Machine Translated by Google

Uluslararası Siber ve BT Hizmet Yönetimi Dergisi (IJCITSM) p-ISSN: 2797-1325 Cilt. 1

No. 2 Ekim 2021 e-ISSN: 2808-554X

Gözlük Satışlarında Veri Madenciliğinin Uygulanması

Apriori Algoritmasını Kullanma

Primasatria Edastama Ankur

1
, Singh Bist University 2
, Ari Prambudi 3

of Esa Unggul - Endonezya 1.3 Graphic Era

2
Hill Üniversitesi - Hindistan e-posta:
1
primasatria@esaunggul.ac.id ari.pambudi@esaunggul.ac.id
, ankur1990bist@gmail.com2 ,
3

Bu belgeden alıntı
yapmak için: Edastama, P., Bist, A., & Prambudi, A. (2021). Apriori Algoritması Kullanılarak Gözlük
Satışlarında Veri Madenciliğinin Uygulanması. International Journal of Cyber and IT Service Management
159-172.
(IJCITSM), 1(2), https://iiast-journal.org/ijcitsm/index.php/IJCITSM/article/view/46 adresinden erişildi

Soyut

Optik Nasional, Taşmalaya'nın en önemli optiklerinden biridir. Günlük satış işlemlerinin birçoğu,
hatta daha uzun satışlar, çeşitli markalarla gözlük alıp satma sürecindeki faaliyetleri sonucunda artacaktır.
Kendi haline bırakılırsa, satış işlem verileri gereksiz çöplüğe dönüşür. Teknolojik gelişmelerin yardımıyla, veri
toplama ve işleme yeteneği gelişiyor. Veri madenciliği, büyük miktarda veriden bilgi ve uzmanlık çıkarma
sürecidir. İşlem verileri, firma için bir arşiv işlevi görmenin yanı sıra, iyileştirilmiş satış ve promosyon ürünleri
için yararlı bilgiler oluşturmak için kullanılabilir ve analiz edilebilir. Yazar, ulusal bir optik firmasındaki bir
veritabanı işleminde en popüler ve talep edilen mallar hakkında bilgi elde etmek için Apriori algoritmasını
kullanır, böylece sonuçlar gözlük satış ve pazarlamasının büyümesini iyileştirmek için kullanılabilir.

Anahtar Kelimeler : Apriori Algoritması, Veri Madenciliği, Satış.

1. Giriş National
Optics, Taşikmalaya'nın optisyenlerinden biridir. National Optics'in faaliyetleri arasında çeşitli
markalardan gözlük alım satımı; günlük satış işlemlerinin sayısı ve satış verileri zamanla artmaya devam
edecek. Katılımsız bırakılırsa, satış işlemi verileri gereksiz bir israfa dönüşecektir. Veri toplama ve işleme
yeteneği, teknolojik gelişmelerin bir sonucu olarak gelişiyor. Veri madenciliği, büyük miktarda veriden bilgi ve
uzmanlık çıkarma sürecidir. Veri madenciliği, bir veri kümesinin katma değerini, verilerden daha önce
bilinmeyen bilgiler biçiminde belirlemeye yönelik prosedürlerin bir toplamıdır. Veritabanı dünyasında veri
madenciliği, bilgi keşfi (KDD) olarak da bilinir. KKD, verilerin toplanması, analizi ve yorumlanmasının yanı sıra
büyük veri kümelerindeki düzenlilikleri ve kalıpları ortaya çıkarmak için geçmişin kullanımını içeren bir süreçtir.

Kurumsal dünyada, özellikle ürün satışı konusunda uzmanlaşmış firmalarda artan rekabet miktarı,
geliştiricilerin ürün satışlarını ve pazarlamasını genişletmek için bir plan tasarlamasını zorunlu kılıyor,
bunlardan biri de ürün satış verilerini kullanmak. Günlük satış aktivitesi ile,

Veri Madenciliğinin Uygulanması… 159

Machine Translated by Google

Uluslararası Siber ve BT Hizmet Yönetimi Dergisi (IJCITSM) p-ISSN: 2797-1325 Cilt. 1

No. 2 Ekim 2021 e-ISSN: 2808-554X

veriler zamanla büyüyecektir. Veriler, firma için bir arşiv görevi görmenin yanı sıra satışları ve ürün promosyonunu
geliştirmek için kullanılabilir ve faydalı bilgilere dönüştürülebilir.
Yazar, ulusal bir optik firmasında en çok satılan ve talep edilen ürünler hakkında bir işlem veri tabanından
bilgi çıkarmak için a priori bir algoritma kullanır, böylece sonuçlar daha sonra gözlük ürünlerinin satış ve pazarlamasını
oluşturmak için kullanılabilir.

Kullanılacak problem formülasyonu aşağıdadır:

a. En popüler Gözlük Markasını belirlemek için Apriori algoritmasını nasıl kullanabilirim?

satış?

B. Gözlük Satış verilerini değerlendirmek ve bir

öğe kombinasyonları deseni?
C. Önsel algoritmaların pazarlama stratejilerinin geliştirilmesine yardımcı olması mümkün müdür?

Sorunun sınırlamaları şunlardır:

a. Kurallar oluşturmak için, modellerin modellerini keşfetmek için bir a priori veri madenciliği yöntemi kullanılır.
öğe kümeleri ve birliktelik kuralları kombinasyonları.

B. Bu uygulama, National Optics'teki Gözlük satış verilerine dayanmaktadır.

2016 takvim yılını kapsayan bir önceki yıl.
C. Bu çalışmada aylık satış verileri kullanılmıştır. D. En
popüler ürünlerin marka bazında belirlenmesi.

Veri madenciliği, bir veya daha fazla bilgisayar öğrenme tekniğini (makine öğrenimi) kullanan bilgiyi otomatik
olarak analiz etmeye ve çıkarmaya yönelik bir tekniktir. Örneğin tümevarıma dayalı öğrenme, çalışılacak fikirlerin belirli
örneklerini izleyerek genel kavram tanımlarını oluşturma sürecidir. Bilimsel tekniklerin veri madenciliğinde kullanılması,
Veritabanlarında Bilgi Keşfi (KDD) olarak bilinir. Veri madenciliği bu bağlamda KDD sürecinin bir aşamasıdır (Hermawati,
2013).

Veri madenciliği, yeni ilgili korelasyonları, kalıpları ve eğilimleri keşfetmek için istatistiksel ve matematiksel
yaklaşımlar gibi kalıp tanıma tekniklerini kullanarak depoda tutulan çok büyük veri setlerini eleme eylemi olarak
tanımlanır. (Emha taufiq Luthfi, Kuşrini, 2009).
Bu anlamların dışında aşağıda belirtilen birkaç tane daha vardır (Kusrini, Emha taufiq Luthfi, 2009). a. Veri madenciliği,
önceden bilinmeyen bilgiler biçiminde bir veri kaynağından ek değer çıkarmak için bir prosedürler topluluğudur. B. Veri
madenciliği, büyük veya karmaşık verilerin otomatik olarak incelenmesidir.

genellikle gözden kaçan temel kalıpları veya eğilimleri belirlemek.

Veri madenciliğinin birçok aşaması vardır. Bu aşamalar etkileşimlidir ve kullanıcıyı doğrudan veya bir bilgi tabanı
aracılığıyla içerir. Veri madenciliği altı adıma ayrılmıştır (Handoko, Suryadi, 2010): a. Veri temizleme Gürültüyü,
tutarsızlıkları ve gereksiz verileri ortadan kaldırma süreci, veri temizleme olarak bilinir. Genel olarak, bir şirketin veri
tabanından elde edilen veriler ve deneysel bulgular, eksik veriler, yanlış veriler veya basit bir hata gibi kusurlar
içerir.

Ek olarak, veri madenciliği kavramıyla hiçbir ilgisi olmayan veri özellikleri vardır. Alakalı olmayan tüm verilerden
kurtulmak da iyi bir fikirdir. Çünkü

Veri Madenciliğinin Uygulanması… 160

Machine Translated by Google

Uluslararası Siber ve BT Hizmet Yönetimi Dergisi (IJCITSM) p-ISSN: 2797-1325 Cilt. 1 No. 2 Ekim 2021 e-ISSN:
2808-554X

işlenen verilerin miktarı ve karmaşıklığı azaltılacak, veri temizliği veri madenciliği tekniklerinin
performansı üzerinde etkili olacaktır. B. Veri entegrasyonu Farklı veritabanlarından gelen verilerin
tek bir yeni veritabanında birleştirilmesi, entegrasyon verileri olarak bilinir. Sıklıkla, veri madenciliği için
gereken veriler, tek bir veritabanından ziyade birkaç veritabanından veya metin dosyasından
kaynaklanır. Veri entegrasyonu, adlar, ürün türleri, sayılar, müşteriler vb. gibi farklı varlıkları
tanımlayan özellikler üzerinde yapılır. Entegrasyon verilerindeki hatalar çarpık bulgular
oluşturabileceğinden ve potansiyel olarak gelecekte yanlış yönde aksiyon alınmasına yol
açabileceğinden, veri entegrasyonu dikkatli bir şekilde yapılmalıdır. Örneğin, ürün türüne dayalı veri
entegrasyonu, çeşitli kategorilerdeki öğelerin birleşimiyle sonuçlanırsa, mevcut olmayan ürünler
arasında bir bağlantı keşfedilecektir. C. Veri Seçimi Veritabanındaki verilerin tamamı
kullanılmadığından, yalnızca analiz için kabul edilebilir veriler veritabanından alınacaktır. İnsanların
yatkınlık değişkenlerinin araştırıldığı bir senaryo düşünün.

A priori algoritma, yüksek frekans modellerini bulmak için en ünlü algoritmadır. A priori algoritma, anlatım
veya geçiş adı verilen birkaç aşamaya bölünmüştür (Setiawati, 2009).
a. Aday k-itemset, önceki aşamada edinilen (k-1)-itemset kombinasyonundan oluşturulur. k-1 öğelerini
içeren alt küme, bir şekilde k-1 uzunluğunun yüksek frekans modeline uymaz.

B. Her aday k-öğe setinden destek hesaplanır. Her aday k-destek ürün seti, veri tabanı taranarak ve tüm
aday k-öğelerini içeren işlem sayısı sayılarak elde edilir. öğe kümeleri Bu aynı zamanda, tam
veritabanı kullanılarak mümkün olduğu kadar çok k-öğe kümesinin hesaplanmasını gerektiren önsel
yaklaşımın bir özelliğidir.

C. Yüksek frekanslı bir desen oluşturun. Desteği minimum destekten daha büyük olan aday k-itemsetleri,
k item veya k-itemset içeren yüksek frekans modelini belirlemek için kullanılır. Yeni bir yüksek
frekans modeli keşfedilmezse prosedür sonlandırılır. Değilse, k bir artırılır ve 1. kısım döndürülür.

Agrawal & Srikant, boolean birliktelik kuralları için sık öğe kümelerini belirlemek için 1994 yılında
Apriori yöntemini tanıttı. Veri madenciliğinde, a priori algoritma bir tür birliktelik kuralıdır. Yakınlık analizi veya
pazar sepeti analizi, birçok nitelik arasındaki ilişkiyi ifade eden kuralları tanımlamak için kullanılan terimlerdir.
Birliktelik kuralı madenciliği olarak da bilinen birliktelik analizinin veri madenciliği yaklaşımı, bir grup öğenin
kurallarını keşfetmek için kullanılır. Yüksek frekanslı örüntü madenciliği, verimli algoritmalar geliştirmek için
birçok akademisyenin dikkatini çeken ilişkilendirme analizi aşamalarından biridir. Bir ilişkinin önemini
değerlendirmek için destek ve güven adı verilen iki ölçüt kullanılabilir. Bu öğelerin veri tabanındaki
kombinasyonunun oranına destek (destek değeri), birliktelik kurallarındaki öğeler arasındaki bağlantının
gücüne güven (kesinlik değeri) denir.

Apriori Algoritmasındaki Adımlar:

a. Apriori Algoritması ile Yüksek Frekanslı Model Analizi

Veri Madenciliğinin Uygulanması… 161

Machine Translated by Google

Uluslararası Siber ve BT Hizmet Yönetimi Dergisi (IJCITSM) p-ISSN: 2797-1325 Cilt. 1 No. 2 Ekim 2021 e-ISSN: 2808-554X

Bu adım, veritabanındaki destek değerinin minimum ölçütleriyle eşleşen nesnelerin bir birleşimini arar. Bir öğenin destek
değerini hesaplamak için aşağıdaki formül kullanılır: Destek A = A x %100 İçeren İşlemler Transaksi

B. 2 Öğe Setinin Kombinasyonu

2 maddenin destek değeri ise şu formülle elde edilir:

Destek (A,B) = P(A B)

SupportA,B = A ve B İçeren İşlemler x %100 İşlem

Sık öğe kümesi, sağlanan minimum değerden () daha büyük bir oluşum sıklığına sahip öğeleri görüntüler. Değeri 2 olarak
ayarlarsak, ortaya çıkma sıklığı 2 katına eşit veya daha fazla olan tüm öğe kümeleri ortak olarak kabul edilir. Fk, sık
kullanılan k-öğe kümeleri kümesini belirtir.

C. Birliktelik Kurallarının Oluşumu Tüm yüksek frekans modellerini keşfettikten sonra, minimum güven standartlarını
karşılayan birliktelik kurallarını bulmak için ilişkisel kural A->B'nin güvenini hesaplayın. A->B kuralının puan güvenini

hesaplamak için aşağıdaki formül kullanılır:

Güven = A ve B İçeren İşlemler x %100 İşlem A Hangilerinin seçilmesi

gerektiğine karar vermek için birliktelik
kuralları Destek Güvenine göre sıralanmalıdır. En büyük sonucu olan n kadar kural seçilir..

Tablo 1. Önceki Çalışmalar

Numara Araştırmacı yıllar Fark

1 Tanrıça Kartika 2013 En popüler elektronik öğelerin belirlenmesinde Apriori Algoritmasının kullanımı
Ekmek vurgulanmıştır. (Bölme, 2013)

2 Nugroho Wandi, Rully A.
Hendrawan ve
Ahmed Mukhlason
2012 Bir kullanıcı seçilen bir kitabın içeriğini görüntülediğinde veya
ödünç al, apriori teknikleri ve algoritmaları, kullanıcıların ek kitap önerileri almasına
yardımcı olmak için kitap ödünç verme önerileri olarak kullanılan işlemlerdeki kitaplar
arasında güçlü ilişkiler olan kitap ödünç verme işlemleri üretir. Nugroho Wandi
(Nugroho Wandi, 2012)

3 Denny Haryanto,
Yetli Oslan, Djoni
Dwiyana
2011 Apriori Algoritmasının ürün tanıtımı için ek kalıpları aramasında kullanılması,
az satan ürünlerin reklamını azaltmayı amaçlamaktadır. Bağlanma modeli
olmayan malların tanıtımı en aza indirilirse, tüketiciler satın alınmamış ürünlerin
reklamından daha az üzülecektir (Denny Haryanto, Yetli Oslan ve Djoni Dwiyana,
2011).

4 Hapsari Dita 2013 Apriori Algoritması, bir uygulama oluşturmak için kullanılır.

Veri Madenciliğinin Uygulanması… 162

Machine Translated by Google

Uluslararası Siber ve BT Hizmet Yönetimi Dergisi (IJCITSM) p-ISSN: 2797-1325 Cilt. 1

No. 2 Ekim 2021 e-ISSN: 2808-554X

Anggraeni, Ragil Eczanelerin belirli bir aydaki satış eğilimleri şeklinde bilgi edinmelerine
Saputra, S.Si, M.Cs, yardımcı olabilecek bir veri analizi yaklaşımı olan veri madenciliğini
Beta Noranita, S.Si, kullanarak ilaç satış işlem verilerinin pazar sepetini analiz eder.
M.Kom
(Hapsari Dita Anggraeni, Ragil Saputra, S.Si, M.Cs, Beta Noranita, S.Si, M.Kom,
Hapsari Dita Anggraeni, Ragil Saputra, S.Si, M.Cs, Hapsari Dita Anggraeni,
Ragil Saputra, S .Si, M.Cs

2. Araştırma Yöntemi
Yüksek frekans modellerini tespit etmek için en iyi bilinen teknik, a priori algoritmadır. A priori, anlatı
ve geçiş olarak bilinen birçok bölüme ayrılır. Aday k-itemsetleri, önceki turda elde edilen (k-1)-itemset'lerin
birleştirilmesiyle oluşturulur.
k-1 öğelerini içeren alt kümeleri, k-1 uzunluğundaki yüksek frekans modeline dahil edilmeyen potansiyel k-öğe
kümelerinin budanması, a priori algoritmanın bir yöntemidir. Yüksek frekans modellerini belirlemek için a priori
yöntem iyi bilinmektedir. Veri analizi, bir öğe kümesi kalıpları ve kuralları karışımı oluşturmanın ilk adımıdır.
Kullanılan veriler, cam satış işlemlerine ilişkin verilerdir, ardından bir öğe kümeleri modeli kombinasyonunun
geliştirilmesi takip edilir ve son olarak, ilgi çekici bir öğe kümeleri modeli kombinasyonundan birliktelik kuralları
oluşturulur.
Bu durumda, Apriori algoritması, şirketin pazarlama çabaları üzerinde önemli bir etkisi olacak en popüler
öğeleri belirlemek için satış verilerini analiz etme görevine çok uygundur.

Araştırmacının araştırması Taşıkmalaya'da bir optik firmasında yapılmış olup, sonuçların pazarlama
referansı olarak kullanılabilmesi için 2016 yılında en çok hangi marka gözlük satıldığını belirlemek için her ay
değerlendirilen 2016 satış verileri kullanılmıştır. Firma gözlük üretiyor. Optik Nasional Taşmalaya'da bulunan
gözlük markaları aşağıda listelenmiştir.

Tablo 2. 2016 Ulusal Optik Gözlük Marka Listesi

HAYIR
GÖZLÜK MARKASI

1 ADIDAS

2 BILLABONG

3 BURBERRY

4 BVLGARI

5 CALVIN KLEIN

6 KARİYER

7 KARİYER

Veri Madenciliğinin Uygulanması… 163

Machine Translated by Google

Uluslararası Siber ve BT Hizmet Yönetimi Dergisi (IJCITSM) p-ISSN: 2797-1325 Cilt. 1

No. 2 Ekim 2021 e-ISSN: 2808-554X

8 CELINE

9 KANAL

10 D&G

11 DIOR

12 DUNHILL

13 EMPORIO ARMANI

14 FERRARİ

15 GIORGIO ARMANI

Araştırma sırasında gerçekleştirilen aşamalar

Şekil 1. Araştırma Aşamaları

Veri Madenciliğinin Uygulanması… 164

Machine Translated by Google

Uluslararası Siber ve BT Hizmet Yönetimi Dergisi (IJCITSM) p-ISSN: 2797-1325

Cilt 1 No. 2 Ekim 2021 e-ISSN: 2808-554X

3. Sonuçlar ve tartışma
A priori yöntemin amacı, minimum desteği karşılayan tüm a priori kuralları belirlemektir.
veritabanındaki her bir öğenin kombinasyonları olan kriterler. ve asgari düzeyde
içindeki öğeler arasındaki bağlantının gücünü ifade eden güven (kesinlik değeri)
birliktelik kuralları.
Bu işlemler bir Optik'e Gözlük satma işlemine dayalı olarak toplanabilir.
ülke çapında firma. Tablo 3'te Gözlükler için toplam satış işlemi sayısı gösterilmektedir.
2016 yılında bir yıl boyunca nesne olarak kullanılan Ulusal Optik.

Tablo 3. 2016 Yılı Gözlük Satış İşlemlerinin Modeli

AY ÖĞE SETİ

1 FERRARI,CARTIER,RAYBAN

2 CHANEL, RAYBAN, DUNHILL, CARTIER

3 DIOR,GUESS,GUESS,LEVI'S,FERRARI

4 LEVI'S,DUNHILL,GUESS,RAYBAN

5 MERCEDES BENZ,LEVI'S,BVLGARI,BILLABONG,ADIDAS

6 EMPORIO ARMANI, GUCCI, MERCEDES BENZ, GUCCI, ADIDAS

7 MONTBLANC,NIKE,OAKLEY,GUCCI, RAYBAN, FERRARI

8 OAKLEY,LEVI'S,POLİS,PUMA,BVLGARI,D&G

9 CARRERA, CHANEL, FERRARI, GUCCI, LEVI'S, MERCEDES BENZ

10 MONTBLANC, NIKE, POLİS, RODENSTOCK, BVLGARI, CARRERA

11 DIOR, D&G, DUNHILL, NIKE, POLİS, PORSCHE TASARIM, CHANEL

12 RODENSTOCK, ADIDAS, D&G, GUCCI, MERCEDES BENZ, DUNHILL,

DIOR

Veri Madenciliğinin Uygulanması… 165

Machine Translated by Google

Uluslararası Siber ve BT Hizmet Yönetimi Dergisi (IJCITSM) p-ISSN: 2797-1325

Cilt 1 No. 2 Ekim 2021 e-ISSN: 2808-554X

Kaynak: Ulusal Optik 2016

a. Öğe Kümesi Oluşumu

Tablo 3'teki verilere dayanarak, aşağıdaki bir dava çözümüdür. C1 üretme süreci
en az %30 destekle 1 öğe kümesi olarak da bilinir. Formül aşağıdaki gibidir:
Destek A = A x %100 İçeren İşlemler
İşlem

Tablo 4. Destek Öğe Seti

Öğe seti Destek

FERRARI
%33

RAYBAN
%33

KANAL
%30

DUNHILL
%33

DIOR
%30

GUCCI
%41

LEVI'S
%41

MERCEDES BENZ
%33

BVLGARI
%30

ADIDAS
%30

NIKE
%30

POLİS
%30

Veri Madenciliğinin Uygulanması… 166

Machine Translated by Google

Uluslararası Siber ve BT Hizmet Yönetimi Dergisi (IJCITSM) p-ISSN: 2797-1325

Cilt 1 No. 2 Ekim 2021 e-ISSN: 2808-554X

D&G
%30

a. 2 Öğe Setinin Kombinasyonu

Minimum destek miktarı = %15 ile C2 veya 2 itemset adı verilen oluşturma süreci
aşağıdaki formülle yapılabilir:

Destek (A,B) = P(A B)

Destek AB = A ve B İçeren İşlemler x %100

İşlem

Tablo 5. Aday 2 Öğe Seti

Öğe seti Miktar Destek

FERRARI - BVLGARI
0 %0

FERRARI - ADIDAS
0 %0

FERRARI - NIKE 1 %8

FERRARİ - POLİS
0 %0

FERRARI - D&G 0 %0

RAYBAN - KANAL
1 %8

RAY BAN - DUNHILL

2 %16

RAYBAN - DIOR 0 %0

RAYBAN - GUCCI 1 %8

RAYBAN - LEVI'S 1 %8

RAYBAN - MERCEDES BENZ

0 %0

Veri Madenciliğinin Uygulanması… 167

Machine Translated by Google

Uluslararası Siber ve BT Hizmet Yönetimi Dergisi (IJCITSM) p-ISSN: 2797-1325

Cilt 1 No. 2 Ekim 2021 e-ISSN: 2808-554X

RAY BAN - BVLGARI

0 %0

RAY BAN - ADIDAS

0 %0

RAYBAN - NIKE 1 %8

RAYBAN - POLİS 0 %0

RAYBAN --D & G 0 %0

CHANEL - DUNHILL 2 %16

CHANEL-DIOR 1 %8

CHANEL - GUCCI 1 %8

CHANEL - LEVI'S 1 %8

Belirtilen minimum destek %15 olduğundan, yerine getirmeyen iki öğe kümesinin herhangi bir kombinasyonu
bu gereklilik, aşağıdaki Tablo 6'da belirtildiği gibi ortadan kaldırılacaktır.

Tablo 6. Minimum Destek 2 Öğe Seti %15

Öğe seti Miktar Destek

FERRARI - RAYBAN
2 %16

FERRARI - GUCCI
3 %25

FERRARI - LEVI'S 2 %16

RAY BAN - DUNHILL

2 %16

CHANEL - DUNHILL

Veri Madenciliğinin Uygulanması… 168

Machine Translated by Google

Uluslararası Siber ve BT Hizmet Yönetimi Dergisi (IJCITSM) p-ISSN: 2797-1325

Cilt 1 No. 2 Ekim 2021 e-ISSN: 2808-554X

2 %16

DUNHIL - DIOR 2 %16

DUNHILL - D&G 2 %16

DIOR - GUCCI 2 %16

DIOR - D&G 2 %16

GUCCI - LEVI'S 2 %16

GUCCI - MERCEDES BENZ 3 %25

GUCCI - ADIDAS 2 %16

LEVI'S - BVLGARI 2 %16

B. Birliktelik Kurallarının Oluşturulması

Tüm yüksek frekans örüntüleri tanımlandıktan sonra, çağrıştırıcının güveni

A B kuralları, minimum güven kriterlerini karşılayan birliktelik kurallarını bulmak için hesaplanır.

Yüzde 70 güven düzeyi, minimum güven düzeyidir. Aşağıdaki formül kullanılır

A B kuralından güven değerini almak için:

Güven = A ve B İçeren İşlemler x %100

İşlem A

Aday birliktelik kurallarının destek ve güven değerlerinin büyüklüğü,

Tablo 7'de keşfedilen iki öğe kümesinin kombinasyonundan gözlemlenebilir.

Tablo 7. Birliktelik Kuralları

KURAL KENDİNDEN EMİN

FERRARI satın alırsanız, o zaman RAYBAN satın alır

2/4 %50

FERRARI satın alırsanız, o zaman GUCCI satın alır 3/4 %75

Veri Madenciliğinin Uygulanması… 169

Machine Translated by Google

Uluslararası Siber ve BT Hizmet Yönetimi Dergisi (IJCITSM) p-ISSN: 2797-1325

Cilt 1 No. 2 Ekim 2021 e-ISSN: 2808-554X

FERRARI Alırsa LEVI'S alır 2/4 %50

RAY BAN satın alırsanız, DUNHILL satın alır 2/4 %50

CHANEL satın alırsanız, DUNHILL satın alır 2/3 %66

DUNHIL satın alırsanız, o zaman DIOR satın alır 2/4 %50

DUNHIL'i satın alırsanız, o zaman D&G'yi satın alacaktır 2/4 %50

DIOR satın alırsanız, o zaman GUCCI satın alır 2/3 %66

DIOR satın alırsanız, o zaman D&G'yi satın alır 2/3 %66

GUCCI satın alırsanız, o zaman LEVI'S satın alır 2/5 %40

GUCCI satın alırsanız, o zaman MERCEDES BENZ satın alır

3/5 %60

GUCCI'yi satın alırsanız, o zaman ADIDAS'ı satın alırsınız 2/5 %40

LEVI'S satın alırsanız, o zaman BVLGARI satın alır 2/5 %40

MERCEDES BENZ satın alırsanız, o zaman ADIDAS satın alır

2/4 %50

BVLGARI satın alırsanız, o zaman POLİS satın alır 2/3 %66

NIKE satın alırsa POLİS satın alır 2/3 %66

POLİS satın alırsa D&G satın alır 2/3 %66

C. Nihai Birliktelik Kuralları

Tablo 8, minimum desteğe bağlı olarak nihai birliktelik kurallarının nasıl düzenlendiğini gösterir.
ve güven hesaplanmıştır.

Tablo 8. Nihai Birliktelik Kuralları

Veri Madenciliğinin Uygulanması… 170

Machine Translated by Google

Uluslararası Siber ve BT Hizmet Yönetimi Dergisi (IJCITSM) p-ISSN: 2797-1325 Cilt. 1 No. 2 Ekim 2021 e-ISSN:
2808-554X

Kural
Destek Kendinden emin

FERRARI satın
%75 %75
alırsanız, o zaman GUCCI satın alır

National Optical firmasında en çok satılan gözlük markaları, yukarıda belirtilen birliktelik kurallarına dayalı
olarak aşağıdaki grafikte görülebilir:

Şekil 2. En Nihai Satış İlişkilendirme Kuralları Oluşturma Sonuç Tablosu

4. Sonuç En çok
satılan Gözlük markaları Ferrari ve Gucci'dir ve en çok satılan ürünler yukarıdaki grafiğe dayalı bir a priori
algoritmaya göre bilinmektedir.
Şirketler, ürünün en büyük faydalarının neler olduğunu inceleyerek öğeleri diğer markalarla tanıtmak
için pazarlama planları oluşturmak için Apriori algoritmasını kullanabilir. Gelecekteki araştırmalar için
bazı öneriler şunlardır: verilerin daha doğru olması için araştırmanın amacı sadece bir yılı değil, beş yılı
da kapsamalıdır; ve gelecekteki araştırmalarda, veri işleme için kullanımı basit bir uygulama üzerine
kurulu bir sistem geliştirmek daha iyidir.

Referanslar

[1] Haryanto D, Oslan Y, Dwiyana D. “Motosiklet Parçaları Satışında Apriori Algoritmasını Kullanarak
Alışveriş Sepeti Analizinin Birliktelik Kuralları ile Uygulanması”. 2014;

[2] Susanto S, Suryadi D. “Veri madenciliğine giriş: veri yığınlarından bilgi kazmak”. Andi Yayınevi; 2010.

Veri Madenciliğinin Uygulanması… 171

 Machine Translated by Google

Uluslararası Siber ve BT Hizmet Yönetimi Dergisi (IJCITSM) p-ISSN: 2797-1325 Cilt. 1

No. 2 Ekim 2021 e-ISSN: 2808-554X

[3] Setiawati DD. “MİNİMARKET SATIŞ İŞLEM VERİLERİNDE PAZAR SEPETİ ANALİZİ İÇİN APRIORI
YÖNTEMİNİN KULLANILMASI”. Teknik Çalışma Programı Tezini bilgilendirin.

[4] DK bölmesi.” Apriori Algoritması Kullanılarak Elektronik Ürün Satışlarında Veri Madenciliğinin
Uygulanması (Örnek Olay: Kreditplus)”. Pelita, Budi Darma'yı bilgilendirin. 2013;4(3):25–9.

[5] Anggraeni HD, Saputra R, Noranita B. “Apriori Algoritmasını Kullanarak İlaç Satış İşlem Verilerinin
Veri Madenciliği Uygulama Analizi (Eczane Setya Sehat Semarang'da Vaka Çalışması)”. J
Bilişim Tekn. 2014;2(2):24–30.

Veri Madenciliğinin Uygulanması… 172

TCPDF tarafından desteklenmektedir (www.tcpdf.org)