Algoritma FP-Growth digunakan untuk menentukan frequent itemset dengan membentuk struktur data FP-Tree yang dapat memampatkan transaksi berulang dan mengurangi pemindaian database secara berulang, sehingga proses pencarian pola sering lebih cepat dibandingkan algoritma Apriori.

2.  Frequent Pattern – Growth
Algoritma dalam menentukan frequent item
set dalam sekumpulan data dengan
membangkitkan struktur prefix-tree atau
sering disebut FP-Tree.

3.  FP-Growth menyimpan informasi mengenai
frequent itemset dalam bentuk struktur
prefix-tree. (FP-Tree)
 Pada FP-Tree yang terbentuk dapat
memampatkan data transaksi yang memiliki
item yang sama, sehingga dapat
mengurangi scan database secara berulang
dalam proses mining dan dapat berlangsung
cepat

4.  Algoritma Association Rule dengan Apriori
kurang baik bila terdapat banyak pola
kombinasi data yang sering muncul, banyak
jenis item namun pemenuhan minimum
support rendah
 Algoritma Association Rule dengan Apriori
membutuhkan waktu yang cukup lama
karena scanning database dapat dilakukan
berulang – ulang.

5.  Menentukan Minimum Support

6. TID ITEM
1 {a,b}
2 {b,c,d,g,h}
3 {a,c,d,e,f}
4 {a,d,e}
5 {a,b,z,c}
6 {a,b,c,d}
7 {a,r}
8 {a,b,c}
9 {a,b,d}
10 {b,c,e}
Minimum Support >= 20 %
Minimum Confidence >= 75 %

7. ITE
M
FREKUENSI
A 8
B 7
C 6
D 5
E 3
F 1
G 1
H 1
R 1
z 1
Pengurutan berdasarkan nilai frekuensi
kemunculan item yang terbesar

8. ITE
M
FREKUENSI
A 8
B 7
C 6
D 5
E 3

9. TID ITEM
1 {a,b}
2 {b,c,d,g,h}
3 {a,c,d,e,f}
4 {a,d,e}
5 {a,b,z,c}
6 {a,b,c,d}
7 {a,r}
8 {a,b,c}
9 {a,b,d}
10 {b,c,e}
TID ITEM
1 {a,b}
2 {b,c,d}
3 {a,c,d,e}
4 {a,d,e}
5 {a,b,c}
6 {a,b,c,d}
7 {a}
8 {a,b,c}
9 {a,b,d}
10 {b,c,e}

10.  Menentukan Minimum Support
 Membentuk FP - Tree

11. b
a
Null
a:1
b:1

12. b
a
Null
a:1
b:1
b
c
d
b:1
c:1
d:1

13. b
a
Null
a:2
b:1
b
c
d
b:1
c:1
d:1
c
d
e
c:1
d:1
e:1

14. b
a
Null
a:3
b:1
b
c
d
b:1
c:1
d:1
c
d
e
c:1
d:1
e:1
d
e
d:1
e:1

15. b
a
Null
a:4
b:2
b
c
d
b:1
c:1
d:1
c
d
e
c:1
d:1
e:1
d
e
d:1
e:1
cc:1

16. b
a
Null
a:5
b:3
b
c
d
b:1
c:1
d:1
c
d
e
c:1
d:1
e:1
d
e
d:1
e:1
cc:2
dd:1

17. b
a
Null
a:6
b:3
b
c
d
b:1
c:1
d:1
c
d
e
c:1
d:1
e:1
d
e
d:1
e:1
cc:2
dd:1

18. b
a
Null
a:7
b:4
b
c
d
b:1
c:1
d:1
c
d
e
c:1
d:1
e:1
d
e
d:1
e:1
cc:3
dd:1

19. b
a
Null
a:8
b:5
b
c
d
b:1
c:1
d:1
c
d
e
c:1
d:1
e:1
d
e
d:1
e:1
cc:3
dd:1
dd:1

20. b
a
Null
a:8
b:5
b
c
d
b:2
c:2
d:1
c
d
e
c:1
d:1
e:1
d
e
d:1
e:1
cc:3
dd:1
dd:1
ee:1

21.  Menentukan Minimum Support
 Membentuk FP – Tree
 Pembentukan conditional pattern base

22.  Untuk menentukan frequent itemset, perlu
ditentukan cabang pohon dengan lintasan
yang berakhiran dengan support count
terkecil
ITE
M
FREKUENSI
A 8
B 7
C 6
D 5
E 3

23. a
Null
a:2
b
c
b:2
c:2
c
d
e
c:1
d:1
e:1
d
e
d:1
e:1
ee:1
 Buat Tree yang mengandung lintasan “e”

24. d:1
a:2
b:1
c:1
c:1
a
Null
b
c
c
dd:1
d
 Ubah ke bentuk conditional pattern dengan
cara menghilangkan simpul “e”

25.  Cek lintasan frequent item yang berakhiran
“de”, “ce”, “be” dan “ae”
 Lintasan “be” hanya 1 transaksi, maka simpul b
dibuang
 Bentuk conditional fp-tree yang baru
d:1
a:2
c:1
c:1
a
Null
c
c
dd:1
d

26.  Cek Lintasan “de” ,{d,e} adalah frequent
item, maka prefix {a,d,e} juga merupakan
frequent item
 Cek Lintasan “ce” dan “ae”, {c,e} dan {a,e}
adalah frequent item
 Untuk node “e”, yang frequent item
adalah {d,e},{a,d,e},{c,e},{a,e}

27.  Lanjutkan untuk membuat Tree yang
mengandung lintasan “a”, “b”, “c”, “d”,

28.  Penentuan Minimum Support
 Pembentukan FP – Tree
 Pembentukan conditional pattern base
 Support dan confidence

29. No Frequent Item Kombinasi Support A -> B Support A Confidence
1 {a,d,e} ad -> e 2/10
20
%
4/10 50%
e -> ad 2/10 3/10 67%
a -> de 2/10 8/10 25%
de -> e 2/10 2/10 100%
ae -> d 2/10 2/10 100%
d -> ae 2/10 5/10 40%
Dan dilanjutkan untuk 13 frequent item lainnya

30. Jika Membeli Maka Akan Membeli Confidence
D dan E A 100 %
A dan E D 100 %
D A 80 %
C B 83,3 %
A dan C B 75%

31. 1. FP-tree yang terbentuk dapat memampatkan
data transaksi yang memilki item yang sama,
sehingga penggunaan memori komputer
lebih sedikit, dan proses pencarian frequent
itemset menjadi lebih cepat.
2. Dengan menggunakan Algoritma FP
Growth, maka pemindaian kumpulan data
transaksi hanya dilakukan dua kali, jauh
lebih efisien dibandingkan algoritma dengan
paradigma apriori.