PERMASALAHAN EFISIENSI ALGORITMA APRIORI DAN EVALUASI FP-GROWTH BERDASARKAN STUDI LITERATUR

Abstract

Untuk menemukan pola keterkaitan antar item dalam data transaksi, algoritma Apriori dan FP-Growth merupakan dua teknik association rule mining yang populer digunakan. Algoritma Apriori mengandalkan pendekatan generate-and-test yang berulang, sehingga cenderung kurang efisien dalam hal waktu dan konsumsi memori, meskipun implementasinya relatif mudah. Akan tetapi, algoritma ini memiliki keterbatasan dalam menentukan kandidatnya. Sebagai alternatif, algoritma FP-Growth menawarkan efisiensi yang lebih tinggi melalui struktur FP-Tree dan mekanisme pertumbuhan pola yang hanya memerlukan dua kali pemindaian data. Penelitian ini menggunakan metode literature review untuk membandingkan kinerja kedua algoritma berdasarkan waktu proses, jumlah aturan yang dihasilkan, kualitas aturan (meliputi support, confidence, dan lift), serta penggunaan memori. Hasil studi menunjukkan bahwa meskipun Apriori masih relevan untuk dataset kecil dan eksplorasi awal, FP-Growth secara konsisten unggul dalam hal skalabilitas dan efisiensi pemrosesan data berskala besar. Keduanya mempunyai fungsi dan spesifikasi nya tersendiri di masing-masing datasetnya. Temuan ini dapat menjadi acuan dalam pemilihan algoritma yang tepat sesuai dengan karakteristik data dan kebutuhan sistem yang dikembangkan.