besar sama dengan minimum support count akan dibangkitkan dengan Conditional FP-Tree
3. Tahap pencarian frequent itemset Apabila Conditional FP-Tree merupakan lintasan tunggal single path, maka
didapatkan frequent itemset dengan melakukan kombinasi item untuk setiap Conditional FP-Tree
.
Gambar 2.2 Langkah-Langkah Algoritma FP-Growth Jika bukan lintasan tunggal, maka dilakukan pembangkitan FP-Growth secara
rekursif. Pseuducode FP-Growth sebagai berikut: Pseudocode algoritma FP-Growth Erwin, 2009:
Pseuducode dapat dijelaskan sebagai berikut:
Input : FP-Tree Tree Output : Rt sekumpulan lengkap pola
frequent Method : FP-growth Tree, null
Procedure : FP-growth Tree, _
02: then untuk tiap kombinasi dinotasikan _ dari node-node dalam path do
03: bangkitkan pola _ _ dengan support dari node-node dalam _;
04: else untuk tiap a1 dalam header dari Tree do
{ 05: bangkitkan pola
06: bangun _ = a1 _ dengan support = a1. support
07: if Tree _ = _ 08: then panggil FP-growth Tree, _
} }
2.6 Metodologi Dasar Analisis Asosiasi
Universitas Sumatera Utara
2.6.1 Analisis frekuensi tinggi Tahapan ini mencari kombinasi item yang memenuhi syarat minimum dari nilai
support dalam database. Nilai support sebuah item diperoleh dengan rumus berikut:
Suport A = x 100
Sedangkan nilai support dari 2 item diperoleh dari rumus 2 berikut: Suport A,B =
x 100
2.6.2. Pembentukan aturan assosiatif Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan assosiatif yang
memenuhi syarat minimum untuk confidence dengan menghitung confidence aturan assosiatif A B.
Nilai confidence dari aturan A B diperoleh dari rumus berikut:
Confidence A,B = x 100
2.7 Penelitian Terdahulu Penelitian yang menggunakan algoritma apriori dan algoritma FP-Growth antara lain
penelitian yang telah dilakukan Aritonang2012 melakukan penelitian mengenai pengambilan keputusan untuk menentukan korelasi pembelian produk yang
menggunakan algoritma apriori untuk mengetahui data yang sering muncul dan mengetahui aturan tata letak produk dimana data yang diperoleh dari indomaret
medan. Penelitian yang dilakukan Erwin2009 dengan menggunakan Algoritma
Apriori dan Algoritma FP-Growth. Penggunaan FP-Tree yang digunakan bersamaan dengan algoritma FP-Growth untuk menentukan frequent itemset dari sebuah
database , berbeda dengan paradigma algoritma yang memerlukan langkah candidate
Universitas Sumatera Utara
generation , yaitu dengan melakukan scanning database secara berulang-ulang unuk
menentukan frequent itemset. Penelitian ini juga menyajikan pembahasan mengenai perbandingan kompleksitas waktu antara algoritma FP-Growth dan diperoleh bahwa
waktu yang diperlukan algoritma FP-Growth untuk proses mining lebih cepat dibandingkan apriori.
Selain itu juga Ahmad2012 dalam penelitiannya memanfaatkan data transaksi yang banyak tersimpan dengan menggunakan algoritma FP-Growth untuk
membuat strategi dan kebijakan dalam berbisnis. Hasil dari penelitian itu yaitu diperoleh aturan asosiasi denan menggunakan menggunakan algoritma FP-Growth.
BAB 3 ANALISIS DAN PERANCANGAN
Sebelum dilakukan perancangan sistem, terlebih dahulu dilakukan analisis sistem.
Analisis sistem yang akan dibangun meliputi analisis pengguna sistem, analisis kebutuhan. Selanjutnya melakukan tahap perancangan sistem untuk membangun
aplikasi data mining. Pada tahap perancangan sistem, akan dibahas perancangan Data Flow Diagram
DFD, perancangan alur kerja sistem flowchart, perancangan fungsi- fungsi program yang akan digunakan dan perancangan antarmuka pemakai user
interface .
3.1 Analisis Kebutuhan Analisis kebutuhan adalah suatu proses yang sistematik dari pengembangan
kebutuhan. Dalam analisis kebutuhan perlu dilakukan suatu perencanaan, pengumpulan data dan analisis data. Analisis kebutuhan dengan menggunakan
diagram fishboneishikawa. Diagram ishikawa digunakan untuk menolong menemukan akar penyebab masalah atau untuk mengidentifikasi kemungkinan
penyebab masalah. Pada diagram ini terdapat cause dan effect. Diagram fishbone dapat digambarkan pada gambar 3.1.
Universitas Sumatera Utara
