Data Mining - Teknik Asosiasi

Tantangan:

• Menghasilkan banyak kandidat itemset
• Memerlukan beberapa kali pemindaian database
• Kinerja menurun untuk dataset besar

4.2 Algoritma FP-Growth (Frequent Pattern Growth)

FP-Growth adalah algoritma yang lebih efisien untuk menemukan frequent itemset tanpa menghasilkan kandidat.

Karakteristik:

• Menggunakan struktur data FP-Tree (Frequent Pattern Tree)
• Menghindari pembuatan kandidat itemset
• Menggunakan pendekatan divide-and-conquer

Tahapan:

1. Membangun FP-Tree dengan dua kali pemindaian database
2. Mengambil frequent itemset langsung dari FP-Tree

Kelebihan:

• Lebih efisien untuk dataset besar
• Hanya memerlukan dua kali pemindaian database
• Menghindari pembuatan kandidat yang banyak

Tantangan:

• Implementasi lebih kompleks
• Memerlukan lebih banyak memori untuk menyimpan FP-Tree

4.3 Algoritma ECLAT (Equivalence Class Transformation)

ECLAT menggunakan format data vertikal untuk menemukan frequent itemset dengan efisien.

Karakteristik:

• Menggunakan representasi data vertikal (item-transaksi)
• Memanfaatkan operasi irisan (intersection)
• Menggunakan pendekatan depth-first search

Kelebihan:

• Sangat efisien untuk dataset padat
• Hanya memerlukan satu kali pemindaian database
• Komputasi lebih cepat menggunakan operasi irisan