Source Code Data Mining Asosiasi Metode Fp-Growth CodeIgniter

Landasan Teori

Data Mining

Data mining adalah suatu proses pengerukan atau pengumpulan informasi penting dari suatu data yang besar. Proses data mining seringkali menggunakan metode statistika, matematika, hingga memanfaatkan teknologi artificial intelligence. Tujuannya bukan sekadar mengolah data, tetapi menemukan pengetahuan yang dapat digunakan untuk memahami pola, membuat prediksi, atau mendukung pengambilan keputusan.

Langkah-langkah Data Mining

1. Memahami masalah.
2. Mengumpulkan dan memahami data.
3. Membersihkan data.
4. Melakukan transformasi atau preprocessing.
5. Memilih metode analisis.
6. Menjalankan model atau algoritma.
7. Mengevaluasi hasil.
8. Menginterpretasikan pola yang ditemukan.

Association Rule

Aturan asosiasi berfungsi menemukan pola-pola, asosiasi dan hubungan antara data tersebut dan dapat menemukan fakta yang sebelumnya tidak diketahui atau bahkan tidak diperhatikan oleh sebuah perusahaan. Metode atau konsep ini digunakan untuk membantu proses analisis secara lebih terstruktur sesuai dengan data, kriteria, dan tujuan permasalahan yang dihadapi.

Langkah-langkah Asosiasi

1. Menyiapkan data transaksi.
2. Menentukan minimum support.
3. Menemukan frequent itemset.
4. Membentuk aturan asosiasi.
5. Menghitung confidence.
6. Menghitung lift.
7. Memilih aturan yang relevan.

Frequent Pattern Growth (FP-Growth)

Algoritma FP-Growth merupakan pengembangan dari algoritma Apriori. Algoritma Frequent Pattern Growth adalah salah satu alternatif algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul (frequent itemset) dalam sebuah kumpulan data. Pada algoritma FP-Growth menggunakan konsep pembangunan tree, yang biasa disebut FP-Tree, dalam pencarian frequent itemsets bukan menggunakan generate candidate seperti yang dilakukan pada algoritma Apriori. Dengan menggunakan konsep tersebut, algoritma FP-Growth menjadi lebih cepat daripada algoritma Apriori.

Langkah-langkah FP-Growth

1. Menghitung frekuensi setiap item.
2. Menyaring item berdasarkan minimum support.
3. Membangun FP-Tree.
4. Membentuk conditional pattern base.
5. Membentuk conditional FP-Tree.
6. Menemukan frequent itemset.
7. Membentuk aturan asosiasi jika diperlukan.