ABSTRAKSI: Salah satu fungsionalitas dalam data mining adalah asosiasi yang bertujuan untuk menemukan rule-rule asosiasi yang memenuhi minimum support dan minimum confidence. Pada awalnya, penemuan rule asosiasi tidak melibatkan taksonomi (hirarki is-a) sehingga rule yang dihasilkan hanya mengandung item-item yang terletak di level terendah dari taksonomi. Bagaimanapun juga, seringkali diinginkan untuk menemukan rule asosiasi yang melibatkan item-item yang terletak di berbagai level pada taksonomi, yang mana akan menyediakan informasi yang dibutuhkan.
Pada tugas akhir ini telah diimplementasikan konsep generalized association rules dengan algoritma cumulate untuk menemukan frequent itemset dan rule-rule asosiasi yang tergeneralisasi. Pada tugas ini juga diterapkan minimum-interest-level yang merupakan ukuran yang digunakan untuk mencari rule asosiasi, dengan memanfaatkan informasi yang terkandung pada taksonomi, selain minimum support dan minimum confidence. Yang akan dianalisis pada tugas akhir ini yaitu mengenai seberapa besar persentase rule asosiasi yang terpangkas menggunakan suatu nilai interest-level tertentu, pengaruh penambahan jumlah transaksi dan nilai minimum support terhadap waktu proses.
Dari hasil pengujian diperoleh bahwa minimum-interest-level dapat memangkas rule asosiasi lebih dari 50% jika interest level bernilai lebih dari atau sama dengan satu. Peningkatan nilai minimum support dan peningkatan jumlah transaksi dapat mempengaruhi waktu proses, yaitu semakin besar nilai minimum support maka waktu proses akan semakin kecil, dan semakin banyak jumlah transaksi maka waktu proses akan semakin besar.Kata Kunci : data mining, generalized association rules, algoritma cumulate, minimum-interest-level, minimum support, minimum confidenceABSTRACT: As a data mining functionality, association attempt to find association rules that enough with minimum support and minimum confidence. Initially, finding association rule doesn’t involve taxonomy (hierarchy is-a) so the rule that produced just filled with items in lower level of taxonomy. Any way, we often want to find association rule that contain items in any level of taxonomy, wich will provide information needed.
This final project implement generalized association rules concept with cumulate algorithm to find frequent itemset and generalized association rules. This final project also implement minimum-interest-level as a measure that used to find association rule by exploiting information in taxonomy, beside minimum support and minimum confidence. This final project analyze the percentage of association rule that pruned by some parameter of interest-level, influence of additional sum transaction and minimum support to time processed.
From the experiment result obtained that minimum-interest-level help to prune associtaion rule more than 50% if interest level value more than or equal to one. Make up of minimum support value and sum of transaction can affect time process, where a higher the value of minimum support so a needed time process will be lower, and more amount of transaction so a needed time process will be bigger.Keyword: data mining, generalized association rules, algoritma cumulate, minimum-interest-level, minimum support, minimum confidence