Abstrak–Data mining yang diterapkan pada CV. produk yang lain. Selain itu, hubungan juga dapat
Sumber Segar Utama untuk memprediksi itemset promosi. dilihat antara dua atau lebih atribut dan dua atau lebih
Hal tersebut bertujuan untuk meningkatkan penjualan objek.
dan pengembangan strategi pemasaran. Algoritma yang
digunakan pada data mining ini adalah Algoritma Salah satu faktor penting dalam data mining
Frequent Pattern Growth (FP-Growth). Data yang diolah adalah adanya aturan untuk menemukan suatu pola
pada Data Mining ini berupa data sampel dari data frekuensi tinggi antar himpunan itemset yang disebut
transaksi penjualan buah-buahan seperti apel, jeruk, dengan Aturan Asosiasi (Association Rule). Algoritma
mangga, dan lain-lain dalam satu bulan, yaitu pada bulan
yang digunakan pada data mining ini adalah
Maret 2017. Pengolahan data transaksi penjualan tersebut
bertujuan untuk melihat buah mana yang lebih diminati
Algoritma FP-Growth (Frequent Pattern Growth).
oleh pembeli, dan buah mana yang kurang diminati. FP-Growth adalah salah satu alternatif algoritma yang
Dengan mengetahui hal tersebut, pihak manajer dapat digunakan untuk menentukan himpunan data
pemasaran dapat meningkatkan promosi terhadap buah yang paling sering muncul (frequent itemset) dalam
yang kurang diminati tersebut, sehingga transaksi sebuah kumpulan data (Ikhwan A., Nofriansyah D.,
penjualan pada CV. Sumber Segar Utama bisa meningkat. and Sriani 2015). Pada algoritma Apriori frequent
itemsets dicari dengan menggunakan Association
Kata kunci : Data Mining, Itemset, FP-Growth. Rule dan untuk mendapatkan hal tersebut maka perlu
diketahui nilai support dan confidence (Santoso H.,
Hariyadi I.P. and Prayitno. 2016)
I. PENDAHULUAN
31
JURNAL TEKNIK DAN INFORMATIKA
VOLUME 6 | NOMOR 1 | JANUARI 2019 ISSN 2089-5490
campuran dua atau lebih dari beberapa pendekatan yang terdapat dalam database yang diolah
yang ada. sehingga nantinya proses data mining dapat
menemukan knowledge yang sesuai.
Pada dasarnya ada enam elemen yang paling
6. Graphical user interface
esensial dalam teknik pencarian
Bagian ini merupakan sarana antara user dan
informasi/pengetahuan dalam Data Mining yaitu:
sistem data mining untuk berkomunikasi,
1. Mengerjakan sejumlah besar data
dimana user dapat berinteraksi dengan sistem
2. Diperlukan efesiensi berkaitan dengan volume
melalui data mining query, untuk menyediakan
data
informasi yang dapat membantu dalam
3. Mengutamakan ketetapan/keakuratan
pencarian knowledge. Lebih jauh lagi, bagian
4. Membutuhkan pemakaian bahasa tingkat
ini mengijinkan user untuk melakukan
tinggi.
browsing pada database dan data warehouse,
5. Menggunakan beberapa bentuk dari
mengevaluasi pattern yang telah dihasilkan,
pembelajaran otomatis
dan menampilkan pattern tersebut dengan
6. Menghasilkan hal yang menarik
tampilan yang berbeda-beda.
Kemajuan luar biasa yang terus berlanjut
dalam bidang data mining didorong oleh beberapa B. Algoritma Frequent Pattern Growth (FP-
faktor, antara lain: Growth)
1. Pertumbuhan yang cepat dalam kumpulan data. Algoritma Frequent Pattern Growth adalah
2. Penyimpanan data dalam data warehouse, pengembangan dari algoritma Apriori. Algoritma FP-
sehingga seluruhnya perusahaan memiliki Growth merupakan salah satu alternatif algoritma
akses kedalam database yang andal. yang dapat digunakan untuk menentukan himpunan
3. Adanya peningkatan akses data melalui data yang paling sering muncul (frequent itemset)
navigasi web dan internet. dalam sebuah kumpulan data. Algoritma FP-Growth
4. Tekanan kompetisi bisnis untuk meningkatkan menggunakan konsep pembangunan tree, yang
penguasaan pasar dalam globalisasi ekonomi. biasa disebut FP-Tree, dalam pencarian frequent
5. Perkembangan teknologi perangkat lunak itemsets bukan menggunakan generate candidate
untuk data mining (ketersediaan teknologi). seperti yang dilakukan pada algoritma Apriori.
6. Perkembangan yang hebat dalam kemampuan Dengan menggunakan konsep tersebut, algoritma
komputasi dan pengembangan kapasitas media FP-Growth menjadi lebih cepat dari pada algoritma
penyimpanan. Apriori (Meilani D.B. and Azinar A.W, 2015).
Pada umumnya data mining terdiri dari Algoritma FP-Growth dibagi menjadi tiga
komponen-komponen berikut ini: tahapan utama, yaitu:
1. Database, data warehouse, dan media 1. Tahap pembangkitan Conditional Pattern Base
penyimpanan informasi.
Tahap ini merupakan subdatabase yang berisi
Media pada komponen ini dapat berupa
prefix path dan suffix pattern (pola akhiran).
database, data warehouse, spreadsheet, atau
jenis media penampung lainnya. Data cleaning 2. Tahap pembangkitan Conditional FP-Tree, Pada
dan data integration dapat dilakukan pada data tahap ini Support Count dari setiap item untuk
tersebut. Conditional pattern base dijumlahkan.
2. Database atau data warehouse server. 3. Tahap pencarian Frequent Itemset
Database atau data warehouse server
bertanggung jawab untuk menyediakan data Tahap ini merupakan lintasan tunggal (single
yang relevan berdasarkan permintaan dari path), kemudian didapatkan Frequent itemset
pengguna data mining. dengan melakukan kombinasi item untuk
3. Basis pengetahuan (knowledge base) conditional FP-Tree.
Merupakan basis pengetahuan yang digunakan
sebagai panduan dalam pencarian pola. C. Promosi
4. Data mining engine
Promosi adalah aktivitas yang dilakukan untuk
Yaitu bagian dari software yang menjalankan
mengkomunikasikan keunggulan produk, serta
program berdasarkan algoritma yang ada.
membujuk pelanggan sasaran untuk membeli dan
5. Pattern evaluation module
memanfaatkan produk-produk yang dijual oleh suatu
Yaitu bagian dari software yang berfungsi
perusahaan. Aktivitas ini merupakan suatu proses
untuk menemukan pattern atau pola-pola
32
JURNAL TEKNIK DAN INFORMATIKA
VOLUME 6 | NOMOR 1 | JANUARI 2019 ISSN 2089-5490
20 Blewah BL 4
21 Alpukat AK 2
33
JURNAL TEKNIK DAN INFORMATIKA
VOLUME 6 | NOMOR 1 | JANUARI 2019 ISSN 2089-5490
34
JURNAL TEKNIK DAN INFORMATIKA
VOLUME 6 | NOMOR 1 | JANUARI 2019 ISSN 2089-5490
35
JURNAL TEKNIK DAN INFORMATIKA
VOLUME 6 | NOMOR 1 | JANUARI 2019 ISSN 2089-5490
DAFTAR PUSTAKA
36