Penggalian Top-K Frequent Closed Constrained Gradient Itemsets Tanpa Batasan Minimum Support Pada Basis Data Retail
| Main Authors: | Absari, Dhiani Tresna, djunaidy, Arif |
|---|---|
| Format: | Proceeding PeerReviewed application/pdf |
| Terbitan: |
, 2009
|
| Subjects: | |
| Online Access: |
http://repository.ubaya.ac.id/3168/1/DHIANI_MMTIX_Abstract_2009.pdf http://repository.ubaya.ac.id/3168/2/DHIANI_MMTIX_2009.pdf http://repository.ubaya.ac.id/3168/ |
Daftar Isi:
- Penggalian top-k frequent closed itemsets dengan algoritma TFP tanpa menggunakan minimum support merupakan salah satu penelitian yang menarik untuk diaplikasikan dalam analisis asosiasi. Di sisi lain, dalam dunia retail, penggunaan parameter batasan gradient perlu dilibatkan dalam analisis asosiasi agar dapat melakukan penyaringan itemset dengan mengacu pada suatu batasan gradient tertentu, sebagaimana dilakukan dalam algoritma Frequent Closed Constrained Gradient Mining (FCCGM). Namun demikian FCCGM masih mengharuskan pengguna untuk menentukan nilai minimum support. Sehingga penggabungan algoritma TFP dan FCCGM menjadi menarik untuk dilakukan. Dalam penelitian ini, algoritma TFP dilakukan modifikasi agar dapat dibangkitkan top-k frequent closed itemsets dengan batasan gradient tanpa penentuan nilai minimum support. Hasil modifikasi algoritma, yang disebut top-k frequent closed constrainted gradient itemsets, melibatkan beberapa langkah tambahan terhadap algoritma TFP. Tambahan langkah tersebut antara lain berupa pembangkitan nilai minimum support secara dinamis untuk membebaskan pengguna dalam menginisialisasi nilai minimum support tersebut dan langkah perhitungan gradient untuk masing-masing item yang terdapat dalam basis data. Selain itu modifikasi terhadap tabel global header dilakukan untuk menyimpan hasil perhitungan gradient untuk masing-masing itemnya. Langkah pemangkasan gradient pada FP-Tree yang terbentuk, yaitu pemangkasan item yang tidak memenuhi batasan gradient yang diinginkan, dilakukan tepat sebelum proses penggalian frequent closed itemset dijalankan. Terakhir, modifikasi terhadap langkah pembangkitan hasil penggalian frequent closed itemset dilakukan agar hasil akhir dari frequent closed itemset dapat disimpan secara terurut berdasarkan nilai gradient dan support tertinggi. Hasil uji coba menunjukkan bahwa program yang dibuat mampu membangkitkan top-k frequent closed itemset dengan nilai gradient dan support tertinggi tanpa batasan minimum support pada basis data retail. Waktu komputasi yang diperlukan untuk membangkitkan top-k frequent closed itemset bergantung pada kedalam FP-Tree yang terbentuk dari transaksi yang dianalisis. Semakin dalam FP-Tree terbentuk, maka semakin besar waktu komputasi yang diperlukan untuk melakukan proses penggalian.