3. Threshold Tambahan
   Selain support dan confidence, threshold tambahan seperti lift > 1 atau conviction tinggi digunakan untuk memperkuat validasi aturan. Metrik-metrik ini berguna untuk mengevaluasi kualitas dan keterkaitan sebenarnya dari aturan asosiasi yang ditemukan, serta menghindari penemuan asosiasi palsu.
ALGORITMA DALAM TEKNIK ASOSIASI
1. Apriori
  Apriori adalah algoritma klasik yang digunakan untuk menemukan frequent itemsets dan membentuk aturan asosiasi. Algoritma ini bekerja dengan cara iteratif, membangun itemset yang lebih besar dari itemset yang lebih kecil yang memenuhi ambang batas minimum support. Prinsip utama Apriori adalah anti-monotonic, yaitu jika suatu itemset tidak memenuhi minimum support, maka semua superset-nya juga akan diabaikan. Dengan prinsip ini, proses pencarian pola menjadi lebih efisien karena mengurangi jumlah kombinasi yang perlu diperiksa.
2. FP-Growth
   FP-Growth adalah algoritma alternatif yang lebih efisien karena FP-Growth tidak menghasilkan kandidat itemset secara eksplisit seperti Apriori, melainkan menggunakan struktur data berbentuk pohon yang disebut FP-Tree. Dalam FP-Tree, data transaksi direpresentasikan secara kompak sehingga mengurangi kebutuhan untuk melakukan scanning dataset berulang kali. Melalui pemangkasan cabang dan pemetaan pola secara rekursif, FP-Growth mampu menghasilkan aturan asosiasi dengan cepat dan efisien, terutama pada dataset yang sangat besar.
PENERAPAN TEKNIK ASOSIASI
1. Kandang Kopi Tasikmalaya
  Usaha kafe ini menggunakan algoritma Apriori untuk menganalisis transaksi pelanggan. Hasil analisis menunjukkan bahwa pelanggan yang membeli minuman CF-19 sering kali juga membeli Es Kondang dan Jappanese. Berdasarkan informasi ini, manajemen membuat strategi promosi dengan menawarkan paket menu yang menggabungkan produk-produk tersebut. Hasilnya, terjadi peningkatan signifikan dalam penjualan paket tersebut.
2. Puskesmas
