ANALISIS DAN IMPLEMENTASI ALGORITMA FREQUENT PATTERN GROWTH* (FP-GROWTH*) UNTUK MENDAPATKAN FREQUENT ITEMSET PADA DATA MINING ASSOCIATION RULE THE ANALYSIS AND IMPLEMENTATION OF FREQUENT PATTERN GROWTH* (FP-GROWTH*) ALGORITHM TO OBTAIN FREQUENT ITEMSET IN
| Main Author: | ASRI HIDAYAT |
|---|---|
| Format: | Bachelors |
| Terbitan: |
Universitas Telkom
, 2006
|
| Subjects: | |
| Online Access: |
https://openlibrary.telkomuniversity.ac.id/pustaka/93832/analisis-dan-implementasi-algoritma-frequent-pattern-growth-fp-growth-untuk-mendapatkan-frequent-itemset-pada-data-mining-association-rule-the-analysis-and-implementation-of-frequent-pattern-growth-fp-growth-algorithm-to-obtain-frequent-itemset-in.html |
Daftar Isi:
- ABSTRAKSI: Masalah utama pada data mining association rule adalah bagaimana menemukan kaidah asosiasi yang mengidentifikasi keterhubungan diantara kumpulan item. Ada dua langkah yang dilakukan untuk mendapatkan kaidah asosiasi : mencari frequent itemset dan membangkitkan kaidah asosiasi dari frequent itemset tersebut. Karena proses mendapatkan frequent itemset membutuhkan proses komputasi yang lama, maka masalah ini menjadi fokus dalam berbagai penelitian.<br>Diantara algoritma pencarian frequent pattern, FP-Growth menerapkan strategi pencarian dengan menggunakan struktur yang sederhana dan memiliki kinerja yang tinggi karena hanya memerlukan dua kali pemeriksaan pada basis data. Selanjutnya, dilakukan perbaikan pada pendekatan pattern-growth untuk mendapatkan kinerja yang lebih baik pada proses pencarian pattern. FP-Growth* merupakan teknik baru berbasis array yang mengurangi penelusuran pada FP-tree. Tugas akhir ini mengimplementasikan dan menyajikan hasil eksperimen dari kedua algoritma ini menggunakan Borland Delphi 7.<br>Hasil eksperimen menunjukkan bahwa algoritma FP-Growth* lebih cepat dibandingkan algoritma FP-Growth terutama pada dataset sparse. Akibat penggunaan teknik array, FP-Growth* menggunakan memori lebih besar dibandingkan FP-Growth tetapi ukuran array yang digunakan jauh lebih kecil dibandingkan ukuran FP-tree.Kata Kunci : Data mining, frequent itemset, FP-tree, FP-growth, FP-growth*.ABSTRACT: The main problem in data mining is the discovery of association rules that identify relationships among sets of items. There are two steps in mining association rules: finding the frequent itemsets and generating association rules from them. Since the mining of frequent itemsets is computationally expensive, most of the research attention has been focused on it.<br>Among frequent pattern discovery algorithms, FP-Growth employs search strategy using compact structure resulting in a high performance algorithm that requires only two database passes. Hereinafter, further improvements can be made to the pattern-growth approach for better performance of the mining process. The FP-Growth* is a novel array-based technique that reduces the need to traverse FP-tree. This final project implement and present experimental result of these two algorithm build in Borland Delphi 7.<br>The result of experiment shows that the FP-growth* algorithm run faster than FP-Growth especially for sparse datasets. Due to the use of array technique, FP-Growth* uses more memory than FP-Growth but far smaller than the size of FP-tree.Keyword: Data mining, frequent itemset, FP-tree, FP-Growth, FP-Growth*.