IMPLEMENTASI DAN ANALISIS ASOSIASION RULE MENGGUNAKAN ALGORITMA APRIORI DAN ALGORITMA FP GROWTH

Abstract

Analisis asosiasi merupakan teknik data mining yang digunakan untuk menemukan hubungan atau pola tersembunyi antara item dalam sebuah dataset. Dua algoritma populer yang sering digunakan dalam analisis asosiasi adalah Algoritma Apriori dan Algoritma FP-Growth. Algoritma Apriori bekerja dengan prinsip mencari frekuensi itemset yang muncul dalam dataset. Proses ini dimulai dengan mengidentifikasi item-item yang paling sering muncul, kemudian memperluasnya menjadi kombinasi item yang lebih besar dan memeriksa frekuensinya. Algoritma ini menggunakan konsep support dan confidence untuk mengukur kekuatan asosiasi antara item. Support mengukur seberapa sering suatu itemset muncul dalam dataset, sedangkan confidence mengukur seberapa sering item B muncul di transaksi yang mengandung item A. Meskipun Algoritma Apriori efektif dalam menemukan aturan asosiasi, algoritma ini bisa menjadi tidak efisien pada dataset yang sangat besar karena harus melakukan banyak iterasi dan memindai dataset berkali-kali. Sebagai alternatif, Algoritma FP-Growth menggunakan pendekatan yang berbeda dengan membangun struktur data yang disebut FP-Tree (Frequent Pattern Tree) untuk menyimpan informasi tentang frekuensi itemset dalam dataset [1]. FP-Tree memungkinkan Algoritma FP-Growth untuk memindai dataset hanya dua kali, yang membuatnya lebih efisien dibandingkan dengan Algoritma Apriori. Setelah membangun FP-Tree, algoritma ini kemudian menggunakan teknik divide-and-conquer untuk menemukan itemset yang sering muncul tanpa harus melakukan iterasi berulang kali. Studi perbandingan antara Algoritma Apriori dan FP-Growth menunjukkan bahwa FP-Growth cenderung lebih efisien dalam hal waktu komputasi dan penggunaan memori, terutama pada dataset yang besar. Namun, Algoritma Apriori masih memiliki keunggulan dalam hal interpretasi hasil yang lebih mudah dipahami dan implementasi yang lebih sederhana [2].