ABSTRAKSI: Sebuah basisdata berukuran besar biasanya berpotensi menyimpan banyak informasi penting. Informasi tersebut dapat diperoleh dari pola-pola yang muncul secara berulang. Salah satu jenis pola berulang dalam data mining adalah frequent pattern atau frequent itemset.
Untuk mendapatkan frequent pattern pada basisdata yang besar, diperlukan cost yang cukup besar. Oleh karena itu dibutuhkan suatu algoritma yang efisien. FP-growth dan Tree Projection adalah algoritma mining frequent pattern yang memiliki performansi yang baik. FP-growth merupakan algoritma yang efisien karena tidak membutuhkan pembangkitan kandidat frequent pattern, sedangkan Tree Projection merupakan algoritma yang membangkitkan kandidat frequent pattern yang memiliki performansi yang baik. Untuk mengetahui kemampuan serta kelebihan dan kekurangan masing-masing algoritma tersebut, perlu dilakukan studi perbandingan kompleksitas dan performansi algoritma.Dalam tugas akhir ini dilakukan studi perbandingan kompleksitas dan performansi algoritma FP-growth dan Tree Projection. Untuk kebutuhan analisis performansi kedua algoritma ini, maka dibangun suatu perangkat lunak yang mengimplementasikan algoritma Tree Projection dan algoritma FP-growth.
Berdasarkan hasil penelitian, kompleksitas algoritma FP-growth dan Tree Projection dipengaruhi oleh jumlah frequent items. Performansi kedua algoritma berbanding terbalik dengan minimum support. Performansi FP-growth lebih baik dari pada Tree Projection ketika minimum support semakin kecil, dan performansi Tree Projection semakin mendekati bahkan lebih baik dari pada FP-growth ketika minimum support semakin besar.Kata Kunci : data mining, association analysis, frequent pattern, minimum support , FP-growth, TreeProjectionABSTRACT: Generally, large databases potent to hide a lot of high valuable information. The information can be obtained by paying attention to repeatly accuring patterns. Frequent Pattern is one of important recuring pattern type in data mining.
Getting frequent pattern from large databases needs big enough cost. Therefore an efficient algorithm is necessity. FP-growth and Tree Projection are mining frequent pattern algorithms which have good performance. FP-growth is an efficient algorithm since not require generation of candidate frequent pattern, while Tree Projection is generating candidate frequent pattern algorithm which have good performance. to know ability and also the advantage and disadvantage of the algorithm each other, need study of comparison of complexity and performace algorithm.
In this final project will be conducted comparison study of complexity and performance FP-growth and Tree Projection algorithms. For performance analyse requirement of both algorithms, then would be builded a software for implementing Tree Projection and FP-growth algorithms.
Based on experiment result, the complexity of FP-growth and Tree Projection effected by frequent items number. Both algorithm performance opposite ratio with minimum support threshold. FP-growth performance is better than Tree Projection when the minimum support getting smaller, and Tree Projection getting closer even better then FP-growth when the minimum support threshold is higher.Keyword: data mining, association analysis, frequent pattern, minimum support , FP-growth, TreeProjection