Kelemahan: Memerlukan banyak kali pemindaian database, yang dapat mempengaruhi kinerja pada dataset besar.
2. Algoritma FP-Growth (Frequent Pattern Growth)
FP-Growth adalah alternatif dari Apriori yang lebih efisien dalam menemukan frequent itemset tanpa perlu menghasilkan kandidat itemset secara eksplisit. Algoritma ini menggunakan struktur data yang disebut FP-Tree untuk menyimpan informasi frekuensi itemset.
Karakteristik:
Efisiensi Tinggi: Mengurangi jumlah pemindaian database dan tidak memerlukan pembuatan kandidat itemset.
Struktur FP-Tree: Menyimpan informasi frekuensi dalam bentuk pohon, memungkinkan pencarian pola yang lebih cepat.
Kelemahan: Struktur FP-Tree dapat menjadi kompleks dan memerlukan memori besar pada dataset yang sangat besar.
Kesimpulan:
Data mining adalah proses untuk mengekstraksi pola dari data besar, dan teknik asosiasi adalah salah satu metode yang digunakan untuk menemukan hubungan antar item. Tiga metrik utama dalam teknik asosiasi adalah support, confidence, dan lift, yang digunakan untuk mengevaluasi kekuatan aturan asosiasi.
Algoritma yang digunakan untuk menemukan pola asosiasi antara lain Apriori, yang mencari frequent itemset secara iteratif, dan FP-Growth, yang lebih efisien dengan menggunakan struktur FP-Tree. Kedua algoritma ini membantu dalam pengambilan keputusan yang lebih baik dalam bisnis dan pemasaran.
Â
