Implementasi Algoritma Apriori Pada Data Benchmark Kosarak Dan Mushrooms

Rizki muliono

Abstract


Algoritma apriori saat ini lebih banyak digunakan untuk mencari frequent itemsets dan mencari aturan asosiasi untuk menemukan knowledge. Proses mencari frequent itemsets pada data secara berulang-ulang yang ada didalam database dan diakhiri ketika kandidat itemsets sampai K+1 tidak ada lagi. Algorima Apriori menggunakan secara umum menggunakan banyak jumlah memori dan waktu eksekusi dalam menemukan kombinasi dan perbandingan frequent itemsets. Hasil yang di dapatkan dengan menggunakan algoritma apriori bisa di katakan akurat saat menseleksi kombinasi itemset yang ada pada dataset sesuai dengan nilai support dan confidens nya. Untuk mengetahui seberapa akurat dan berapa jumlah sumberdaya yang di gunakan serta bagaimana perilaku algoritma apriori terhadap dataset dengan jumlah kolom data yang berbeda, maka implementasi agoritma apriori di ujikan dengan data benchmark kosarak.dat dan mushrooms.dat dengan nilai minimum support yang sama. Kedua data sets tersebut memiliki format yang berbeda pada jumlah kolom datanya yaitu data pada semua baris memiliki jumlah kolom karakter data, pada datasets kosarak.datmemiliki kolom karakter dengan panjang berbeda-beda pada setiap barisnya sedangkan pada datasets mushrooms.dat memiliki kolom karakter sebanyak 23 karakter data, artinya datasets tersebut memiliki model blok data linear atau sama. Hasil dari implementasi algoritma apriori terhadap kedua datasets tersebut didapatkan perilaku proses pada apriori yang ditampilkan dari hasil waktu eksekusi dan memori yang dipakai bahwa datasets kosarak lebih sedikit menggunakan waktu dibandingkan dengan datasets mushrooms namun penggunaan memori lebih boros, semakin kecil nilai minimum support semakin banyak komparasi kandidat yang dicari.

 

Kata Kunci : apriori; datamining; implementasi; kosarak; mushrooms


Keywords


apriori;

Full Text:

PDF

References


Agrawal, R., Imielinski, T. & Swami, A.1993. Mining association rules between sets of items in large databases. Proceedings of the 1993 ACM SIGMOD Conference, pp. 207–216.

Agrawal, R. & Srikant, R.1994. Fast algorithm for mining association rules. Proceedings of the 20th VLDB Conference, pp. 487–499.

Bhandari, A., Guptaa, A., & Dasa, D.2015. Improvised apriori algorithm using frequent pattern tree for real time applications in data mining. International Conference on Information and Communication Technologies (ICICT).46:644-651.

Camp, R.”The search for industry best practices that lead to superior performance. Productivity Press”.1989

Darshan. 2014. Improved Apriori Algorithm for mining Association Rules.International Journal of Information Technology and Computer Science (IJITCS’07), pp.15-23.

Frequent Itemset Mining Dataset Repository by IBM Almaden Quest Research Group (Online)http://fimi.ua.ac.be/data/.(07 April 2016).

Gorunescu, F.2011. Data Mining :Concepts, models and technique.Springer: Verlag Berlin Heidelberg.

Han, J., Kamber, M. & Pei, J. 2012. Data Mining: Concept and techniques.3rd Edition. Simon Fraser University.Morgan Kauffman Publisher:Amsterdam.

Mangla, V., Sarda,C. & Madra,S.2013. Improving the efficiency of Apriori Algorithm in Data Mining. International Journal of Engineering and Innovative Technology (IJEIT) 3(3):393-396

Singh, J., Ram, H. & Sodhi,J.S.2013.Improving Efficiency of Apriori Algorithm Using Transaction Reduction.International Journal of Scientific and Research Publications (IJSRP) 3(1):1-4


Refbacks

  • There are currently no refbacks.


JITE : JOURNAL OF INFORMATICS AND TELECOMMUNICATION ENGINEERING
ISSN 2549-6255 (online) | ISSN 2549-6247 (Print)
Program Studi Teknik Informatika, Fakultas Teknik, Universitas Medan Area
Universitas Medan Area, Jalan Kolam No. 1, Pasar V, Medan Estate, Sumatera Utara http://ojs.uma.ac.id/index.php/jite dan Email: jite@uma.ac.id
Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License