Perbandingan Kinerja Algoritma Apriori dan Frequent Pattern Growth dalam Menemukan Pola Asosiasi

Abstract

Dengan menggunakan dataset yang terdiri dari 500 transaksi dan 18 item produk, penelitian ini bertujuan untuk membandingkan kedua algoritma dalam penemuan pola asosiasi, Algoritma Apriori dan Frequent Pattern Growth (FP-Growth). Fokus penelitian adalah untuk menganalisis perbedaan algoritma dalam menghasilkan aturan asosiasi yang dapat digunakan secara terarah dan efisien dalam strategi pemasaran dan tata letak barang. Dalam kinerjanya Algoritma Apriori yang menggunakan  metode candidate generation, memerlukan waktu yang lebih lama yaitu selama 0.9942 detik, sebab dalam pembentukan kandidat itemset dilakukan secara berulang dan memerlukan banyak proses scanning terhadap data transaksi. Proses iterasi yang tinggi ini membuat Apriori kurang efisien untuk dataset yang besar, namun dapat mengidentifiksi berbagai pola tersembunyi yang lebih rinci. Sementara itu memanfaatkan struktur FP-Tree, algoritma FP-Growth menghasilkan kumpulan itemset yang sering tanpa perlu membuat banyak kandidat. Ini mengurangi jumlah iterasi dan mempercepat proses penentuan aturan asosiasi, sehingga waktu yang dibutuhkan hanya 0.0184 detik jauh lebih efisien dibandingkan dengan Algoritma Apriori. Hasil pola asosiasi menunjukkan bahwa Algoritma Apriori lebih mampu menghasilkan lebih banyak aturan asosiasi, yaitu sebanyak 5 aturan, dibandingkan dengan Algoritma FP-Growth yang hanya menghasilkan satu aturan. Selain itu, Algoritma Apriori memiliki nilai average confident yang lebih tinggi 58.34% dibandingkan FP-Growth dengan nilai 52%. Hal ini mengindikasikan bahwa aturan yang dihasilkan oleh Algoritma Apriori memiliki tingkat kepercayaan yang lebih baik dari segi kekuatan hubungan antar item. Algoritma FP-Growth menghasilkan nilai average Lift Rasio yang lebih tinggi yaitu 3.32 dibandingkan Algoritma Apriori 0.023. Nilai lift rasio yang lebih besar dari satu menunjukkan bahwa aturan FP-Growth yang dihasilkan memiliki hubungan yang lebih kuat antara produk yang dianalisis. Secara keseluruhan, penelitian ini memberikan gambaran bahwa pemilihan algoritma yang tepat sangat bergantung pada tujuan analisis. Dengan memanfaatkan Algoritma Apriori, studi ini secara sistematis mengungkapkan pola hubungan antar item dapat menghasilkan tingkat kepercayaan yang tinggi, sedangkan FP-Growth mendapatkan hasil analisis yang lebih efisien dalam penggunaan waktu.