1. Pendahuluan
Algoritma asosiasi data mining merupakan suatu bentuk algoritma yang memberikan
informasi tentang pertumbuhan item data dalam database. Salah satu pemanfaatan algoritma
asosiasi untuk proses bisnin diantaranya dalam proses penjualan. Terdapat dua algoritma
dalam asosiasi data mining yakni algoritma Apriori dan FP Growth[1] yang dalam tulisan ini
akan kami bahas secara ringkas terkait kedua algoritma tersebut.
Algoritma Apriori adalah salah satu algoritma pada data mining untuk mencari
frequent item/itemset pada transaksional database. Algoritma apriori pertama kali
diperkenalkan oleh R.Agarwal dan R Srikant untuk mencari frequent tertinggi dari
suatu database.
Algoritma apriori banyak digunakan pada data transaksi atau biasa disebut
keranjang belanja, misalnya sebuah swalayan memiliki keranjang belanja, dengan
adanya algoritma apriori, pemilik swalayan dapat mengetahui pola pembelian seorang
konsumen. [2]
Dewa Agung Krisna, dkk (2019) dalam jurnalnya yang berjudul Implementasi
Algoritma Apriori pada Menentukan Pola Kunjungan Wisata ke Bali menuliskan,
Algoritma Apriori merupakan salah satu metode Data Mining Based Rule-based
Assossiation yang dapat digunakan untuk mengidentifikasi pola kejadian. Apriori
adalah algoritma pengambilan data aturan asosiatif (Association rule) untuk
menentukan hubungan asosiatif dari suatu kombinasi item. Algoritma apriori akan
cocok diterapkan ketika ada beberapa item hubungan yang ingin dianalisis. Sifat
alogritma priori Setiap subset frequent-itemset harus frequent-itemset.[3]
Sebuah studi tentang kinerja metode FP-growth menunjukkan bahwa metode ini
efisien dan dapat diskalakan untuk menambang pola frekuensi panjang dan pendek, dan
sekitar urutan besarnya lebih cepat daripada algoritma Apriori[9].
2. Cara Kerja
2.1. Algoritma Apriori
Apa itu Frequent Itemset?
Frequent itemset merupakan item yang nilai supportnya lebih besar dari nilai
ambang batas atau support minimum yang telah ditentukan. Sehingga ketika A & B
merupakan frequent itemset jika digunakan secara bersama-sama, maka secara
individual A dan B juga harus merupakan frequent itemset. Misalkan ada dua transaksi,
yaitu transaksi A dan B, dimana transaksi A= {1, 2, 3, 4, 5} dan transaksi B=
{2,3,6,8,9}. Maka kita bisa mengatakan bahwa 2 dan 3 merupakan frequent itemset.
Ketiga tahap tersebut merupakan langkah yang akan dilakukan untuk mendapat
frequent itemset.
Input : FP-Tree Tree
Output : Rt Sekumpulan lengkap pola frequent
Methode : FP-Growth (Tree, null)
Procedure : FP-Growth (Tree, α)
{
01: if Tree mengandung single path P;
02: then untuk tiap kombinasi (dinotasikan β) dari node-node dalam path do;
03: bangkitkan pola β α dengan support dari node-node dalam path do β;
04: else untuk tiap a1 dalam header dari tree do
}
05: bangkitkan pol
3. Perbadingan
Algoritma Apriori menggunakan generasi kandidat yang melaluinya set item yang
sering dihasilkan. FP-growth (pertumbuhan pola yang sering) menggunakan struktur prefix-
tree (FP-tree) untuk menyimpan database dalam bentuk terkompresi. FP-growth mengadopsi
strategi divide-and-conquer untuk menemukan set item yang sering.Perbedaan antara kedua
algoritme tersebut adalah bahwa algoritme Apriori menghasilkan kumpulan item yang sering
kandidat dan juga algoritme pertumbuhan FP menghindari pembuatan kandidat dan
mengembangkan pohon dengan strategi 'bagi dan taklukkan' yang ekonomis dan efisien.
Apriori Fp-Growth
Apriori menghasilkan pola frequent dengan FP Growth menghasilkan FP-Tree untuk
membuat itemset menggunakan pairing membuat pola yang sering.
seperti single item set, double itemset, triple
itemset.
Apriori menggunakan generasi kandidat di FP-growth menghasilkan FP-Tree bersyarat
Apriori Fp-Growth
mana subset yang sering diperpanjang satu untuk setiap item dalam data.
item pada satu waktu.
Karena apriori memindai basis data di setiap FP-tree hanya membutuhkan satu scan
langkahnya, data yang jumlahnya lebih database pada langkah awal sehingga
banyak memakan waktu lama. menghabiskan lebih sedikit waktu.
Versi database yang dikonversi disimpan Kumpulan pohon FP bersyarat untuk setiap
dalam memori item disimpan dalam memori
Ini menggunakan pencarian luas-pertama Ini menggunakan pencarian mendalam-
pertama.
Mrs. M.Kavitha dan Ms.S.T.Tamil Selvi (2016) Dalam tulisannya terkait Comparative
Study on Apriori Algorithm and Fp Growth Algorithm with Pros and Cons menyimpulkan
kedua perbedaan dari algoritma Apriori dan FP Growth sebagai berikut :
1. Teknik
Algoritma Apriori menggunakan properti Apriori dan bergabung, properti murni
untuk menambang pola yang sering. Pertumbuhan FP algoritma membangun pola
bersyarat bebas dan basis pola bersyarat dari database yang memenuhi dukungan
minimal.
2. Jenis Pencarian
Apriori menggunakan metode pencarian pertama yang luas dan FP Growth
menggunakan metode Divide and Conquer.
3. Pemanfaatan Memori
Algoritma Apriori membutuhkan besar ruang memori karena mereka berurusan
dengan sejumlah besar kandidat generasi itemset. Algoritma Pertumbuhan FP
membutuhkan lebih sedikit memori karena strukturnya yang ringkas, mereka
menemukan frequent itemset tanpa pembangkitan kandidat itemset.
4. No.Of.Scans:
Algoritme Apriori melakukan beberapa pemindaian untuk menghasilkan set
kandidat. Pemindaian algoritma Pertumbuhan FP database hanya dua kali.
5. Waktu:
Dalam waktu eksekusi algoritma Apriori lebih banyak terbuang dalam
menghasilkan kandidat setiap saat. Eksekusi FP Growth waktu lebih sedikit jika
dibandingkan dengan Apriori[7].
4. Kesimpulan :
Dapat disimpulkan berdasarkan beberap ajurnal terkait yang telah kami baca dan
pelajari tentang perbandingan kinerja kedua Algoritma yaitu Apriori dan FP-Growth. Bahwa
keduanya mampu memberikan kontribusi hasil yang dapat dikatakan sama, namun jika dilihat
dari aspek lain seperti metode pencarian, waktu eksekusi, Pemindaian data, dan Penggunaan
Ruang Memory, Algoritma FP-Growth masih mengungguli dibandingkan dengan Algoritma
Apiori.
5. Referensi
[1] F. Setyadi, “Asosiasi Data Mining : Algoritma Apriori dan FP Growth,” 2021.
https://flinsetyadi.com/asosiasi-data-mining-algoritma-apriori-dan-fpgrowth/.
[2] DQLAB, “Kenali Data Science Algoritma Apriori pada Machine Learning,” Website,
2022. https://dqlab.id/kenali-data-science-algoritma-apriori-pada-machine-learning.
[3] D. Agung, K. Arimbawa, I. N. A. Prabawa, and P. A. Mertasana, “Implementation of
Apriori Algorithm in Determining Tourism Visit Patterns to Bali,” Int. J. Eng. Emerg.
Technol., vol. 4, no. 1, pp. 10–14, 2019.
[4] M. Penjualan, R. Alfianzah, R. I. Handayani, S. N. Mandiri, I. Universitas, and B.
Sarana, “Implementasi Data Algoritma Apriori,” vol. 5, pp. 17–25, 2020.
[5] N. S. Muhlis Tahir, “Penerapan Algoritma Fp-Growth Dalam,” vol. 6, no. 1, pp. 56–
63, 2021.
[6] K. dan E. T. Luthfi, Algoritma Data Mining. Yogyakarta: Andi Offset, 2009.
[7] I. N. M. Kavitha and M. S. Selvi, “Studi Banding Algoritma Apriori dan Algoritma.”
[8] R. M. Anggraeni, “Perbandingan Algoritma Apriori dan Algoritma FP-Growth untuk
Perekomendasi Pada Transaksi Peminjaman Buku di Perpustakaan Universitas Dian
Nuswantoro,” Tek. Inform., pp. 1–6, 2014.
[9] H. Jiawei, M. Kamber, and J. Pei, “Third Edition : Data Mining Concepts and
Techniques,” J. Chem. Inf. Model., vol. 53, no. 9, pp. 1689–1699, 2012, [Online].
Available: http://library.books24x7.com/toc.aspx?bkid=44712.
[10] A. Ikhwan, D. Nofriansyah, and Sriani, “Penerapan Data Mining dengan Algoritma
Fp-Growth untuk Mendukung Strategi Promosi Pendidikan ( Studi Kasus Kampus
STMIK Triguna Dharma ),” Saintikom, vol. 14, no. 3, pp. 211–226, 2015.
[11] U. D. Arni, “Perbedaan dari Algoritma Apriori dan FP Growth pada Association
Rule,” Website, 2021. https://garudacyber.co.id/artikel/2223-perbedaan-dari-algoritma-
apriori-dan-fp-growth-pada-association-rule#:~:text=Perbedaan antara kedua algoritme
tersebut,taklukkan’ yang ekonomis dan efisien.
[12] Y. VERMA, “Apriori vs FP-Growth in Market Basket Analysis – A Comparative
Guide,” DEVELOPERS CORNER, 2021. https://analyticsindiamag.com/apriori-vs-fp-
growth-in-market-basket-analysis-a-comparative-guide/.
[13] M. Farhan, “Perbandingan Algoritma Apriori Dengan Algoritma Fp-Growth Untuk
Perekomendasian Produk Bagi Pelanggan Di Pt. Agro Express Indonesia,”
unikom.ac.id, 2022. https://elibrary.unikom.ac.id/id/eprint/6359/.
[14] A. Salam, J. Zeniarja, W. Wicaksono, and L. Kharisma, “Pencarian Pola Asosiasi
Untuk Penataan Barang Dengan Menggunakan Perbandingan Algoritma Apriori Dan
Fp-Growth (Study Kasus Distro Epo Store Pemalang),” Dinamik, vol. 23, no. 2, pp.
57–65, 2019, doi: 10.35315/dinamik.v23i2.7178.
[15] L. Henando, “Algoritma Apriori Dan Fp-Growth Untuk Analisa Perbandingan Data
Penjualan Leptop Berdasarkan Merk Yang Diminati Konsumen (Studi Kasus :
Indocomputer Payakumbuh),” J-Click, vol. 6, no. 2, pp. 201–207, 2019.
[16] S. Anas, N. Rumui, A. Roy, and H. Saputro, “Comparison of Apriori Algorithm and
FP-Growth in Managing Store Transaction Data,” vol. 03, no. 04, pp. 158–162, 2022.
[17] S. Atmaja, “JURNAL IPTEKS TERAPAN Research of Applied Science and
Education V9.i4 (282-293),” J. Ipteks Terap., vol. 15, no. March, pp. 68–73, 2020.