Komparasi Algoritma Pincer Search dan Algoritma FP-Growth
DOI:
https://doi.org/10.33633/tc.v21i2.5803Keywords:
Data Mining, Aturan Asosiasi, Algoritma Pincer Search, Algoritma FP-GrowthAbstract
Jumlah pembelian barang setiap harinya berbeda-beda karena itu permasalahan kekurangan stock barang dapat terjadi dan mengakibatkan ketidakpuasan pelanggan dalam berbelanja karena tidak tersedianya produk yang diinginkan. Permasalahan kekurangan stock barang dapat diminimalisir dengan melakukan penelitian mengenai data mining asosiasi menggunakan data transaksi penjualan dari Toko X berdasarkan metode algoritma pincer search dan algoritma FP-Growth. Penelitian ini bertujuan untuk mendapatkan association rule dan jumlah kemunculan frequent item set dalam data transaksi melalui minimum support yang dimanfaatkan untuk mengatasi permasalahan kekurangan stock barang di Toko X serta melakukan komparasi algoritma pincer search dan algoritma FP-Growth terhadap waktu pemrosesan data, frequent item set, rule, confidence dan lift ratio dengan bahasa pemrograman Python. Komparasi algoritma pincer search dan algoritma FP-Growth terhadap frequent item set, rule, confidence dan lift ratio dengan bahasa pemrograman Python memperoleh hasil yang sama, tetapi waktu yang dibutuhkan dalam pemprosesan data berbeda yang disebabkan oleh minimum support, jumlah transaksi dan jumlah item serta alur proses data yang berbeda dari kedua metode.References
I. M. S. P. Ni Putu Ratindia Apriyanti, I Ketut Gede Darma Putra, “Peramalan Jumlah Kecelakaan Lalu Lintas Menggunakan Metode Support Vector Regression,” Menara Penelit. Akad. Teknol. Inf., vol. 8, no. 2, hal. 72–80, 2020.
D. P. S. P. Putu Githa Pratiwi, I Ketut Gede Darma Putra, “Peramalan Jumlah Tersangka Penyalahgunaan Narkoba Menggunakan Metode Multilayer Perceptron,” Menara Penelit. Akad. Teknol. Inf., vol. 7, no. 2, hal. 0–7, 2019.
K. C. Rahma Wati Br Sembiring Berahmana, Fahd Agodzo Mohammed, “Customer Segmentation Based on RFM Model Using K-Means, K-Medoids, and DBSCAN Methods,” Lontar Komput., vol. 11, no. 1, hal. 32–43, 2020.
A. B. P. Rusnandi, Suparni, “Penerapan Data Mining Untuk Analisis Market Basket Dengan Algoritme FP-Growth Pada PD Pasar Tohaga Jurnal Nasional Pendidikan Teknik Informatika : JANAPATI | 120,” J. Nas. Pendidik. Tek. Inform., vol. 9, no. 1, hal. 119–133, 2020.
M. N. Biman Giri, Sivagami M, “Frequent Item Set Mining for Data Streaming using Spark with Pincer Search Algorithm,” Int. J. Recent Technol. Eng., vol. 7, no. 6, hal. 40–45, 2019.
N. A. Novalia Barkah, Entin Sutinah, “Metode Asosiasi Data Mining Untuk Analisa Persediaan Fiber Optik Menggunakan Algoritma Apriori,” J. Kaji. Ilm., vol. 20, no. 3, hal. 237–248, 2020.
S. Laili Zami Saputri, “Penerapan Data Mining Pembuatan Produk Baru Tinta Menggunakan Metode Algoritma Apriori,” J. Manaj. Inform. Jayakarta, vol. 1, no. 9, hal. 320–335, 2021.
S. Kurniawan, W. Gata, dan H. Wiyana, “Analisis Algoritma FP-Growth Untuk Rekomendasi Produk Pada Data Retail Penjualan Produk Kosmetik ( Studi Kasus : Mt Shop Kelapa Gading ),” in Seminar Nasional Teknologi Informasi dan Komunikasi, 2018, vol. 2018, no. Sentika, hal. 23–24.
T. M. Satrio Junaidi, “Metode Data Mining Association Rule Dengan Algoritma FP-Growth Untuk Mengetahui Kelulusan Tepat Waktu Mahasiswa (Studi Kasus STIKIP PGRI Sumatera Barat),” J. Edik Inform., vol. 5, hal. 41–53, 2018.
A. R. Wijaya dan A. Jananto, “Mencari Pola Pembelian Konsumen Menggunakan Algoritma FP-Growth,” Din. Inform., vol. 10, no. 1, hal. 1–7, 2018.
I. F. Rozi, H. Pradibta, S. Windy, dan K. Putri, “Penerapan Market Basket Analysis Pada Data Penjualan Menggunakan Algoritma Pincer Search,” in Seminar Informatika Aplikatif Polinema, 2020, hal. 30–34.
A. F. R. AuzanWidyan, “Analisis Rekomendasi Produk Menggunakan Algoritma Eclat Berdasarkan Riwayat Data Penjualan PT XYZ,” J. Teknol. Dan Sist. Inf. Bisnis, vol. 3, no. 2, hal. 395–411, 2021.
M. D. Lisnawita, “Analisis Perbandingan Algoritma Apriori Dan Algoritma Eclat Dalam Menentukan Pola Peminjaman Buku Di Perpustakaan Universitas Lancang Kuning,” J. Inovtek Polbeng - Seri Inform., vol. 3, no. 2, hal. 118–130, 2018.
S. S. Fironika Mayuni, “Perbandingan Algoritma Apriori dan Algoritma Eclat Dalam Penentuan Pola Peminjaman Buku Pada Perpustakaan Universitas Bina Darma Palembang,” in Bina Darma Conference on Computer Science, 2018, hal. 87–100.
S. N. Krisna Nata Wijaya, Reza Firsandaya Malik, “Analisa Pola Frekuensi Keranjang Belanja Dengan Perbandingan Algoritma Fp-Growth ( Frequent Pattern Growth ) Dan Eclat Pada Minimarket,” J. Tek. Inform. dan Sist. Inf., vol. 7, no. 2, hal. 364–373, 2020.
A. K. Siregar et al., “Perbandingan Algoritme FP-Growth dan Eclat untuk Analisis Pola Pembelian Konsumen pada Toko ‘ X ,’” in Conference on Information Technology, Information System and Electrical Engineering, 2018, hal. 125–128.
H. Maulidiya dan A. Jananto, “Asosiasi Data Mining Menggunakan Algoritma Apriori dan FP-Growth Sebagai Dasar Pertimbangan Penentuan Paket Sumbako,” in Seminar Nasional Multi Disiplin Ilmu, 2020, hal. 978–979.
A. Anggrawan dan C. Satria, “Menentukan Akurasi Tata Letak Barang dengan Menggunakan Algoritma Apriori dan Algoritma FP-Growth,” J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 21, no. 1, hal. 125–138, 2021.
R. N. Kahar, “Perbandingan Analisa Marker Basket Terhadap Data Penjualan Minimarket Dengan Algoritma Apriori , FP-Growth , Dan Fuzzy C-Covering,” in Prosiding Seminar Nasional Informatika, 2021, vol. 3, hal. 250–268.
Y. Fakir, C. Esaili, M. Fakir, dan R. Elayachi, “Extraction of Itemsets Frequents,” Int. J. Math. Res., vol. 12, no. 1, hal. 23–32, 2020.
A. Sharma dan A. Ganpati, “Association Rule Mining Algorithms : A Comparative Review,” Int. Res. J. Eng. Technol., vol. 08, no. 11, hal. 848–853, 2022.
Downloads
Published
Issue
Section
License
Copyright (c) 2022 Putu Ratih Wulandari, I Made Agus Dwi Suarjaya, Ni Kadek Dwi Rusjayanthi
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
License Terms
All articles published in Techno.COM Journal are licensed under the Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0). This means:
1. Attribution
Readers and users are free to:
-
Share – Copy and redistribute the material in any medium or format.
-
Adapt – Remix, transform, and build upon the material.
As long as proper credit is given to the original work by citing the author(s) and the journal.
2. Non-Commercial Use
-
The material cannot be used for commercial purposes.
-
Commercial use includes selling the content, using it in commercial advertising, or integrating it into products/services for profit.
3. Rights of Authors
-
Authors retain copyright and grant Techno.COM Journal the right to publish the article.
-
Authors can distribute their work (e.g., in institutional repositories or personal websites) with proper acknowledgment of the journal.
4. No Additional Restrictions
-
The journal cannot apply legal terms or technological measures that restrict others from using the material in ways allowed by the license.
5. Disclaimer
-
The journal is not responsible for how the published content is used by third parties.
-
The opinions expressed in the articles are solely those of the authors.
For more details, visit the Creative Commons License Page:
? https://creativecommons.org/licenses/by-nc/4.0/
