan
skip = ingin
me-skip berapa baris pertama
transaksi.single <- read.transactions(file = "D:/Downloads/Dataset Kaggle/bakery_teks.txt",
format = "single",
sep = "\t",
cols = c(1,2),
skip = 1)
transaksi.single <- transaksi.single[order(as.numeric(transactionInfo(transaksi.single)$transactionID))]Cara Basket (format: “basket”)
cara kedua kita perlu merubah format terlebih dahulu menjadi semacam list yang satu baris data menunjukkan seluruh produk yang dibeli dalam satu transaksi
Toko.roti_formatting <- Toko.roti[order(Toko.roti$TransactionNo),]
Toko.roti_formatting$TransactionNo <- as.numeric(Toko.roti_formatting$TransactionNo)
glimpse(Toko.roti_formatting)## Rows: 20,507
## Columns: 7
## $ TransactionNo <dbl> 1, 2, 2, 3, 3, 3, 4, 5, 5, 5, 6, 6, 6, 7, 7, 7, 7, 8, 8,…
## $ Items <chr> "Bread", "Scandinavian", "Scandinavian", "Hot chocolate"…
## $ DateTime <dttm> 2016-10-30 09:58:11, 2016-10-30 10:05:34, 2016-10-30 10…
## $ Daypart <chr> "Morning", "Morning", "Morning", "Morning", "Morning", "…
## $ DayType <chr> "Weekend", "Weekend", "Weekend", "Weekend", "Weekend", "…
## $ Day <chr> "Sunday", "Sunday", "Sunday", "Sunday", "Sunday", "Sunda…
## $ TIME <dttm> 1899-12-31 09:58:11, 1899-12-31 10:05:34, 1899-12-31 10…Toko.roti_formatting <- plyr::ddply(Toko.roti_formatting, c("TransactionNo"), function(temp_df)paste(temp_df$Items,collapse = ","))
Toko.roti_formatting <- subset(Toko.roti_formatting, select = V1)
head(Toko.roti_formatting)## V1
## 1 Bread
## 2 Scandinavian,Scandinavian
## 3 Hot chocolate,Jam,Cookies
## 4 Muffin
## 5 Coffee,Pastry,Bread
## 6 Medialuna,Pastry,Muffin#write.csv(Toko.roti_formatting, file = "D:/Downloads/Dataset Kaggle/bakery_csv.csv", quote = FALSE, row.names = T)
#write.csv(Toko.roti_formatting, file = "D:/Downloads/Dataset Kaggle/bakery_csv2.csv", quote = TRUE, row.names = T)transaksi.basket <- arules::read.transactions("D:/Downloads/Dataset Kaggle/bakery_csv.csv", format = "basket", sep = ",", cols = 1, skip = 1)## Warning in asMethod(object): removing duplicated items in transactionstransaksi.basket2 <- arules::read.transactions("D:/Downloads/Dataset Kaggle/bakery_csv2.csv", format = "basket", sep = ",", cols = 1, skip = 1)khusus format basket ini sengaja dibuat ada dua fail pertama dengan quote = FALSE dan kedua dengan quote = TRUE. saat melakukan read.trasactions menggunakan fail quote FALSE terlihat terdapat warning berupa status menghilangkan nilai duplikat. kenapa begitu dan apa perbedaannya? mari kita bahasa di bagian berikutnya
Visualisasi Bentuk Data dana Format single dan basket
untuk memperjelas perbedaan bentuk data kapan menggunakan format single dan kapan menggunakan format basket, coba lihat ilustrasi gambar di bawah ini
format single membutuhkan bentuk data seperti di atas. seminimalnya terdapat 2 kolom, yaitu kolom Items (paling utama) dan kolom grup yang dalam contoh ini adalah TransactionID. Kolom grup kita bisa hanya menggunakan satu kolom, tapi jika sekiranya satu kolom masih kurang untuk me-grup-kan item transaksi kita bisa menggunakan lebih dari satu kolom, contoh kolom ID pelanggan dan tanggal transaksi karena ada kemungkinan seorang pelanggan akan melakukan pembelian berulang.
Lain single lain pula basket. Format basket memerlukan bentuk data seperti di atas. Satu baris mewakili satu transaksi, kecuali baris header jika ada. Kolom satu di atas mempertegas transaksi ke berapa item tersebut dibeli. Kita juga bisa menggunakan data tanpa header maupun keterangan transaksi seperti di bawah sebagai alternatif lain.
Penjelasan hasil read.transactions format single dan basket
Okei mari kita lihat rangkuman dari ketiga data transaksi yang telah kita bentuk
summary(transaksi.single)## transactions as itemMatrix in sparse format with
## 9465 rows (elements/itemsets/transactions) and
## 94 columns (items) and a density of 0.02122827
##
## most frequent items:
## Coffee Bread Tea Cake Pastry (Other)
## 4528 3097 1350 983 815 8114
##
## element (itemset/transaction) length distribution:
## sizes
## 1 2 3 4 5 6 7 8 9 10
## 3948 3059 1471 662 234 64 17 4 5 1
##
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 1.000 2.000 1.995 3.000 10.000
##
## includes extended item information - examples:
## labels
## 1 Adjustment
## 2 Afternoon with the baker
## 3 Alfajores
##
## includes extended transaction information - examples:
## transactionID
## 1 1
## 1096 2
## 2168 3summary(transaksi.basket)## transactions as itemMatrix in sparse format with
## 9465 rows (elements/itemsets/transactions) and
## 94 columns (items) and a density of 0.02122827
##
## most frequent items:
## Coffee Bread Tea Cake Pastry (Other)
## 4528 3097 1350 983 815 8114
##
## element (itemset/transaction) length distribution:
## sizes
## 1 2 3 4 5 6 7 8 9 10
## 3948 3059 1471 662 234 64 17 4 5 1
##
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 1.000 2.000 1.995 3.000 10.000
##
## includes extended item information - examples:
## labels
## 1 Adjustment
## 2 Afternoon with the baker
## 3 Alfajores
##
## includes extended transaction information - examples:
## transactionID
## 1 1
## 2 2
## 3 3summary(transaksi.basket2)## transactions as itemMatrix in sparse format with
## 9465 rows (elements/itemsets/transactions) and
## 2893 columns (items) and a density of 0.0003456619
##
## most frequent items:
## Bread Coffee Farm House Tea Coffee,Coffee
## 1122 1008 199 188 177
## (Other)
## 6771
##
## element (itemset/transaction) length distribution:
## sizes
## 1
## 9465
##
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1 1 1 1 1 1
##
## includes extended item information - examples:
## labels
## 1 Adjustment
## 2 Afternoon with the baker
## 3 Afternoon with the baker,Afternoon with the baker
##
## includes extended transaction information - examples:
## transactionID
## 1 1
## 2 2
## 3 3pada tulisan transactions as itemMatrix in sparse format with 9465 rows (elements/itemsets/transactions) and 94 columns (items) and a density of 0.02122827 menunjukkan bahwa terdapat 9465 transaksi (rows) dan 94 produk (items) yang ada pada data. data transaksi.single dan transaksi.basket memiliki nilai yang sama tapi kok data transaksi.basket2 tertulis memiliki 2893 produk? kok bisa. Masalahnya terletak pada penggunaan quote = TRUE pada bagian sebelumnya. saat quote ditulis TRUE maka pada baris akan diberikan tanda kutip di awal dan akhir, contoh jika quote = FALSE maka akan tertulis bread,scandinavian sedangkan jika quote = TRUE maka akan tertulis “bread,scandinavian”. seperti penjelasan sebelum tanda (’) dan tanda (“) dapat membingungkan package arules sehingga menghasilkan hasil yang keliru.
penjelasan tambahan lain silahkan lihat list produk yang tertuang pada 10 transaksi pertama berikut
inspect(transaksi.single[1:10])## items transactionID
## [1] {Bread} 1
## [2] {Scandinavian} 2
## [3] {Cookies, Hot chocolate, Jam} 3
## [4] {Muffin} 4
## [5] {Bread, Coffee, Pastry} 5
## [6] {Medialuna, Muffin, Pastry} 6
## [7] {Coffee, Medialuna, Pastry, Tea} 7
## [8] {Bread, Pastry} 8
## [9] {Bread, Muffin} 9
## [10] {Medialuna, Scandinavian} 10inspect(transaksi.basket[1:10])## items transactionID
## [1] {Bread} 1
## [2] {Scandinavian} 2
## [3] {Cookies, Hot chocolate, Jam} 3
## [4] {Muffin} 4
## [5] {Bread, Coffee, Pastry} 5
## [6] {Medialuna, Muffin, Pastry} 6
## [7] {Coffee, Medialuna, Pastry, Tea} 7
## [8] {Bread, Pastry} 8
## [9] {Bread, Muffin} 9
## [10] {Medialuna, Scandinavian} 10inspect(transaksi.basket2[1:10])## items transactionID
## [1] {Bread} 1
## [2] {Scandinavian,Scandinavian} 2
## [3] {Hot chocolate,Jam,Cookies} 3
## [4] {Muffin} 4
## [5] {Coffee,Pastry,Bread} 5
## [6] {Medialuna,Pastry,Muffin} 6
## [7] {Medialuna,Pastry,Coffee,Tea} 7
## [8] {Pastry,Bread} 8
## [9] {Bread,Muffin} 9
## [10] {Scandinavian,Medialuna} 10Coba lihat mana yang berbeda dari ketiga data transaksi di atas? terlihat bahwa pada transaksi nomor 2 untuk transaksi.single dan transaksi.basket tertulis {Scandinavian} saja sedangkan pada transaksi.basket2 tertulis {Scandinavian,Scandinavian}. secara pengaturan (setting) package arules akan menghilangkan data duplikat pada transaksi yang sama, jadi jika pada transaksi yang sama terdapat dua atau lebih produk dengan nama yang sama maka duplikatnya dihilangkan sehingga hanya menyisakan satu nama produk yang unik di masing-masing transaksi.erarti jumlah produknya berkurang dong? bukan berkurang melainkan di association rules ketika ada semisal {Scandinavian, Scandinavian} diartikan sebagai “Jika membeli Scandinavian maka akan membeli Scandinavian juga” terdengar aneh dan tidak memberikan insight berarti. jadi dengan kata lain, association rules mencari hubungan antara satu produk dengan produk berlainan bukan hubungan diantara produk yang sama.
sekarang kita review kembali deskripsi data di awal dengan hasil read.transactions
head(kuantitas.beli, 10)## Items Total
## 24 Coffee 5471
## 12 Bread 3325
## 84 Tea 1435
## 16 Cake 1025
## 66 Pastry 856
## 74 Sandwich 771
## 56 Medialuna 616
## 49 Hot chocolate 590
## 27 Cookies 540
## 15 Brownie 379summary(transaksi.single)## transactions as itemMatrix in sparse format with
## 9465 rows (elements/itemsets/transactions) and
## 94 columns (items) and a density of 0.02122827
##
## most frequent items:
## Coffee Bread Tea Cake Pastry (Other)
## 4528 3097 1350 983 815 8114
##
## element (itemset/transaction) length distribution:
## sizes
## 1 2 3 4 5 6 7 8 9 10
## 3948 3059 1471 662 234 64 17 4 5 1
##
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.000 1.000 2.000 1.995 3.000 10.000
##
## includes extended item information - examples:
## labels
## 1 Adjustment
## 2 Afternoon with the baker
## 3 Alfajores
##
## includes extended transaction information - examples:
## transactionID
## 1 1
## 1096 2
## 2168 3jika dibandingkan keduanya, 5 besar produk terlaris dari urutan masih sama, yaitu mulai dari Coffee, Bread, Tea, Cake, dan Pastry. tapi, kenapa jumlahnya berbeda? Coffee pada tabel pertama berjumlah 5471 sedangkan pada summary berjumlah 4528 begitupun dengan bread berjumlah 3325 dengan 3097. Perbedaan tersebut itu maksudnya dari segi penjualan total benar bahwa total Coffee terjual adalah 5471 cangkir, sedangkan jumlah 4528 itu merupakan jumlah transaksi yang terdapat pembelian Coffee. Contoh transaksi nomor 21 membeli coffee sebanyak 2 cangkir berarti total coffee terjual sebanyak 2 cangkir dan transaksi yang mengandung coffee sebanyak 1 transaksi.
Eksplorasi Data
selanjutnya kita melakukan eksplorasi melihat performa items untuk seluruh transaksi
Top 15 Produk
itemFrequency(transaksi.single, type = "relative") %>% sort(decreasing = T) %>% head(n = 15)## Coffee Bread Tea Cake Pastry
## 0.47839408 0.32720549 0.14263074 0.10385631 0.08610671
## Sandwich Medialuna Hot chocolate Cookies Brownie
## 0.07184363 0.06180666 0.05832013 0.05441099 0.04004226
## Farm House Juice Muffin Alfajores Scone
## 0.03919704 0.03856313 0.03845747 0.03634443 0.03454834Dapat dilihat bahwa 15 produk terlaris dimulai dari Coffee di urutan pertama hingga Scone di urutan ke-15. Data di atas sendiri dihitung dalam bentuk persentase yang jika kita interpretasikan ke dalam kalimat dapat ditulis seperti ini, Produk Coffee tercatat terjual dalam 47% dari seluruh transaksi. Jika tidak ingin menggunakan persentase melainkan angka, kita bisa merubah syntaxnya menjadi
itemFrequency(transaksi.single, type = "absolute") %>% sort(decreasing = T) %>% head(n = 15)## Coffee Bread Tea Cake Pastry
## 4528 3097 1350 983 815
## Sandwich Medialuna Hot chocolate Cookies Brownie
## 680 585 552 515 379
## Farm House Juice Muffin Alfajores Scone
## 371 365 364 344 327jadi kita bisa mengatakan bahwa Coffee tercatat dalam 4528 transaksi dan merupakan produk terlaris di toko kita. tentunya angka saja seperti di atas kurang menarik untuk dilihat kan, maka agar lebih menarik kita dapat memvisualisasikannya dengan barplot seperti di bawah ini
itemFrequencyPlot(transaksi.single,type = "absolute", topN=15) #type = "relative jika ingin dalam bentuk persen
Modelling Data
dalam membentuk model terdapat beberapa parameter yang perlu diperhatikan:
support = berapa kontribusi produk tersebut terhadap seluruh transaksi
(default = 0.1)
confidence = mengukur seberapa kuat rules (default =
0.8). rules = jika … maka …
minlen = minimal items yang terdapat
dalam rules (default = 1)
maxlen = maksimal items yang terdapat
dalam rules (default = 10)
bakeryrules<-apriori(transaksi.single, parameter=list(support = 0.002, confidence=0.25,
minlen=2))## Apriori
##
## Parameter specification:
## confidence minval smax arem aval originalSupport maxtime support minlen
## 0.25 0.1 1 none FALSE TRUE 5 0.002 2
## maxlen target ext
## 10 rules TRUE
##
## Algorithmic control:
## filter tree heap memopt load sort verbose
## 0.1 TRUE TRUE FALSE TRUE 2 TRUE
##
## Absolute minimum support count: 18
##
## set item appearances ...[0 item(s)] done [0.00s].
## set transactions ...[94 item(s), 9465 transaction(s)] done [0.00s].
## sorting and recoding items ... [44 item(s)] done [0.00s].
## creating transaction tree ... done [0.00s].
## checking subsets of size 1 2 3 4 done [0.00s].
## writing ... [112 rule(s)] done [0.00s].
## creating S4 object ... done [0.00s].kesempatan kali ini kita membuat penyesuaian parameter apriori. parameter support ditentukan sebesar 0.02 mengasumsikan setidaknya suatu item dibeli setidaknya dua kali dalam sebulan. transaksi pertama terdapat di januari 2016 dan transaksi terakhir di desember 2017 total 24 bulan, lalu total transaksi terhitung ada 9465 transaksi sehingga bisa kita dapatkan perhitungan 24*2/9465 = 0.002535658 atau 0.002 melalui pembulatan ke bawah. Confidence diambil 0.25 dengan maksud bahwa rules tersebut setidaknya benar untuk 25% dari total transaksi. terkahir, minlen diambil 2 agar transaksi yang hanya mengandung 1 jenis items tidak ikut dimasukkan ke dalam model karena tidak memberikan insight asosiasi antar item.
length(unique(Toko.roti$TransactionNo))## [1] 9465min(Toko.roti$DateTime)## [1] "2016-01-11 07:51:20 UTC"max(Toko.roti$DateTime)## [1] "2017-12-03 16:28:00 UTC"support_parameter = 24/9465
support_parameter## [1] 0.002535658Evaluasi model
summary(bakeryrules)## set of 112 rules
##
## rule length distribution (lhs + rhs):sizes
## 2 3
## 52 60
##
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2.000 2.000 3.000 2.536 3.000 3.000
##
## summary of quality measures:
## support confidence coverage lift
## Min. :0.002007 Min. :0.2500 Min. :0.002747 Min. :0.5226
## 1st Qu.:0.002615 1st Qu.:0.3307 1st Qu.:0.006366 1st Qu.:0.8325
## Median :0.003962 Median :0.4556 Median :0.009139 Median :1.0287
## Mean :0.008680 Mean :0.4497 Mean :0.021224 Mean :1.1184
## 3rd Qu.:0.007422 3rd Qu.:0.5490 3rd Qu.:0.019440 3rd Qu.:1.1910
## Max. :0.090016 Max. :0.8158 Max. :0.327205 Max. :4.3355
## count
## Min. : 19.00
## 1st Qu.: 24.75
## Median : 37.50
## Mean : 82.15
## 3rd Qu.: 70.25
## Max. :852.00
##
## mining info:
## data ntransactions support confidence
## transaksi.single 9465 0.002 0.25
## call
## apriori(data = transaksi.single, parameter = list(support = 0.002, confidence = 0.25, minlen = 2))Dari aturan parameter yang tela =h kita buat didapatkan sebanyak 112 rules yang bisa dibilang cukup tidak terlalu banyak maupun tidak terlalu sedikit. panjang rules sebanyak 2 item berjumlah 52 dan rules sebanyak 3 item berjumlah 60 buat. Di sana tertulis istilah lhs dan rhs, dua istilah tersebut menandakan posisi pada rules, lhs untuk left dan rhs untuk right atau dalam kalimat bisa dibentuk “jika lhs maka rhs”. Pada quality measures aturan umumnya ialah semakin besar semakin baik terutama kita fokuskan pada matriks confidence dan lift.
Interpretasi rules
Umum
inspect(bakeryrules[1:5])## lhs rhs support confidence coverage lift
## [1] {Tartine} => {Coffee} 0.003063920 0.6304348 0.004860011 1.317815
## [2] {Focaccia} => {Bread} 0.002007396 0.3518519 0.005705230 1.075324
## [3] {Bakewell} => {Coffee} 0.003063920 0.6041667 0.005071315 1.262906
## [4] {Vegan mincepie} => {Coffee} 0.003169572 0.5769231 0.005493925 1.205958
## [5] {Art Tray} => {Coffee} 0.002746962 0.6842105 0.004014791 1.430224
## count
## [1] 29
## [2] 19
## [3] 29
## [4] 30
## [5] 26Ouput di atas terdapat rules Jika membeli {Tartine} maka akan membeli {Coffee} memiliki confidence 0.63 atau 6 dari 10 konsumen yang membeli {Tratine} juga membeli {Coffee}. Kemudian, lift memperlihatkan angka 1.317815 sehingga bisa kita katakan konsumen yang membeli {Tratine} memiliki kemungkinan 1.3x lebih besar untuk membeli {Coffee} dibandingkan konsumen pada umumnya.
sekarang kita coba mensorting rules berdasarkan nilai liftnya
inspect(sort(bakeryrules, by="lift")[1:10])## lhs rhs support confidence coverage
## [1] {Coffee, Coke} => {Sandwich} 0.002007396 0.3114754 0.006444797
## [2] {Coffee, Truffles} => {Sandwich} 0.002113048 0.2816901 0.007501321
## [3] {Coke} => {Sandwich} 0.005176968 0.2663043 0.019440042
## [4] {Hot chocolate, Tea} => {Cake} 0.002007396 0.2500000 0.008029583
## [5] {Soup} => {Tea} 0.009086107 0.2638037 0.034442684
## [6] {Spanish Brunch} => {Tea} 0.004648706 0.2558140 0.018172213
## [7] {Extra Salami or Feta} => {Coffee} 0.003275225 0.8157895 0.004014791
## [8] {Keeping It Local} => {Coffee} 0.005388273 0.8095238 0.006656101
## [9] {Juice, Spanish Brunch} => {Coffee} 0.002007396 0.7307692 0.002746962
## [10] {Toast} => {Coffee} 0.023666138 0.7044025 0.033597464
## lift count
## [1] 4.335463 19
## [2] 3.920878 20
## [3] 3.706722 49
## [4] 2.407172 19
## [5] 1.849557 86
## [6] 1.793540 44
## [7] 1.705267 31
## [8] 1.692169 51
## [9] 1.527547 19
## [10] 1.472431 224rules dengan ranking 3 teratas memiliki lift lebih besar dari 3. Rules pertama jika membeli {Coffee, Coke} maka akan membeli {sandwich}, kedua jika membeli {Coffee, Truffles} maka akan membeli {Sandwich}, dan ketiga jika membeli {Coke} maka akan membeli {Sandwich}. ketiga rules terbesar memiliki rhs yang sama yaitu {Sandwich} dengan kata lain konsumen yang membeli kombinasi produk-produk tersebut memiliki peluang 3-4x lebih besar untuk membeli Sandwich juga dibanding konsumen biasa. Pattern lain yang cukup tinggi juga ialah asosiasi produk {Hot chocolate, Tea} dengan {Cake} dan {Soup} dengan {Tea} yang memiliki kecondongan 1.8x dan 2.4x lebih besar dari konsumen biasa. Pattern-pattern tersebut memberikan insight bahwa produk-produk tersebut dapat dibuat bundle paket pembelian supaya meningkatkan penjualan Toko.
Subset khusus
Jika kita hanya ingin mencari pattern dari salah satu produk saja, misal Coffee dalam contoh ini. Kita bisa menggunakan kode seperti berikut.
coffeerules <- bakeryrules %>% subset(items %in% "Coffee") %>% sort(by = "lift")
inspect(coffeerules)## lhs rhs support confidence
## [1] {Coffee, Coke} => {Sandwich} 0.002007396 0.3114754
## [2] {Coffee, Truffles} => {Sandwich} 0.002113048 0.2816901
## [3] {Extra Salami or Feta} => {Coffee} 0.003275225 0.8157895
## [4] {Keeping It Local} => {Coffee} 0.005388273 0.8095238
## [5] {Juice, Spanish Brunch} => {Coffee} 0.002007396 0.7307692
## [6] {Toast} => {Coffee} 0.023666138 0.7044025
## [7] {Cake, Medialuna} => {Coffee} 0.002535658 0.6857143
## [8] {Art Tray} => {Coffee} 0.002746962 0.6842105
## [9] {Cake, Sandwich} => {Coffee} 0.004648706 0.6769231
## [10] {Hot chocolate, Pastry} => {Coffee} 0.003803487 0.6666667
## [11] {Sandwich, Soup} => {Coffee} 0.003592182 0.6538462
## [12] {Hot chocolate, Medialuna} => {Coffee} 0.003063920 0.6444444
## [13] {Tartine} => {Coffee} 0.003063920 0.6304348
## [14] {Salad} => {Coffee} 0.006550449 0.6262626
## [15] {Cookies, Hot chocolate} => {Coffee} 0.003697834 0.6140351
## [16] {Bakewell} => {Coffee} 0.003063920 0.6041667
## [17] {Cookies, Juice} => {Coffee} 0.003697834 0.6034483
## [18] {Cake, Hot chocolate} => {Coffee} 0.006867406 0.6018519
## [19] {Cake, Scone} => {Coffee} 0.002852615 0.6000000
## [20] {Spanish Brunch} => {Coffee} 0.010882198 0.5988372
## [21] {Brownie, Hot chocolate} => {Coffee} 0.002430005 0.5897436
## [22] {Cake, Cookies} => {Coffee} 0.004226096 0.5797101
## [23] {Vegan mincepie} => {Coffee} 0.003169572 0.5769231
## [24] {Hot chocolate, Sandwich} => {Coffee} 0.002535658 0.5714286
## [25] {Medialuna} => {Coffee} 0.035182250 0.5692308
## [26] {Alfajores, Cake} => {Coffee} 0.002324353 0.5641026
## [27] {Alfajores, Hot chocolate} => {Coffee} 0.002007396 0.5588235
## [28] {Sandwich, Truffles} => {Coffee} 0.002113048 0.5555556
## [29] {Cake, Juice} => {Coffee} 0.003909139 0.5522388
## [30] {Pastry} => {Coffee} 0.047543582 0.5521472
## [31] {Tiffin} => {Coffee} 0.008452192 0.5479452
## [32] {Cake, Soup} => {Coffee} 0.002430005 0.5476190
## [33] {Alfajores} => {Coffee} 0.019651347 0.5406977
## [34] {Hearty & Seasonal} => {Coffee} 0.005705230 0.5400000
## [35] {The Nomad} => {Coffee} 0.003275225 0.5344828
## [36] {Juice} => {Coffee} 0.020602219 0.5342466
## [37] {Sandwich} => {Coffee} 0.038246170 0.5323529
## [38] {Frittata} => {Coffee} 0.004543053 0.5308642
## [39] {Cake, Pastry} => {Coffee} 0.002746962 0.5306122
## [40] {Medialuna, Pastry} => {Coffee} 0.004860011 0.5287356
## [41] {Cake} => {Coffee} 0.054727945 0.5269583
## [42] {Scone} => {Coffee} 0.018066561 0.5229358
## [43] {Cookies} => {Coffee} 0.028209192 0.5184466
## [44] {Bread, Spanish Brunch} => {Coffee} 0.002430005 0.5111111
## [45] {Tea, Toast} => {Coffee} 0.003275225 0.5081967
## [46] {Hot chocolate} => {Coffee} 0.029582673 0.5072464
## [47] {Jammie Dodgers} => {Coffee} 0.006656101 0.5040000
## [48] {Smoothies} => {Coffee} 0.004014791 0.4935065
## [49] {Brownie} => {Coffee} 0.019651347 0.4907652
## [50] {Muffin} => {Coffee} 0.018806128 0.4890110
## [51] {Pastry, Tea} => {Coffee} 0.004648706 0.4835165
## [52] {Bread, Tiffin} => {Coffee} 0.002324353 0.4782609
## [53] {Cake, Muffin} => {Coffee} 0.002324353 0.4782609
## [54] {Brownie, Cake} => {Coffee} 0.002113048 0.4761905
## [55] {Bread, Toast} => {Coffee} 0.003697834 0.4729730
## [56] {Juice, Sandwich} => {Coffee} 0.002746962 0.4727273
## [57] {Soup} => {Coffee} 0.015847861 0.4601227
## [58] {Bread, Hot chocolate} => {Coffee} 0.006127839 0.4566929
## [59] {Medialuna, Tea} => {Coffee} 0.003697834 0.4545455
## [60] {Alfajores, Tea} => {Coffee} 0.003063920 0.4531250
## [61] {Muffin, Tea} => {Coffee} 0.002852615 0.4354839
## [62] {Bread, Cake} => {Coffee} 0.010036978 0.4298643
## [63] {Bread, Sandwich} => {Coffee} 0.007184363 0.4223602
## [64] {Cake, Tea} => {Coffee} 0.010036978 0.4222222
## [65] {Alfajores, Bread} => {Coffee} 0.004331749 0.4183673
## [66] {Scone, Tea} => {Coffee} 0.003380877 0.4050633
## [67] {Coffee, Tiffin} => {Bread} 0.002324353 0.2750000
## [68] {Bread, Juice} => {Coffee} 0.002958267 0.4000000
## [69] {Bread, Medialuna} => {Coffee} 0.006761754 0.4000000
## [70] {Chicken Stew} => {Coffee} 0.005176968 0.3983740
## [71] {Cookies, Tea} => {Coffee} 0.003909139 0.3978495
## [72] {Mineral water} => {Coffee} 0.005599577 0.3955224
## [73] {Coke, Sandwich} => {Coffee} 0.002007396 0.3877551
## [74] {Bread, Pastry} => {Coffee} 0.011199155 0.3840580
## [75] {Bread, Scone} => {Coffee} 0.003486529 0.3837209
## [76] {Sandwich, Tea} => {Coffee} 0.005388273 0.3750000
## [77] {Truffles} => {Coffee} 0.007501321 0.3697917
## [78] {Bread, Cookies} => {Coffee} 0.005282620 0.3649635
## [79] {Bread, Brownie} => {Coffee} 0.003803487 0.3529412
## [80] {Tea} => {Coffee} 0.049867934 0.3496296
## [81] {Bread, Soup} => {Coffee} 0.002218700 0.3387097
## [82] {Coke} => {Coffee} 0.006444797 0.3315217
## [83] {Brownie, Tea} => {Coffee} 0.002218700 0.3281250
## [84] {Soup, Tea} => {Coffee} 0.002746962 0.3023256
## [85] {Bread, Muffin} => {Coffee} 0.002430005 0.2987013
## [86] {Juice, Tea} => {Coffee} 0.002007396 0.2794118
## [87] {Bread} => {Coffee} 0.090015848 0.2751049
## [88] {Jam} => {Coffee} 0.004120444 0.2746479
## [89] {Bread, Tea} => {Coffee} 0.007395668 0.2631579
## [90] {Hot chocolate, Tea} => {Coffee} 0.002007396 0.2500000
## coverage lift count
## [1] 0.006444797 4.3354629 19
## [2] 0.007501321 3.9208782 20
## [3] 0.004014791 1.7052666 31
## [4] 0.006656101 1.6921694 51
## [5] 0.002746962 1.5275465 19
## [6] 0.033597464 1.4724315 224
## [7] 0.003697834 1.4333670 24
## [8] 0.004014791 1.4302236 26
## [9] 0.006867406 1.4149905 44
## [10] 0.005705230 1.3935512 36
## [11] 0.005493925 1.3667522 34
## [12] 0.004754358 1.3470995 29
## [13] 0.004860011 1.3178148 29
## [14] 0.010459588 1.3090936 62
## [15] 0.006022187 1.2835340 35
## [16] 0.005071315 1.2629058 29
## [17] 0.006127839 1.2614041 35
## [18] 0.011410460 1.2580671 65
## [19] 0.004754358 1.2541961 27
## [20] 0.018172213 1.2517655 103
## [21] 0.004120444 1.2327569 23
## [22] 0.007290016 1.2117837 40
## [23] 0.005493925 1.2059578 30
## [24] 0.004437401 1.1944725 24
## [25] 0.061806656 1.1898784 333
## [26] 0.004120444 1.1791587 22
## [27] 0.003592182 1.1681238 19
## [28] 0.003803487 1.1612927 20
## [29] 0.007078711 1.1543596 37
## [30] 0.086106709 1.1541682 450
## [31] 0.015425251 1.1453846 80
## [32] 0.004437401 1.1447028 23
## [33] 0.036344427 1.1302349 186
## [34] 0.010565240 1.1287765 54
## [35] 0.006127839 1.1172437 31
## [36] 0.038563127 1.1167500 195
## [37] 0.071843634 1.1127916 362
## [38] 0.008557845 1.1096797 43
## [39] 0.005176968 1.1091530 26
## [40] 0.009191759 1.1052303 46
## [41] 0.103856313 1.1015151 518
## [42] 0.034548336 1.0931067 171
## [43] 0.054410988 1.0837229 267
## [44] 0.004754358 1.0683893 23
## [45] 0.006444797 1.0622973 31
## [46] 0.058320127 1.0603107 280
## [47] 0.013206550 1.0535247 63
## [48] 0.008135235 1.0315899 38
## [49] 0.040042261 1.0258596 186
## [50] 0.038457475 1.0221928 178
## [51] 0.009614369 1.0107075 44
## [52] 0.004860011 0.9997215 22
## [53] 0.004860011 0.9997215 22
## [54] 0.004437401 0.9953937 20
## [55] 0.007818278 0.9886681 35
## [56] 0.005810882 0.9881545 26
## [57] 0.034442684 0.9618068 150
## [58] 0.013417855 0.9546375 58
## [59] 0.008135235 0.9501486 35
## [60] 0.006761754 0.9471794 29
## [61] 0.006550449 0.9103036 27
## [62] 0.023349181 0.8985568 95
## [63] 0.017010037 0.8828710 68
## [64] 0.023771791 0.8825824 95
## [65] 0.010353936 0.8745245 41
## [66] 0.008346540 0.8467147 32
## [67] 0.008452192 0.8404504 22
## [68] 0.007395668 0.8361307 28
## [69] 0.016904385 0.8361307 64
## [70] 0.012995246 0.8327318 49
## [71] 0.009825674 0.8316354 37
## [72] 0.014157422 0.8267711 53
## [73] 0.005176968 0.8105349 19
## [74] 0.029160063 0.8028067 106
## [75] 0.009086107 0.8021022 33
## [76] 0.014368727 0.7838726 51
## [77] 0.020285261 0.7729855 71
## [78] 0.014474379 0.7628930 50
## [79] 0.010776545 0.7377624 36
## [80] 0.142630745 0.7308402 472
## [81] 0.006550449 0.7080139 21
## [82] 0.019440042 0.6929888 61
## [83] 0.006761754 0.6858885 21
## [84] 0.009086107 0.6319593 26
## [85] 0.008135235 0.6243833 23
## [86] 0.007184363 0.5840619 19
## [87] 0.327205494 0.5750592 852
## [88] 0.015002641 0.5741039 39
## [89] 0.028103539 0.5500860 70
## [90] 0.008029583 0.5225817 19Output di atas memberikan output di mana item Coffee menjadi lhs (sebab) maupun rhs (akibat)
inspect(subset(bakeryrules, lhs %in% "Coffee"))## lhs rhs support confidence coverage
## [1] {Coffee, Tiffin} => {Bread} 0.002324353 0.2750000 0.008452192
## [2] {Coffee, Coke} => {Sandwich} 0.002007396 0.3114754 0.006444797
## [3] {Coffee, Truffles} => {Sandwich} 0.002113048 0.2816901 0.007501321
## lift count
## [1] 0.8404504 22
## [2] 4.3354629 19
## [3] 3.9208782 20Output di atas memberikan hasil hanya untuk Coffee sebagai lhs
inspect(subset(bakeryrules, rhs %in% "Coffee"))## lhs rhs support confidence coverage
## [1] {Tartine} => {Coffee} 0.003063920 0.6304348 0.004860011
## [2] {Bakewell} => {Coffee} 0.003063920 0.6041667 0.005071315
## [3] {Vegan mincepie} => {Coffee} 0.003169572 0.5769231 0.005493925
## [4] {Art Tray} => {Coffee} 0.002746962 0.6842105 0.004014791
## [5] {Extra Salami or Feta} => {Coffee} 0.003275225 0.8157895 0.004014791
## [6] {Keeping It Local} => {Coffee} 0.005388273 0.8095238 0.006656101
## [7] {The Nomad} => {Coffee} 0.003275225 0.5344828 0.006127839
## [8] {Frittata} => {Coffee} 0.004543053 0.5308642 0.008557845
## [9] {Smoothies} => {Coffee} 0.004014791 0.4935065 0.008135235
## [10] {Hearty & Seasonal} => {Coffee} 0.005705230 0.5400000 0.010565240
## [11] {Salad} => {Coffee} 0.006550449 0.6262626 0.010459588
## [12] {Jam} => {Coffee} 0.004120444 0.2746479 0.015002641
## [13] {Chicken Stew} => {Coffee} 0.005176968 0.3983740 0.012995246
## [14] {Jammie Dodgers} => {Coffee} 0.006656101 0.5040000 0.013206550
## [15] {Mineral water} => {Coffee} 0.005599577 0.3955224 0.014157422
## [16] {Tiffin} => {Coffee} 0.008452192 0.5479452 0.015425251
## [17] {Coke} => {Coffee} 0.006444797 0.3315217 0.019440042
## [18] {Spanish Brunch} => {Coffee} 0.010882198 0.5988372 0.018172213
## [19] {Truffles} => {Coffee} 0.007501321 0.3697917 0.020285261
## [20] {Toast} => {Coffee} 0.023666138 0.7044025 0.033597464
## [21] {Scone} => {Coffee} 0.018066561 0.5229358 0.034548336
## [22] {Soup} => {Coffee} 0.015847861 0.4601227 0.034442684
## [23] {Muffin} => {Coffee} 0.018806128 0.4890110 0.038457475
## [24] {Alfajores} => {Coffee} 0.019651347 0.5406977 0.036344427
## [25] {Brownie} => {Coffee} 0.019651347 0.4907652 0.040042261
## [26] {Juice} => {Coffee} 0.020602219 0.5342466 0.038563127
## [27] {Cookies} => {Coffee} 0.028209192 0.5184466 0.054410988
## [28] {Medialuna} => {Coffee} 0.035182250 0.5692308 0.061806656
## [29] {Hot chocolate} => {Coffee} 0.029582673 0.5072464 0.058320127
## [30] {Sandwich} => {Coffee} 0.038246170 0.5323529 0.071843634
## [31] {Pastry} => {Coffee} 0.047543582 0.5521472 0.086106709
## [32] {Cake} => {Coffee} 0.054727945 0.5269583 0.103856313
## [33] {Tea} => {Coffee} 0.049867934 0.3496296 0.142630745
## [34] {Bread} => {Coffee} 0.090015848 0.2751049 0.327205494
## [35] {Bread, Tiffin} => {Coffee} 0.002324353 0.4782609 0.004860011
## [36] {Coke, Sandwich} => {Coffee} 0.002007396 0.3877551 0.005176968
## [37] {Juice, Spanish Brunch} => {Coffee} 0.002007396 0.7307692 0.002746962
## [38] {Bread, Spanish Brunch} => {Coffee} 0.002430005 0.5111111 0.004754358
## [39] {Sandwich, Truffles} => {Coffee} 0.002113048 0.5555556 0.003803487
## [40] {Tea, Toast} => {Coffee} 0.003275225 0.5081967 0.006444797
## [41] {Bread, Toast} => {Coffee} 0.003697834 0.4729730 0.007818278
## [42] {Cake, Scone} => {Coffee} 0.002852615 0.6000000 0.004754358
## [43] {Scone, Tea} => {Coffee} 0.003380877 0.4050633 0.008346540
## [44] {Bread, Scone} => {Coffee} 0.003486529 0.3837209 0.009086107
## [45] {Sandwich, Soup} => {Coffee} 0.003592182 0.6538462 0.005493925
## [46] {Cake, Soup} => {Coffee} 0.002430005 0.5476190 0.004437401
## [47] {Soup, Tea} => {Coffee} 0.002746962 0.3023256 0.009086107
## [48] {Bread, Soup} => {Coffee} 0.002218700 0.3387097 0.006550449
## [49] {Cake, Muffin} => {Coffee} 0.002324353 0.4782609 0.004860011
## [50] {Muffin, Tea} => {Coffee} 0.002852615 0.4354839 0.006550449
## [51] {Bread, Muffin} => {Coffee} 0.002430005 0.2987013 0.008135235
## [52] {Alfajores, Hot chocolate} => {Coffee} 0.002007396 0.5588235 0.003592182
## [53] {Alfajores, Cake} => {Coffee} 0.002324353 0.5641026 0.004120444
## [54] {Alfajores, Tea} => {Coffee} 0.003063920 0.4531250 0.006761754
## [55] {Alfajores, Bread} => {Coffee} 0.004331749 0.4183673 0.010353936
## [56] {Brownie, Hot chocolate} => {Coffee} 0.002430005 0.5897436 0.004120444
## [57] {Brownie, Cake} => {Coffee} 0.002113048 0.4761905 0.004437401
## [58] {Brownie, Tea} => {Coffee} 0.002218700 0.3281250 0.006761754
## [59] {Bread, Brownie} => {Coffee} 0.003803487 0.3529412 0.010776545
## [60] {Cookies, Juice} => {Coffee} 0.003697834 0.6034483 0.006127839
## [61] {Juice, Sandwich} => {Coffee} 0.002746962 0.4727273 0.005810882
## [62] {Cake, Juice} => {Coffee} 0.003909139 0.5522388 0.007078711
## [63] {Juice, Tea} => {Coffee} 0.002007396 0.2794118 0.007184363
## [64] {Bread, Juice} => {Coffee} 0.002958267 0.4000000 0.007395668
## [65] {Cookies, Hot chocolate} => {Coffee} 0.003697834 0.6140351 0.006022187
## [66] {Cake, Cookies} => {Coffee} 0.004226096 0.5797101 0.007290016
## [67] {Cookies, Tea} => {Coffee} 0.003909139 0.3978495 0.009825674
## [68] {Bread, Cookies} => {Coffee} 0.005282620 0.3649635 0.014474379
## [69] {Hot chocolate, Medialuna} => {Coffee} 0.003063920 0.6444444 0.004754358
## [70] {Medialuna, Pastry} => {Coffee} 0.004860011 0.5287356 0.009191759
## [71] {Cake, Medialuna} => {Coffee} 0.002535658 0.6857143 0.003697834
## [72] {Medialuna, Tea} => {Coffee} 0.003697834 0.4545455 0.008135235
## [73] {Bread, Medialuna} => {Coffee} 0.006761754 0.4000000 0.016904385
## [74] {Hot chocolate, Sandwich} => {Coffee} 0.002535658 0.5714286 0.004437401
## [75] {Hot chocolate, Pastry} => {Coffee} 0.003803487 0.6666667 0.005705230
## [76] {Cake, Hot chocolate} => {Coffee} 0.006867406 0.6018519 0.011410460
## [77] {Hot chocolate, Tea} => {Coffee} 0.002007396 0.2500000 0.008029583
## [78] {Bread, Hot chocolate} => {Coffee} 0.006127839 0.4566929 0.013417855
## [79] {Cake, Sandwich} => {Coffee} 0.004648706 0.6769231 0.006867406
## [80] {Sandwich, Tea} => {Coffee} 0.005388273 0.3750000 0.014368727
## [81] {Bread, Sandwich} => {Coffee} 0.007184363 0.4223602 0.017010037
## [82] {Cake, Pastry} => {Coffee} 0.002746962 0.5306122 0.005176968
## [83] {Pastry, Tea} => {Coffee} 0.004648706 0.4835165 0.009614369
## [84] {Bread, Pastry} => {Coffee} 0.011199155 0.3840580 0.029160063
## [85] {Cake, Tea} => {Coffee} 0.010036978 0.4222222 0.023771791
## [86] {Bread, Cake} => {Coffee} 0.010036978 0.4298643 0.023349181
## [87] {Bread, Tea} => {Coffee} 0.007395668 0.2631579 0.028103539
## lift count
## [1] 1.3178148 29
## [2] 1.2629058 29
## [3] 1.2059578 30
## [4] 1.4302236 26
## [5] 1.7052666 31
## [6] 1.6921694 51
## [7] 1.1172437 31
## [8] 1.1096797 43
## [9] 1.0315899 38
## [10] 1.1287765 54
## [11] 1.3090936 62
## [12] 0.5741039 39
## [13] 0.8327318 49
## [14] 1.0535247 63
## [15] 0.8267711 53
## [16] 1.1453846 80
## [17] 0.6929888 61
## [18] 1.2517655 103
## [19] 0.7729855 71
## [20] 1.4724315 224
## [21] 1.0931067 171
## [22] 0.9618068 150
## [23] 1.0221928 178
## [24] 1.1302349 186
## [25] 1.0258596 186
## [26] 1.1167500 195
## [27] 1.0837229 267
## [28] 1.1898784 333
## [29] 1.0603107 280
## [30] 1.1127916 362
## [31] 1.1541682 450
## [32] 1.1015151 518
## [33] 0.7308402 472
## [34] 0.5750592 852
## [35] 0.9997215 22
## [36] 0.8105349 19
## [37] 1.5275465 19
## [38] 1.0683893 23
## [39] 1.1612927 20
## [40] 1.0622973 31
## [41] 0.9886681 35
## [42] 1.2541961 27
## [43] 0.8467147 32
## [44] 0.8021022 33
## [45] 1.3667522 34
## [46] 1.1447028 23
## [47] 0.6319593 26
## [48] 0.7080139 21
## [49] 0.9997215 22
## [50] 0.9103036 27
## [51] 0.6243833 23
## [52] 1.1681238 19
## [53] 1.1791587 22
## [54] 0.9471794 29
## [55] 0.8745245 41
## [56] 1.2327569 23
## [57] 0.9953937 20
## [58] 0.6858885 21
## [59] 0.7377624 36
## [60] 1.2614041 35
## [61] 0.9881545 26
## [62] 1.1543596 37
## [63] 0.5840619 19
## [64] 0.8361307 28
## [65] 1.2835340 35
## [66] 1.2117837 40
## [67] 0.8316354 37
## [68] 0.7628930 50
## [69] 1.3470995 29
## [70] 1.1052303 46
## [71] 1.4333670 24
## [72] 0.9501486 35
## [73] 0.8361307 64
## [74] 1.1944725 24
## [75] 1.3935512 36
## [76] 1.2580671 65
## [77] 0.5225817 19
## [78] 0.9546375 58
## [79] 1.4149905 44
## [80] 0.7838726 51
## [81] 0.8828710 68
## [82] 1.1091530 26
## [83] 1.0107075 44
## [84] 0.8028067 106
## [85] 0.8825824 95
## [86] 0.8985568 95
## [87] 0.5500860 70Output di atas memberikan hasil hanya untuk Coffee sebagai rhs
Output-output item Coffee dapat menjadi bahan pertimbangan toko untuk membuat bundle khusus Coffe yang memanfaatkan performa penjualan Coffee sebagai produk terlaris untuk mendongrak penjualan produk lainnya
Kesimpulan
Kesimpulan Output:
1. Coffee menempati urutan pertama produk
terlaris diikuti oleh Bread dan Tea
2. Sandwich dapat dibundle
dengan bundle 1 = (Coffee, Coke, Sandwich), bundle 2 = (Coffee,
Truffles, Sandwich), dan bundle 3 = (Coke, Sandwich) untuk menaikkan
performa penjualan karena asosiasi produk tersebut 3-4x lebih tinggi
condong ke Sandwich dibanding produk lain
3. Bundle lain seperti
(Hot chocolate, Tea, Cake) yang memiliki kecondongan 1.8x lebih besar
dan (Soup, Tea) yang memiliki kecondongan 2.4x lebih besar juga dapat
dijadikan bundle
4. Coffee dapat dibundle dengan produk dengan
performa penjualan yang kurang optimal untuk meningkatkan performa
produk terkait
Kesimpulan Packages:
1. Package arules merupakan package
powerfull untuk analisis MBA di R
2. Package arules hanya bisa
dipakai menggunakan file berformat txt dan csv
3. Jika format file
belum sesuai perlu penyesuaian terlebih dahulu sebelum bisa menggunakan
arules
4. Perlu mengecek nama item di data awal apakah memiliki
tanda baca yang bisa menyebabkan perhitungan package arules
terganggu