Analisis Efisiensi Algoritma Data Mining

Abstract

Data mining adalah kaidah ilmu yang semakin berkembang pesat saat ini dan semakin bahkan harus digunakan dalam teknologi saat ini dan seterusmya. Terdapat beberapa teknik dalam datamining yang bisa digunakan untuk mengumpulkan informasi yang ada pada database atau dataset. proses tersebut diantaranya dapat berupa pencarian patern, pola asosiasi, kombinasi item yang kesemuanya adalah mencari frequent itemset yaitu kombinasi item yang sering muncul pada database atau dataset. kombinasi tersebut adalah item A dengan Item B yang saling berkorelasi seterusnya dengan item C sampai pada jumlah K-itemset atau deret kombinasi terbesar yang di temukan. Frequent itemset adalah pola yang sangat populer dalam teknik datamining, hasil dari teknik ini dapat dijadikan sebagai hasil yang akurat pada kaidah analisis pasar atau di kenal dengan Market Basket Analysis dalam pengambilan keputusan. Apriori adalah teknik dasar dari datamining yang dapat menemukan kombinasi Frequent itemset namun algoritma tersebut masih memiliki kelemahan-keleman dalam proses hasil pencarian dan performa terhadap berbagai macam model dataset dan sumberdaya yang di habiskan sehingga pakar telah melakukan pendekatan dengan membuat improvment pada apriori tersebut namun masing-masing teknik baru tersebut perlu di analisa dan di bandingkan dari segi performa dan kaidah lainnya yang lebih spesifik. Pada tulisan ini akan di bahas analisis performa dari algoritma yang telah di improvment oleh pakar diantaranya Apriori-Close dan Apriori FP-Growth dan di ujicobakan dengan menggunakan dataset dari FIMI repository dataset yaitu kosarak dataset. Hasil analisa yang akan di tampilkan adalah hasil frequent itemset yang di temukan masing-masing algoritma tersebut dengan ujicoba threshold atau nilai ambang batas minimum support 0.10 - 0.50, kemudian waktu dan memori yang di gunakan di sajikan dalam bentuk tabel dan grafik. Diharapkan dengan ujicoba ini dapat menemukan informasi perbedaan yang lebih spesifik dari algoritma-algoritma tersebut sehingga menjadi hasil analisis yang dapat di pakai untuk studi-studi litertur