67
Pada gambar 2.24, C
k
adalah kumpulan kandidat dari k-itemset
dan F
k
adalah kumpulan dari frequent k-itemset.
Metode
algoritma
Apriori dapat dijelaskan sebagai berikut:
1.
Langkah 1 dan 2 merupakan inisialisasi awal dari k dan F
k
untuk
menemukan semua frequent 1-itemsets.
2.
Langkah selanjutnya adalah menghasilkan kandidat baru k-
itemsets dengan perulangan menggunakan frequent (k-1)-itemsets
yang didapatkan pada iterasi langkah 5.
Kandidat tersebut
dihasilkan dengan menggunakan fungsi apriori-gen.
3.
Langkah 6 sampai dengan langkah 10 digunakan untuk
menghitung support dari kandidat. Fungsi subset digunakan untuk
menentukan semua kandidat itemset
dalam C
k
yang ada dalam
setiap transaksi t.
4.
Pada langkah 12, algoritma melakukan eliminasi terhadap semua
kandidat itemset yang memiliki support
lebih kecil dari minimum
support (minsup).
5.
Pada langkah 13, algoritma akan berakhir jika tidak ada
frequent
itemsets baru yang dihasilkan (F
k
=
).
Fungsi apriori-gen
menghasilkan kandidat itemsets deengan
melakukan dua operasi berikut:
1.
Candidate Generation
Operasi ini menghasilkan kandidat k-itemset berdasarkan frequent
(k-1)-itemsets pada iterasi sebelumnya.
2.
Candidate Pruning
Operasi ini melakukan eliminasi beberapa kandidat k-itemsets
menggunakan strategi support-based pruning.
2.1.17
Frequent Pattern Growth Algorithm
Menurut Vivekananth (2012:79), salah satu algoritma
association rule mining
yang sangat berpengaruh adalah Apriori.
Pengembangan Apriori telah banyak dilakukan dan FP-Growth
merupakan salah satunya. FP-Growth
dianggap sebagai suatu
kemajuan besar dalam perbaikan kinerja dari Apriori. Algoritma ini
dibuat dengan struktur data yang dikenal sebagai frequent pattern tree
 |