CONFIDENCE VALUE ANALYSIS OF FP-GROWTH ALGORITHM ON ORACLE RDBMS USING SET THEORY AND UNSUPERVISED LEARNING

Boby Siswanto

Informasi Umum

Kode

213120002

Klasifikasi

006.312 - Data mining

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Data Mining

Dilihat

13 kali

Informasi Lainnya

Abstraksi

ABSTRAKSI: Hal yang dijadikan acuan pada association rule mining adalah nilai support dan nilai confidence. Semakin tinggi nilai support dan nilai confidence maka semakin baik rules yang dihasilkan. Algoritma association rule mining menerapkan unsupervised learning dimana rule yang dihasilkan tidak ditentukan untuk menjadi class tertentu. Performansi algoritma association rule mining sangat bergantung pada ukuran dataset /dimensi yang digunakan. Performansi dapat di ukur dari waktu pemrosesan yang dihasilkan. Semakin besar dataset maka dimensinya akan semakin besar dan waktu pemrosesan akan semakin lama. Jika dimensi dapat disusutkan maka waktu proses akan semakin cepat sehingga performansi semakin baik, dengan catatan nilai confidence relatif tidak berubah. Intersection merupakan jenis dari teori himpunan yang dapat mengurangi jumlah atribut pada 2 atau lebih himpunan yang berelasi. Oracle merupakan salah satu RDBMS, himpunan yang berelasi dapat diterapkan pada Oracle RDBMS sebagai tabel-tabel yang berelasi. IST-EFP algorithm adalah proposed algoritma yang mengkombinasikan algoritma EFP (Expand FP- Growth) dengan teori himpunan. Pada penelitian ini algoritma IST-EFP dapat menyusutkan dimensi dari dataset sampai 87.5% dengan perbaikan waktu proses 26.6%. Nilai confidence yang dihasilkan relatif tidak berubah, contoh rule FP-18  FKUE72 sebelumnya memiliki nilai confidence 23.4%, dengan algoritma IST-EFP menjadi 23.41%. Hasil-hasil yang didapatkan dapat digunakan untuk menentukan business actions.KATA KUNCI: association rule mining, unsupervised learning, confidence value, IST-EFP algorithm, dataset, set theory, pruned, intersections, Oracle RDBMS, business actions.ABSTRACT: Values used as a reference of the association rule mining are support value and confidence value. The higher the value the support and confidence value, the better the resulting rules. Association rule mining algorithms apply unsupervised learning because the resulting rule is not determined to rule mining algorithms apply unsupervised learning because the resulting rule is not determined to be a certain class. Performance of association rule mining algorithms rely heavily on the dataset size / dimensions are used. Performance can be measured from the time processing is generated. The larger the dataset, the dimensions will be greater and the processing time will be longer. If the dimensionality of dataset can be pruned, the processing time will be faster and the performance will be better, with confidence values relatively unchanged. Intersection is a kind of set theory that can reduce the number of attributes on related sets. Oracle is one of the RDBMS, related sets can be applied to the Oracle RDBMS as the related tables. IST- EFP algorithm is a proposed algorithm that combines the EFP (Expand FP-Growth) with set theory. In this study, IST-EFP algorithm can reduce the dimension of the dataset to 87.5% with a 26.6% improvement on time processing. The confidence value obtained was relatively unchanged, as an example of FP-18  FKUE72 rule, previously the rule have 23.4% confidence value, after IST- EFP implemented confidence value change to 23.41%. This results can be used for business actions.KEYWORD: association rule mining, unsupervised learning, apriori, fp-growth, dataset, set theory, pruned, intersections, Oracle RDBMS, business actions.