Mengenal Association Rule Mining: Rumus Support, Confidence, dan Lift Tanpa Rumit

Pernahkah Anda menyadari saat berbelanja di minimarket, rak yang berisi roti tawar hampir selalu diletakkan berdekatan dengan rak selai, meises, atau mentega? Atau ketika Anda sedang melihat-lihat produk di aplikasi e-commerce, tiba-tiba muncul rekomendasi di bagian bawah layar yang berbunyi, "Pelanggan yang membeli barang ini juga membeli barang berikut"? Fenomena ini bukanlah sebuah kebetulan, bukan pula hasil tebak-tebakan insting dari pengelola toko. Di balik strategi penempatan produk dan rekomendasi cerdas tersebut, terdapat sebuah teknik analisis data yang sangat kuat yang dikenal sebagai association rule mining.

 

Dalam dunia ilmu data (data science) dan bisnis, memahami perilaku konsumen adalah kunci utama untuk meningkatkan penjualan. Perusahaan harus tahu barang apa saja yang sering dibeli secara bersamaan oleh pelanggan. Di sinilah association rule mining mengambil peran. Teknik ini merupakan salah satu metode pembelajaran mesin (machine learning) tanpa pengawasan (unsupervised learning) yang bertugas mencari pola tersembunyi, hubungan, atau korelasi antar berbagai variabel dalam sebuah basis data relasional atau repositori data berukuran besar.

Salah satu metode yang paling populer untuk melakukan analisis ini adalah dengan menggunakan algoritma Apriori. Banyak pemula di bidang data, mahasiswa, atau bahkan praktisi bisnis merasa terintimidasi ketika mendengar kata algoritma, apalagi ketika diminta untuk memahami rumus apriori. Ketakutan ini biasanya muncul karena bayangan akan deretan rumus matematika yang panjang dan rumit. Padahal, jika dibedah hingga ke akar logikanya, metrik-metrik yang digunakan sangatlah sederhana, masuk akal, dan bisa dihitung dengan aritmatika dasar yang kita pelajari di sekolah dasar.

Untuk menggali aturan asosiasi (aturan sebab-akibat pembelian barang), algoritma ini bersandar pada tiga pilar metrik utama: Support, Confidence, dan Lift. Mari kita bedah ketiganya menggunakan bahasa manusia sehari-hari, tanpa harus pusing dengan simbol matematika yang membingungkan. Kita akan menggunakan analogi sebuah kedai kopi bernama "Kopi Senja" untuk mempermudah pemahaman.

1. Support (Tingkat Kepopuleran)

Metrik pertama yang harus Anda pahami adalah Support. Secara sederhana, Support mengukur seberapa populer atau seberapa sering suatu barang (atau kombinasi barang) dibeli dari total seluruh transaksi yang ada di toko Anda. Tujuan utama dari menghitung Support adalah untuk membuang aturan atau kombinasi barang yang sangat jarang terjadi, sehingga kita hanya fokus pada barang-barang yang memang memberikan dampak signifikan pada pendapatan.

Bayangkan Kedai Kopi Senja memiliki total 1,000 nota transaksi dalam satu minggu terakhir. Setelah dicek, dari 1,000 transaksi tersebut, terdapat 200 transaksi di mana pelanggan membeli Kopi Susu dan Donat Cokelat secara bersamaan.

Cara menghitung Support untuk kombinasi (Kopi Susu dan Donat Cokelat) adalah: Support = (Jumlah transaksi yang berisi Kopi Susu dan Donat Cokelat) dibagi (Total seluruh transaksi)

Dalam kasus Kopi Senja: Support = 200 / 1,000 = 0.20 atau 20%.

Angka 20% ini berarti kombinasi pembelian Kopi Susu dan Donat Cokelat muncul pada 20% dari seluruh transaksi mingguan. Jika angka Support ini dianggap cukup tinggi oleh pemilik kedai (misalnya standar kedai adalah 5%), maka kombinasi ini layak untuk dianalisis lebih lanjut ke tahap berikutnya.

2. Confidence (Tingkat Keandalan/Keyakinan)

Jika Support mengukur popularitas, maka Confidence mengukur seberapa yakin kita bahwa jika pelanggan membeli barang A, maka ia juga pasti akan membeli barang B. Confidence berfokus pada hubungan sebab-akibat searah.

Mari kembali ke data Kopi Senja. Kita tahu ada 200 orang yang membeli Kopi Susu dan Donat Cokelat bersamaan. Sekarang, kita periksa berapa banyak total orang yang membeli Kopi Susu (terlepas dari apakah ia beli donat atau tidak). Katakanlah, ada 500 transaksi yang mencakup pembelian Kopi Susu.

Cara menghitung Confidence dari aturan "Jika beli Kopi Susu, maka beli Donat Cokelat" adalah: Confidence = (Jumlah transaksi Kopi Susu dan Donat Cokelat) dibagi (Total transaksi Kopi Susu)

Dalam kasus Kopi Senja: Confidence = 200 / 500 = 0.40 atau 40%.

Angka 40% ini memberi tahu pemilik kedai bahwa dari semua orang yang memesan Kopi Susu, ada peluang sebesar 40% mereka juga akan menambahkan Donat Cokelat ke dalam pesanan mereka. Informasi ini sangat berguna bagi kasir. Jika ada pelanggan yang hanya memesan Kopi Susu, kasir bisa dilatih untuk langsung menawarkan, "Apakah mau ditambah Donat Cokelatnya sekalian, Kak?" karena peluang diterimanya tawaran tersebut lumayan besar.

3. Lift (Tingkat Kekuatan Hubungan)

Banyak orang berhenti hanya pada Support dan Confidence, padahal ini bisa sangat menjebak. Mengapa? Karena Confidence tidak memperhitungkan seberapa populer barang B (Donat Cokelat) itu sendiri. Bagaimana jika Donat Cokelat memang dibeli oleh 80% pelanggan kedai terlepas dari mereka beli kopi atau teh? Jika demikian, Confidence 40% tadi sebenarnya adalah sebuah penurunan, bukan hubungan yang spesial. Di sinilah metrik Lift masuk untuk menyelamatkan analisis Anda.

Lift mengukur seberapa besar peningkatan kemungkinan barang B dibeli jika barang A dibeli, dibandingkan jika keduanya diasumsikan tidak memiliki hubungan sama sekali (kebetulan).

Cara menghitung metrik ini melibatkan probabilitas dasar: Lift = (Confidence dari aturan A ke B) dibagi (Support dari barang B secara keseluruhan)

Lanjutkan contoh kita. Kita tahu Confidence "Kopi Susu -> Donat Cokelat" adalah 40% (0.40). Sekarang, mari kita lihat total penjualan Donat Cokelat. Ternyata, dari 1,000 transaksi di Kopi Senja, ada 250 transaksi yang melibatkan Donat Cokelat. Artinya, Support untuk Donat Cokelat secara mandiri adalah 250/1,000 = 25% (0.25).

Maka perhitungan Lift adalah: Lift = 0.40 / 0.25 = 1.6

Angka Lift memiliki aturan baca yang sangat jelas:

• Lift > 1: Hubungan positif yang kuat. Membeli barang A benar-benar meningkatkan peluang membeli barang B. (Angka 1.6 berarti pelanggan 1.6 kali lebih mungkin membeli Donat Cokelat jika mereka sudah membeli Kopi Susu).

• Lift = 1: Tidak ada hubungan. Keduanya dibeli secara mandiri dan kebetulan saja ada di keranjang yang sama.

• Lift < 1: Hubungan negatif (substitusi). Membeli barang A justru menurunkan kemungkinan membeli barang B (misalnya Kopi Susu Panas dan Es Teh Manis).

Dengan memahami ketiga pilar ini, Anda sudah menguasai inti dari association rule mining. Tidak ada kalkulus tingkat dewa atau aljabar yang rumit. Anda hanya menghitung persentase kemunculan barang di keranjang belanja. Pemahaman ini sangat aplikatif di berbagai industri. Dalam dunia e-commerce, ini menjadi otak di balik algoritma rekomendasi. Pada industri ritel fisik, ini menentukan layout atau tata letak toko agar pelanggan harus berjalan melewati barang pendamping. Bahkan di dunia perbankan, teknik yang sama digunakan untuk menganalisis pola transaksi guna mendeteksi aktivitas penipuan (fraud detection), di mana kombinasi aktivitas tertentu yang tidak wajar dapat memicu sistem keamanan. Segala keputusan strategis tersebut bermula dari hal sederhana: berhitung jumlah barang dalam keranjang menggunakan logika yang tepat.