YT YouTube2Text

YouTube2Text → Transcripts → Studi Kasus Asosiasi Berbasis Crisp-DM Analisis Keranjang Belanja dengan Rapidminer/Altair AI Studio

Studi Kasus Asosiasi Berbasis Crisp-DM Analisis Keranjang Belanja dengan Rapidminer/Altair AI Studio — Transcript

by ithentic · 2,753 words · 576 segments · language en · Watch on YouTube

Open in transcriber Summarize with AI Download SRT/VTT

Full transcript

0:00Halo
0:02kawan-kawan semua, selamat bergabung
0:05kembali di channel bersama saya Muhammad
0:07Faisal Amin. Pada video kali ini kita
0:10akan mempelajari association serta salah
0:13satu algoritmanya yang populer yaitu
0:16Epigrow. Kita akan mempelajarinya
0:19melalui studi kasus
0:22analisis keranjang belanja berbasis
0:25SCPSDM.
0:27Ayo kawan-kawan, kita pelajari
0:28bersama-sama.
0:43Tadi kita akan menggunakan crips DM
0:46dalam mengerjakan project ini.
0:49tahapannya meliputi
0:51bisnis understanding, data
0:53understanding, data preparation,
0:55modeling, evaluation, danyment.
1:00Kontext and perspective.
1:02Eh, David adalah manajer pemasaran di
1:05jaringan supermarket nasional di
1:07Indonesia.
1:09David ingin memahami pola pembelian
1:11konsumen agar dapat merancang promosi
1:14yang lebih efektif
1:16dan menyesuaikan tata letak toko. Untuk
1:18meningkatkan penjualan.
1:21DAPD akan menggunakan analisis asosiasi
1:24yang memungkinkan identifikasi pola
1:27produk mana saja yang sering dibeli
1:29secara bersamaan.
1:32Tahap bisnis understanding.
1:36Tujuan utamanya dalam melakukan
1:39aktivitas data mining adalah untuk
1:41meningkatkan penjualan
1:43dan kepuasan pelanggan di supermarket
1:46melalui pemahaman yang lebih mendalam
1:48mengenai pola pembelian konsumen.
1:53DAPIT menyadari bahwa konsumen seringki
1:56membeli beberapa produk secara bersamaan
1:59dan dengan mengidentifikasi hubungan
2:02antar produk ini
2:04akan dapat mengambil langkah strategis
2:08untuk mengoptimalkan promos
2:11sehingga dapat mengoptimalkan promosi
2:13tata letak tok dan manajemen persediaan.
2:16Tahap data understanding.
2:19Sumber data berasal dari database
2:22penjualan aplikasi point of sales atau
2:25post.
2:27Deskripsi atribut.
2:30Semua atribut bertipe data binominal di
2:33mana satu berarti beli dan nol berarti
2:37tidak beli. Ada tiga atribut yaitu milk,
2:43kopi, dan sugar.
2:45Tentu kalau di dunia nyata atributnya
2:47tidak mungkin sesederhana ini. Ee bisa
2:50sampai puluhan, ratusan, bahkan ribuan
2:53atribut.
2:55Tujuan karena tujuannya untuk belajar
2:57maka ee atributnya kita buat sesederhana
3:02mungkin aja.
3:05Kemudian data preparation
3:08eh tidak ada missing value dan invalid
3:10valingga dat sudah siap untuk
3:13dimodelkan.
3:15pemodelannya kita akan menggunakan
3:18miner. Operator yang akan kita gunakan
3:20ada empat ya ee bentuk seperti di slide
3:23ini.
3:25Nanti akan kita praktikkan.
3:28Kemudian hasil dari pemodelan
3:31ee ada beberapa
3:34istilah-istilah penting yang perlu kita
3:36pahami. Ada nanti istilah premis,
3:39conclusion, support, dan confidence.
3:42Nah, akan kita jelaskan di slide
3:44berikutnya.
3:50Premis
3:51atau bisa juga disebut dengan antecedent
3:54merupakan item atau kelompok item yang
3:57menjadi kondisi dalam aturan asosiasi.
4:01Nah, jadi ee ini adalah kelompok item
4:06kondisi ya. Jadi jika orang membeli item
4:09A,
4:11nah A-nya ini adalah
4:14antient atau premis ya, maka nah makanya
4:17itu nanti disebut dengan conclusion.
4:20setelah jika atau kondisi itu disebut
4:21dengan premis item yang terletak setelah
4:25jika itu disebut dengan premis atau
4:28unded atau yang menunjukkan kondisi.
4:31Kemudian conclusion
4:33setelah maka atau setelah dan
4:38item yang muncul setelah dan ya
4:42yaitu item yang menjadi hasil atau
4:44konsekuensi dalam aturan asosiasi.
4:48Ee item yang cenderung muncul ketika
4:51item-item di premis ada dalam transaksi.
4:56Kemudian ada istilah support. E support
4:59mengukur seberapa sering suatu kombinasi
5:02item atau premis muncul dalam data set
5:05dibandingkan dengan total transaksi.
5:09Support menunjukkan tingkat kepopuleran
5:11suatu kombinasi barang di seluruh
5:14transaksi.
5:15Ini berarti kalau supportnya tinggi
5:17banyak pelanggan yang membeli kombinasi
5:19itu.
5:22Kemudian ada lagi istilah confidence
5:24yaitu mengukur seberapa kuat hubungan
5:26antar item. Jika orang membeli A maka
5:29membeli B. confidence tinggi berarti
5:33kesimpulan tersebut cukup kuat dan
5:35sering terjadi.
5:40Nah, sekarang kita akan ee praktikkan
5:42bagaimana menggunakan algoritma Epigro
5:45di Rapid Miner.
5:56Silakan dibuka dulu eh rapid minernya.
6:01Data set akan saya lampirkan di eh URL.
6:06Eh, data set akan saya lampirkan di URL
6:09description.
6:24di operator
6:29ketik
6:32read Excel
6:37drag and drop Excel ke proses
6:40double klik pada operator read Excel
6:45arahkan ke fold folder di mana menyimpan
6:48dataset itu.
6:51Nama data setnya adalah
6:54transaksi asosiasi
7:03ya. Transaksi asosiasi1data.xls
7:09next.
7:12Nah, katanya kurang lebih seperti ini
7:13ya.
7:16copy eh 1 0 dan seterusnya sugar dan mil
7:23next.
7:26Nah, kalau kita lihat semua tipe datanya
7:28intanger. Nah, kita biarkan aja dulu
7:31finish. Kita sudah belajar ya, bahwa
7:35asosiasi ee dataset ya, karakteristik
7:38data setel
7:41atribut bertipe binominal. Sedangkan
7:44data set yang tadi kita ambil ya, yang
7:47akan kita gunakan tipe datanya bertipe
7:50integer. Tentu nanti kita perlu
7:51melakukan transformasi dulu, mengubah
7:54dari numerikal ke binominal.
7:58Nah, kita coba masukkan dulu ya operator
8:01grow. Ketik aja di operator happy grow.
8:08and drop ke proses
8:10coba hubungkan
8:12error ya karena karakteristiknya kan
8:15tidak tidak sesuai dengan asosiasi
8:19di mana semua atribut harus bertipe
8:21binominal.
8:24Nah, kita hapus dulu koneksinya.
8:29Ee masukkan
8:32operator numerical.
8:40itu binominal
8:43di sini
8:46hubungkan.
8:52Kemudian hubungkan ee pot ori ke port A.
9:01Eh, sor
9:03hubungkan ke exa
9:07seperti ini.
9:09Nah, kita hubungkan ke rest.
9:14Nah, jadi kalau ee kita hanya sampai
9:18algoritm Epic Groow, nah ini belum
9:21sampai ke membuat aturan asosiasi belum
9:25ya. Output dari Epigrow itu sendiri
9:27adalah kalau kita running
9:32Oh, ini belum ya sebentar kita hubungkan
9:34juga
9:37ee port Exa dan port Freay running. Nah,
9:41output dari algoritme Epig itu sendiri
9:44adalah item set. Nah, jadi kalau kita
9:47hanya sampai algoritma epig, outputnya
9:50berupa frequent item set. Apa itu
9:53frequent item set? Yaitu item-item yang
9:55muncul secara bersamaan ya atau item
10:00item-item yang muncul secara bersamaan
10:02beserta nilai supportnya.
10:05Apa itu nilai support?
10:08Nah, n support itu ee seberapa sering
10:11suatu item atau kombinasi item
10:16muncul ya di dalam
10:20ee
10:22di dalam transaksi. Nah, nanti
10:24dibandingkan
10:26atau dibagi dengan
10:29total transaksi.
10:33Nah, kalau kita lihat balik ke desain,
10:36jumlah datanya ada.
10:39Klik kanan pada R Excel. So, example set
10:42result resal. Datanya ada 10,
10:44transaksinya ada 10.
10:47Nah, jadi kawan-kawan
10:49eh satu baris data ini atau kalau di
10:53Rapid Mineris disebut dengan examples
10:57ya, disebut dengan example.
11:02Nah, satu example ini itu berarti satu
11:05transaksi atau gampangnya satu stroke
11:09penjualan
11:11atau satu nota penjualan, ya.
11:16Nah, jadi transaksi satu ini berarti
11:20pembeli ya atau customer membeli kopi.
11:24Ini satu artinya membeli
11:27ya, membeli kopi, membeli sugar, membeli
11:29milk. Kemudian transaksi yang kedua.
11:33Transaksi kedua ini bisa pembeli yang
11:34sama atau berbeda. Yang penting ee
11:37notanya baru lagi gitu ya, strok-nya
11:39baru lagi. Nah, transaksi yang kedua
11:42beli kopi, beli sugar, tidak beli milk.
11:47Transaksi yang ketiga,
11:50beli kopi, beli sugar dan eh sori beli
11:54kopi tidak beli sugar dan beli mil dan
11:57seterusnya, ya.
12:01Nah, sekarang kita akan lihat di sini
12:05ee copy itu muncul berapa kali? Berapa
12:08nilai support dari copy? Ya, kita lihat
12:11di sini copy itu muncul berapa kali?
12:14Copy aja ya. 1 2 3 4 5 6 7 8 ya
12:21kawan-kawan ya. Copi muncul 8 kali. Nah,
12:24berapa nilai support dari kopi? Nilai
12:27support dari copy berarti tadi 8 kali
12:29muncul dibagi dengan jumlah transaksi.
12:31Jumlah transaksinya ada 10 nih. 10
12:34example 8/10.
12:36Berarti nilai support dari kopi adalah
12:380,8.
12:42Kemudian berapa nilai support dari
12:45sugar? Hitung lagi satu. Beli berarti ya
12:48kita hitung aja yang nilainya satu.
12:50sugar 1 2 3 4 5 6 7 8 sama ya 8 8/10
12:59berarti nilai support untuk sugar adalah
13:020,8 juga.
13:04Bagaimana dengan milk? 1 2 3 4 5 6 7 8
13:10sama ya del8 juga nih. Ini kebetulan
13:12sama semua
13:14nanti bisa aja beda ya. Enggak tentu
13:16sama semua. Nah, kalau M
13:19itu berarti juga sama 0,8. Nah, sekarang
13:23berapa nilai support kombinasi kopi dan
13:26sugar? Nah, kita lihat yang sama-sama
13:28bernilai satu kopi dan sugarnya.
13:32Nah, jadi kawan-kawan semua
13:35ee item
13:40pada
13:42penjualan ya semua item pada penjual,
13:45semua produk pada penjualan itu akan
13:47menjadi atribut atau menjadi kolom. Nah,
13:51di sini kan contohnya produknya hanya
13:52tiga ya, makanya ee kolomnya atau
13:56atributnya juga tiga. Bagaimana kalau
13:59produknya ada 20? berarti ada 20 ee
14:02kolom ya atau 20 atribut
14:05atau bisa juga disebut dengan 20 item.
14:11Nah, tadi kita hitung dulu berapa
14:12support dari kopi dan sugar. Kita lihat
14:14ya yang sama-sama bernilai satu kopi dan
14:16sugarnya. Satu,
14:19dua,
14:223, 4,
14:255
14:27en. Benar ya? Enam ya. Sekali lagi kita
14:31hitung 1 2.
14:36Ini enggak karena ada salah satu yang
14:37bernilai 0. Ini juga enggak.
14:413 4 5
14:456. Benar ya? 6 ya. Nah, berarti nilai
14:47support kombinasi kopi dan sugar adalah
14:506/
14:5410 ya atau 60% 0,6.
14:59Nah, bagaimana kombinasi antara
15:04sugar dan milk? Misalnya kita lihat ya,
15:06sugar dan yang keduanya bernilai satu.
15:10Sat,
15:112, 3, 4,
15:175, 6. Sama nih enam juga kayaknya. 1 2
15:213 4 Sebentar saya hitung lagi. Satu
15:272 3 4
15:33lima. Eh benar ya. Lima ya. Sat sard
15:36milk ya. Satu
15:392 3 4
15:435 enam ya. En juga nih kayaknya nih.
15:46Sekali lagi deh.
15:48Mulai bawah. 1 2 3 4 5
15:546. Benar 6/10 0,6 juga nilai support
15:58antara sugar dan mil.
16:01Nah, gimana kalau kombinasi ketiganya?
16:03Nah, kalau kombinasi ketiganya kita
16:04lihat yang ketiganya satu.
16:09Satu
16:11enggak? Karena ada yang nol salah
16:12satunya. Bukan bukan dua tiga,
16:19empat loh. Empat ya. Sat
16:23dua,
16:25saya hitung sekali lagi deh. Satu,
16:302, 3,
16:334. Nah, berarti 4/
16:3610 kombinasi ketiganya 4/10.
16:52Nah, tadi ee seperti itu cara menghitung
16:55support.
16:58Kita ee lanjutkan untuk membuat
17:01association rule atau aturan asosiasi.
17:06Klik tabet.
17:09Tutup
17:11dulu ya. Apa ee
17:15hubungan antara exa dan rest serta pray
17:18dan rest.
17:22Ketik di operator create
17:27association rule dan drop ke sini.
17:43hubungkan ee port Excel eh hubungkan
17:47port
17:49pre
17:51sor
17:54dengan item
17:57dengan item dengan item.
18:01Kemudian hubungkan
18:03C ini dan port
18:07hubungkan port dan port
18:15seperti ini.
18:18Nah, ini kita keluarkan aja ya ee
18:21confidence-nya
18:22tidak harus minimal 0,8.
18:25Tampilkan juga yang ee kita ubah aja 0,1
18:29misalnya.
18:33Jadi dia confidence mulai dari 0,1 akan
18:37dimunculkan.
18:39Kalau kawan-kawan ingin memfilter,
18:40tampilkan confidence yang mulai dari
18:420,6. Nah, ini juga boleh.
18:45Nanti ee di bawah 0,6 dia tidak akan
18:48tampil, tidak akan di ee dimunculkan
18:50datab
18:53kita ubah jadi 0,1.
18:56Simpan dulu.
18:58Simpan di repository. Ee kawan-kawan
19:03saya simpan di sini.
19:06Saya beri nama
19:18asosiasi
19:24FT
19:27grow.
19:33Oke, saya klik. Oke.
19:37Nah, sekarang kita running ya. Kita akan
19:39lihat hasil dari association rule. Nah,
19:42kalau association rule kita akan bisa
19:44ngelihat selain bisa melihat support,
19:46kita juga bisa ngelihat nilai dari
19:48confidence running
19:55association rule. Klik tab association
19:57rule.
19:59Nanti kita bisa tahu ya. Ini tadi ada
20:02istilah premis.
20:04Premis itu tadi item yang muncul kondisi
20:07apa? Item yang muncul setelah if atau
20:10yang merupakan kondisi.
20:13Jika orang membeli kopi dan milk maka
20:17orang juga akan membeli sugar. Seperti
20:19itu ya cara bacanya ya. Jika orang
20:22membeli kopi dan sugar maka orang juga
20:24akan membeli milk. Nah, seberapa kuat
20:26nilainya, kemungkinannya. Nah, kita
20:28lihat di confidence sini.
20:32Jadi ee
20:36orang yang membeli kopi Mok juga akan
20:38membeli segar nilai konfidensya 0,667.
20:45Kemudian
20:48orang yang membeli kopi dan membeli
20:52sugar ya
20:54nilai confidence-nya 0,775.
20:57Nah, gimana cara mendapatnya nilai
20:59confidence? Nah, kita akan hitung ya.
21:03Nah, kita lihat dulu.
21:05Kita lihat yang pertama dulu ya. Sugar
21:08dan milk. Orang yang membeli sugar juga
21:10membeli milk. Nih, data yang terakhir
21:13kita ambil. Orang yang membeli sugar
21:15maka juga akan membeli milk dengan
21:17confidence 0,75.
21:20Gimana cara dapatkan nilai 0,75 ini?
21:24Klik tab desain,
21:27klik Excel, klik kanan.
21:29Tadi kita mau sori tadi saya lupa nih
21:32kita running sekali lagi
21:34eh yang mau kita cari nilai confidence
21:37adalah sugar dan milk ya sugar sugar
21:40sebagai premis milk sebagai conclusion
21:46sugar dan milk kita balik lagi ke desain
21:50exel klik kanan nah cari sugar dan milk
21:55sugar dan milk ya.
21:59Nah, yang jadi ee
22:02kondisi atau premis tadi adalah sugar.
22:05Kita hitung berapa sugar muncul di
22:08transaksi. Hitung dulu. 1 2
22:133 4 5 6 7 8. Ada 8 sugar muncul di
22:19transaksi.
22:22Nah, sekarang milknya ada berapa?
22:27Kemudian kita cari kombinasi sugar dan
22:30milk. Nah, jadi pertama cari dulu berapa
22:32kali sugar muncul. 1 2 3 4 5 6 7 8.
22:38Kemudian cari berapa kali sugar dan me
22:41muncul bersamaan ya.
22:46Nah,
22:48kalau di pecahan ya pembilangan penyebut
22:50keseluruhan sugar ini tadi ada delan.
22:57ini akan menjadi penyebut ya. Kita cari
23:00nilai pembilang sekarang.
23:03Kombinasi dari sugar dan milk yang
23:07bernilai satu nih. Sugar dan milk-nya 1
23:122 3 4 5 6 berarti 6/8 ya kawan-kawan ya.
23:19Nah, coba kita hitung 6/8 itu berapa?
23:23Nah, saya ee jalankan kalkulatornya
23:26dulu.
23:306/8 itu adalah 6
23:36bagi
23:388
23:400,75. Ya, benar ya. Tadi kita lihat di
23:44sini
23:46sugar dan milk 0 kom 75.
23:53nol di sini ya bisa diabaikan ya
23:55kawan-kawan ya kalau desimal nol
23:57terakhir itu bisa ditulis dan bisa juga
23:58tidak gitu cara hitungnya.
24:05Nah, lalu misalnya kawan-kawan ingin
24:07menghitung nih
24:09kombinasi premis milk dan sugar dengan
24:13kopi. Nah, gimana nih cara ngitungnya?
24:16Nah, caranya gini, Kawan-kawan.
24:18Nah, kalau support ya kombinasi
24:21ketiganya ya tadi milk, sugar, dan kopi
24:23ini muncul ketiganya.
24:26Ee dari mana dapat nilai support ini?
24:30Tadi seperti sama caranya ya tadi ya.
24:31Nah, penyebutnya jelas per per tadi per
24:36berapa? Per10 ya kalau salah ya. Per10
24:38jumlah seluruh transaksinya kan 10.
24:42Kemudian sujar copy misalnya ya tadi ya
24:45kita balik lagi ke sini.
24:51Nah, kita cari kombinasi ketiganya. Yang
24:53satu dulu. Satu
24:56ini support ya. Satu, dua. Tadi sudah
25:00saya jelaskan juga sih sebenarnya. Satu.
25:02Kita ulang aja. 1 2 3
25:084 ya. 4/10
25:11itu berarti 0,4. Benar enggak? 0,4. Coba
25:13kita cek
25:15kombinasi tiganya. Ya, benar ya 0,4.
25:18Nah, gitu caranya on
25:23kombinasi sugar dan milk berapa
25:25supportnya? 0,6. Benar enggak? 0,6 sugar
25:28dan milk
25:341 2 3 4 5 6/10
25:40tadi jumlah transaksi. Transaksi ada 10
25:430,6. Benar ya? Nah, gitu cara ngnya.
25:46Nah, sekarang kita lihat di mana dapat
25:48nilai confidence ini. Kombinasi coffee
25:51dan milk. Eh, orang yang membeli coffee
25:53dan milk juga akan membeli sugar. Nilai
25:56confidence-nya 0,667.
26:01Cara ngitungnya seperti ini ya. Copy
26:04milk sujar.
26:08Nah, cari dulu nilai dari ee kita mulai
26:12dari ininya dulu ya. mulai dari ee
26:19penyebutnya dulu ya. Coffee milk. Nah,
26:22kita cari copy milk muncul berapa kali
26:24yang bersamaan yang dibeli bersamaan
26:27copy dan milk.
26:29Kita balik ke sini
26:35kopi dan milk ya. Nah, kopi dan milk aja
26:39ya. Sudahnya diabaikan.
26:42Tapi satu jug dihitung yang penting copy
26:44dan micnya satu lah gitu. Satu,
26:47dua,
26:543, 4,
26:585 ya. 6
27:02itu jadi per ya.
27:056 pernya 6 nih. Nah, kemudian kombinasi
27:09ketiganya ada empat tadi ya.
27:121
27:142 3 4. Nah, berarti 4/6.
27:19Nah, kita hitung
27:244/6. Benar enggak? 0,667?
27:31Nah, benar ya. 0,667.
27:36Nah, seperti itu cara ngitungnya ya.
27:40Nah, ini sudah kita selesaikan
27:42praktiknya dengan miner. Kita kembali ke
27:44slide.
28:10Tadi kita sudah lihat premis tadi ya,
28:12item atau kelompok item yang menjadi
28:14kondisi dalam aturan asosiasi.
28:18Premis itu bisa juga disebut dengan
28:19antisedent. Kemudian ada conclusion atau
28:21konsquen atau kesimpulan. item yang
28:24menjadi hasil atau konsekuensi dalam
28:26aturan asosiasi atau item yang cenderung
28:29muncul ketika item-item di premis ada
28:32dalam transaksi. Support mengukur
28:35seberapa sering suatu kombinasi item
28:37muncul dalam data set dibandingkan
28:39dengan total transaksi.
28:42Support menunjukkan tingkat kepopuleran
28:43tadi. E menunjukkan tingkat kepopuleran
28:47suatu kombinasi barang di seluruh
28:49transaksi. supportnya tinggi berarti
28:51banyak pelanggan yang membeli kombinasi
28:53itu. Confidence mengukur seberapa kuat
28:55hubungan antar item. Jika orang membeli
28:58item A maka membeli item B. Konfidence
29:01tinggi. Berarti kesimpulan tersebut
29:02cukup kuat dan sering terjadi ee
29:05hubungan antara item A dan item B itu
29:08kuat berarti ya sering terjadi sering
29:10dibeli bersamaan.
29:14Nah, kemudian tadi kita sudah juga ya
29:17menganalisis hasilnya. Nah, kita lihat
29:19evaluasinya di sini. E, kopi orang yang
29:23membeli kopi dan milk juga membeli sugar
29:25dengan nilai support 0,4, confidence
29:280,667
29:32dan seterusnya ya. Ini ee kawan-kawan
29:34bisa baca sendiri di slide-nya tadi
29:36sudah saya jelaskan juga.
29:47Nah, kita eh masuk ke evaluation
29:51evaluation kesimpulan praktis. Hubungan
29:53antara kopi, milk, dan sugar cukup kuat
29:55dalam data set ini. Nah, kombinasi
29:57item-item ini cenderung muncul
29:59bersama-sama dalam berbagai transaksi.
30:02Nah, sebagai contoh, jika seseorang
30:04membeli kopi, sangat besar kemungkinan
30:06mereka juga akan membelik atau sugar dan
30:08sebaliknya.
30:10Tadi kita sudah di tahap evaluation,
30:12kemudian terakhir di tahap deployment di
30:14Crips DF.
30:17Nah, setelah ini ya apa yang akan kita
30:19lakukan? Kita sudah melakukan pemodelan.
30:22Kita sudah kita sudah melakukan pemodel
30:24sebelumnya sudah menentukan tujuan
30:26bisnis tadi. Ingin meningkatkan
30:27penjualan, ingin mengetahui item yang
30:29dibeli bersamaan. Kemudian setiap
30:32atribut kita kita cari maknanya, sumber
30:35datanya dari mana.
30:38Ee lalu kita bersihkan. Tapi datanya
30:40sudah bersih tadi data setnya langsung
30:42lalu lalu kita modelkan. Ee hasil dari
30:45model kita evaluasi
30:50ternyata memiliki hubungan memiliki
30:53nilai support dan confidence yang
30:54relatif tinggi gitu ya.
30:58Nah, sehingga quot next-nya adalah
31:01setelah itu ngapain itu masuk ke fase
31:03deployment. Nah, mempertimbangkan
31:05strategi penempatan produk-produk ini
31:07berdekatan untuk meningkatkan pembelian
31:09silang atau cross selling. Nah, kita
31:12akan integrasikan dengan ee hasil dari
31:15pemodelan ini kita integrasikan dengan
31:17aplikasi pos agar kasir dapat memberikan
31:21rekomendasi kepada pembeli. Nah,
31:23kemudian pemodelan berikutnya kita akan
31:26menggunakan data penjualan selama
31:28sebulan untuk membuat model asosiasi
31:31yang lebih lengkap. ee bisa juga itemnya
31:33ditambah jangan hanya pakai tiga item.
31:40Bagaimana kawan-kawan? Mudah-mudahan
31:42bisa dipahami ya. Ee cukup dulu mungkin
31:45dari saya. Kalau ada pertanyaan silakan
31:49tulis di kolom komentar.
31:53Semoga apa yang kita pelajari bermanfaat
31:55dan sampai jumpa kembali di video
31:56berikutnya. Terima kasih.

About this transcript

This page contains the full transcript of Studi Kasus Asosiasi Berbasis Crisp-DM Analisis Keranjang Belanja dengan Rapidminer/Altair AI Studio by ithentic, generated from the public captions YouTube serves with the video. The transcript has 2,753 words across 576 segments, with the original timestamps preserved so you can click any line to jump to that moment in the embedded player.

What you can do with it

Use the transcript to take notes, quote the speaker, build a study guide, generate a summary with ChatGPT or Claude via the YouTube Summary tool, or export it as a timed subtitle file with YouTube to SRT. You can also re-open it in the transcriber to choose a caption track available on the video.

Free YouTube transcript tool

YouTube2Text is a free YouTube transcript generator — no signup, no daily limit. Paste any YouTube link and get the full transcript instantly, with timestamps, click-to-jump, caption language selection, AI prompts for ChatGPT, Claude, and Gemini, and exports to TXT, SRT, VTT, or Markdown.