ABSTRAK
Algoritma Apriori salah satu algoritma data mining dalam pembentukan asosiasi rule mining. Algoritma apriori adalah proses ekstraksi informasi dari suatu database, dilanjutkan dengan melakukan frequent item/itemset dan candidate generation dalam pembentukan asosiasi rule mining guna mendapatkan hasil nilai minimum support dan nilai minimum confidence. Pada database yang cukup besar, algoritma apriori banyak menghasilkan pattern frequent item/itemset (pola sering muncul suatu item/itemset) yang banyak, karena harus melakukan candidate generation serta merekam database secara berulang-ulang. Penelitian ini membahas tentang frequent item/itemset pada algoritma apriori dengan menghasilkan frequent yang sedikit, tanpa melakukan candidate generation dan meminimalkan tahapan penyelesaian yang dimulai pada k-1 item atau tahapan pertama pada algoritma apriori selanjutnya digunakan dengan metode Growth. Dari hasil penelitian yang dilakukan dengan menggunakan FP-Growth sangat signifikan dengan algoritma apriori, efesien dari segi waktu, tahap penyelesaian lebih cepat, sedikit menghasilkan pattern frequent item/itemset dan lebih terperinci dalam memaparkan hasil frequent item karena hasil frequent yang bernilai < 1 masih diperlihatkan, tidak di hapus.
THE DEVELOPMENT APRIORI ALGORITHM FOR DECISION-MAKING
ABSTRACT
Apriori algorithm is one of data mining algorithms in the formation of the association rule mining.Priori algorithm is the process of extracting information from a database, followed by frequent item / itemset and candidate generation in the formation of the association rule mining in order to get the value of minimum support and minimum confidence value. In the database is large enough, the algorithm generates a priori many frequent pattern item / itemset (pattern often appears in an item / itemsets) that much, because they have to perform and record database generation candidate repeatedly. This study discusses the frequent item / itemset the a priori algorithm to produce a slightly frequent, without candidate generation and minimize the completion stages beginning on k-1 item or the first stage in the a priori algorithm is then used by the method FP-Growth. From the results of research conducted by using FP-Growth is very significant with a priori algorithm, efficient in terms of time, the stage of completion faster, produce less frequent pattern item / itemset and more detailed in describing the results of frequent item as a result of frequent-value <1 is shown , not in the clear.
Keywords: Algoritama Apriori,FP-Growth,AssociationRuleMining,FrequentItem
