Pembelajaran aturan asosiasi, juga disebut sebagai Association Rule Mining atau Algoritma Apriori, adalah jenis teknik penambangan data yang berhubungan dengan mengungkap hubungan antar variabel dalam kumpulan data besar. Proses ini menghubungkan potongan-potongan informasi yang berbeda sehingga pola atau pengelompokan titik data dapat dipelajari dan dipahami.
Penerapan pembelajaran aturan Asosiasi dapat ditemukan di banyak bidang seperti analisis keranjang pasar, pengenalan pola medis, analisis teks, dan sistem rekomendasi untuk toko ritel. Titik data yang terkait satu sama lain disebut “item” atau “transaksi”.
Tujuan pembelajaran aturan Asosiasi adalah untuk mengetahui item atau transaksi mana yang terjadi bersamaan atau terjadi pada waktu yang sama. Untuk melakukan hal ini, algoritme memeriksa sekumpulan besar transaksi dan mencari aturan yang dapat menjelaskan hubungan antar item. Setiap aturan memiliki kumpulan item yang merupakan sekelompok item yang terkait satu sama lain dan tingkat kepercayaan terkait.
Algoritma yang paling populer digunakan untuk pembelajaran aturan Asosiasi adalah algoritma Apriori. Algoritma ini bekerja dengan terlebih dahulu mencari dataset untuk item tunggal yang muncul lebih dari ambang batas tertentu, kemudian mencari pasangan item yang muncul bersamaan lebih dari ambang batas tertentu, dan seterusnya.
Dengan menggunakan algoritma Apriori, pembelajaran aturan Asosiasi dapat dengan cepat mengungkap hubungan penting dalam kumpulan data besar. Proses ini sering digunakan untuk mengidentifikasi tren perilaku pembelian pelanggan di toko ritel, menemukan asosiasi atau korelasi tersembunyi antara pasien medis, atau menemukan pola dalam dokumen teks.
Secara keseluruhan, pembelajaran aturan Asosiasi adalah teknik penambangan data yang kuat yang digunakan untuk mengungkap hubungan dalam kumpulan data besar. Teknik ini dapat digunakan untuk berbagai aplikasi, mulai dari analisis keranjang pasar hingga analisis teks.
