Menggali Pola Tersembunyi: Teknik Asosiasi dalam Data Mining dan Penerapannya di Dunia Nyata

Ukuran Penting dalam Teknik Asosiasi

• Support
  Menunjukkan seberapa sering kombinasi item muncul dalam dataset.
  Contoh: Jika 2 dari 10 transaksi berisi kopi dan gula, support-nya adalah 20%.

• Confidence
  Mengukur kekuatan aturan asosiasi, yaitu seberapa sering item B muncul setelah item A.

• Lift
  Menunjukkan kekuatan aturan dibandingkan dengan kejadian acak. Nilai lift > 1 menunjukkan adanya hubungan kuat.

Algoritma Populer yang Digunakan

1. Apriori Algorithm

   • Menggunakan pendekatan iteratif untuk mencari frequent itemset. Cocok untuk dataset kecil hingga menengah.

2. FP-Growth (Frequent Pattern Growth)

   • Lebih efisien dari Apriori karena tidak memerlukan penciptaan kandidat itemset yang banyak.

3. ECLAT (Equivalence Class Clustering and bottom-up Lattice Traversal)

   • Lebih cepat untuk dataset yang sangat besar dan padat.