Algoritma Apriori: Pengertian, Cara Kerja, dan Implementasi Python (Update 2026)

Algoritma Apriori adalah teknik dalam data mining untuk menemukan hubungan antar item dalam data transaksi. Algoritma ini banyak digunakan dalam market basket analysis untuk memahami pola pembelian pelanggan.

Contohnya, pelanggan yang membeli roti sering juga membeli mentega. Pola seperti ini digunakan dalam sistem rekomendasi modern seperti e-commerce, AI, dan analisis perilaku pengguna.

Artikel ini membahas konsep Apriori, istilah penting, cara kerja, hingga implementasi menggunakan Python.

Apa Itu Algoritma Apriori?

Algoritma Apriori adalah metode untuk menemukan frequent itemset dan membentuk association rules dari data transaksi.

Jika suatu kombinasi item sering muncul, maka subset dari item tersebut juga sering muncul.

Algoritma ini digunakan di:

E-commerce (rekomendasi produk)
Retail analysis
Data mining bisnis
Cross-selling produk

Istilah Penting

Itemset

Kombinasi item dalam transaksi, misalnya {roti, susu}.

Support

Persentase transaksi yang mengandung item tertentu.

Confidence

Probabilitas item B dibeli jika item A dibeli.

Lift

Mengukur kekuatan hubungan antar item. Lift > 1 berarti hubungan kuat.

Cara Kerja Apriori

Tentukan minimum support dan confidence
Cari item yang sering muncul
Buat kombinasi item
Hitung support dan confidence
Buat aturan asosiasi

Contoh Dataset

Transaksi 1: susu, roti, mentega
Transaksi 2: susu, roti
Transaksi 3: roti, mentega
Transaksi 4: susu, mentega
Transaksi 5: susu, roti, mentega

Implementasi Python

Install Library

pip install mlxtend

Import Library


import pandas as pd
from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import apriori, association_rules

Dataset


dataset = [
    ['susu', 'roti', 'mentega'],
    ['susu', 'roti'],
    ['roti', 'mentega'],
    ['susu', 'mentega'],
    ['susu', 'roti', 'mentega']
]

Konversi Data


te = TransactionEncoder()
te_ary = te.fit(dataset).transform(dataset)
df = pd.DataFrame(te_ary, columns=te.columns_)

Frequent Itemsets


frequent_itemsets = apriori(df, min_support=0.6, use_colnames=True)
print(frequent_itemsets)

Association Rules


rules = association_rules(frequent_itemsets, metric="confidence", min_threshold=0.7)
print(rules[['antecedents','consequents','support','confidence','lift']])

Contoh Output


{susu, roti} → {mentega}
Support = 0.6
Confidence = 0.75
Lift = 1.25

Artinya:

60% transaksi mengandung kombinasi tersebut
75% pembeli susu dan roti juga membeli mentega
Lift > 1 berarti hubungan kuat

Kelebihan

Mudah dipahami
Cocok untuk pemula
Berguna untuk bisnis retail

Kekurangan

Lambat untuk data besar
Banyak kombinasi item
Tidak cocok real-time

Kesimpulan

Algoritma Apriori masih relevan di era modern (2026), terutama dalam data science, AI, dan sistem rekomendasi.

Algoritma ini menjadi dasar penting sebelum masuk ke machine learning dan sistem rekomendasi berbasis AI.

Algoritma Apriori: Panduan Lengkap, Cara Kerja, dan Contoh Python untuk Pemula