untuk pemahaman tentang algoritma FP-Growt

1. Eferoni Ndruru.Kom
BAB I PENDAHULUAN
1.1 Algoritma FP-Growth Algoritma FP-Growth merupakan pengembangan dari algoritma Apriori.
Sehingga kekurangan yang dimiliki oleh algoritma Apriori diperbaiki oleh algoritma FP-Growth. Frequent
Pattern Growth (FP-Growth) adalah salah satu alternatif algoritma yang dapat digunakan untuk menentukan

2. himpunan data yang paling sering muncul (frequent itemset) dalam sebuah kumpulan data. Pada algoritma
Apriori diperlukan generate candidate untuk mendapatkan frequent itemset, tetapi algoritma FP-Growth
generate candidate tidak dilakukan kerena FP-Growth menggunakan konsep pembangunan tree dalam
pencarian frequent itemset. Hal inilah yang menyebabkan algoritma FP-Growth lebih cepat jika dibandingkan
dengan algoritma Apriori. Algoritma Apriori harus melakukan pattern matching berulang-ulang sedangkan
dalam algoritma FP-Growth terdapat banyak kelebihan yang terbukti efisien karena hanya melakukan
pemetaan data atau scan database sebanyak 2 kali untuk membangun struktur tree. Dengan menggunakan
struktur tree algoritma FP-Growth dapat langsung mengekstrak frequent itemset dari susunan FP-Tree yang
telah terbentuk.
Penggalian frequent itemset menggunakan algoritma FP-Growth akan dilakukan dengan cara
membangkitkan struktur data tree atau disebut dengan FPTree . Algoritma FP-Growth dapat dibagi menjadi
tiga tahapan utama yaitu :
1. Tahapan pembangkitan conditional pattern base 2. Tahapan pembangkitan
conditional FP-Tree 3. Tahapan pencarian frequent itemset
1.2 Perbandingan Algoritma FP-Growth dan Algoritma Apriori 1. Algoritma FP-Growth lebih cepat karena
hanya melakukan scan database
dua kali sedangkan algoritma Apriori melakukan scan database berulangulang
2. Algoritma FP-Growth menggunakan kode barang pada prosesnya sedangkan algoritma Apriori
menggunakan nama barang.
3. Algroritma FP-Growth memliliki akurasi rules yang lumayan sedangkan algoritma Apriori memiliki
akurasi rules yang lebih tinggi.

3. 1
Eferoni Ndruru , S.Kom
BAB II
PEMBAHASAN
2.1 Data Misalnya data yang digunakan adalah data transaksi penjualan sebuah
supermarket dalam satu periode waktu, datanya sebagai berikut : Tabel 2.1 Data Transaks
iKode BarangNo. TransaksiNama Barang
1401 20015838 20009722POCARI SWEAT,MINUMAN
ISOTONIK 350mL BTL
POCARI SWEAT,MINUMAN
ISOTONIK 500mL BTL
10006861 UBM,BISCUIT ARROW BRANDSQUAREPUFF 400g PCK1402 20045099 DIPLOMAT,ROKOK PREMIUM
MILD FILTER 16'S BK
S10006861UBM,BISCUIT ARROW BRAND
SQUAREPUFF 400g PCK
CHOCOLATE 20g PCK10023789 SEDAAP MIE,MIE INSTANT GORENG 90g
PC
K10006861 14701 20009722UBM,BISCUIT ARROW BRAND
SQUAREPUFF 400g PCK
POCARI SWEAT,MINUMAN ISOTONIK
500mL BTL
10023789 SEDAAP MIE,MIE INSTANT GORENG 90g
PC
K10006861UBM,BISCUIT ARROW BRAND
SQUAREPUFF 400g PCK
14702 20037766 HANSAPLAST,PLESTER PLASTIK
(10'S) MICKE
Y10000316
20015838
14703 10006861
20009722BENG-BENG,WAFER
CHOCOLATE 20g PCK
POCARI SWEAT,MINUMAN
ISOTONIK 350mL BTL
UBM,BISCUIT ARROW BRAND
SQUAREPUFF 400g PCK
POCARI SWEAT,MINUMAN
ISOTONIK 500mL BTL
1501 20037766 HANSAPLAST,PLESTER PLASTIK
(10'S) MICKE
Y20009722
1502 10006861
20009722POCARI SWEAT,MINUMAN
ISOTONIK 500mL BTL
UBM,BISCUIT ARROW
BRAND SQUAREPUFF
400g PCK
POCARI
SWEAT,MINUMAN
ISOTONIK 500mL
BTL
1503 10000316 BENG-BENG,WAFER CHOCOLATE 20gPCK3001 20037766HANSAPLAST,PLESTER PLASTIK (10'S)MICKEY
2.2 Langkah-
Langkah
membangun
FP-Tree 1.
Generate

4. Frequent
Itemset
Tabel
2.2
Gener
ate
Frequ
ent
Itemse
t Item
Freku
ensi
Kemu
nculan
10006861 6 20045099 1 10000316 3 20015838
2 20009722 5 10023789 2 20037766
32

5. Eferoni Ndruru , S.Kom
Misalnya telah ditentukan minimum supportnya 20% atau minimal 2 transaksi maka kode barang
22045009 harus dieliminasi. Selanjutnya data yang memiliki minimum support di urutkan
berdasarkan frekuensinya. Hasilnya akan terlihat seperti tabel di bawah ini :
Tabel 2.2 FP-List Item Frekuensi
Kemunculan
10006861 6 20009722 5 20037766 3
10000316 3 20015838 2 10023789 2
2. Tambahkan Transaksi ID (TID) pada dataset yang telah diseleksi dengan minimum support.
Fungsi dari TID adalah untuk memberikan nomor urut pada transaksi setelah membuat FP-List.
Urutkan item pada setiap transaksi berdasarkan frekuensi paling tinggi ke frekuensi yang paling
rendah. Kemudian mulailah membuat tree secara urut berdasarkan TID nya.
Tabel 2.3 TID TID No. Transaksi Kode Barang
Frekuensi
1 1401 10006861 6 20009722 5 20015838 2
2 1402 10006861 6 3 1403 10006861 6
10000316 3 10023789 2
4 14701 10006861 6 20009722 5 10023789 2
5 14702 20037766 3 10000316 3 20015838 2
6 14703 10006861 6 20009722 5
7 1501 20009722 5 20037766 3
8 1502 10006861 6 20009722 5
9 1503 10000316 3 10 3001 20037766 3

6. 3
Eferoni Ndruru , S.Kom
3. Membentuk Frequent Pattern Tree (FP-Tree). FP-Tree merupakan struktur penyimpanan data
yang dimampatkan. FP-Tree dibangun dengan memetakan setiap data transaksi ke setiap lintasan
tertentu dalam FP-Tree. Karena dalam setiap transaksi yang dipetakan, mungkin ada transaksi yang
memiliki item yang sama, maka lintasannya memungkinkan untuk saling menimpa. Semakin
banyak data transaksi yang memiliki item yang sama, maka proses pemampatan dengan struktur
FP-Tree semakin efektif. Kelebihan dari FP-Tree adalah hanya memerlukan dua kali pemindaian
data transaksi yang terbukti sangat efisien. FP-Tree dibentuk oleh sebuah akar yang diberi label
null, sekumpulan pohon yang beranggotakan item-item tertentu dari sebuah tabel frequent header.
Setiap simpul dalam FP-Tree mengandung tiga informasi penting yaitu label item yang
menginformasikan jenis item yang direpresentasikan item tersebut. Support count,
merepresentasikan jumlah lintasan transaksi yang melalui simpul tersebut. Dan pointer penghubung
yang menghubungkan simpul-simpul dengan label item yang sama antar lintasan ditandai dengan
garis panah putus-putus. Langkah-langkah membangun FPTree adalah sebagai berikut : a.
Pembacaan TID 1
Pada TID 1 terdapat nilai {10006861, 20009722, 20015838} yang kemudian membentuk
lintasan null → 10006861 → 20009722 → 20015838 dengan support count awal bernilai 1.
Untuk lebih lengkapnya dapat dilihat pada gambar dibawah ini :
Null
10006861:1
20009722:1
20015838:1
Gambar 2.1 FPTree TID 1

7. 4
Eferoni Ndruru , S.Kom
b. Pembacaan TID 2 Setelah pembacaan TID 1, maka selanjutnya membaca TID 2 yaitu
{10006861} sehingga nilai dari 10006861 akan bertambah satu sehingga menjadi 2, tetapi nilai
yang lainnya tetap karena tidak ada transaksi dengan kode barang yang sama dengan pembacaan
TID pertama.
Null
10006861:2
20009722:1
20015838:1
Gambar 2.2 FPTree TID 2 c. Pembacaan TID
3
Setelah pembacaan TID 2, maka selanjutnya membaca TID 3 yaitu {10006861, 10000316,
10023789} sehingga nilai 10006861 akan bertambah satu, sehingga menjadi 3 dan akan
membentuk cabang baru untuk kode transaksi 10000316 dan 10023789 nilai awalnya adalah 1,
seperti gambar di bawah ini.
Null
10006861:
320009722:1
20015838:110000316:1
10023789:
15Gambar 2.3 FPTree TID 3

8. Eferoni Ndruru , S.Kom
d. Pembacaan TID 4 Setelah pembacaan TID 3, maka selanjutnya membaca TID 4 yaitu
{10006861, 20009722, 10023789}. Nilai 10006861 akan bertambah 1 lagi sehingga menjadi 4,
dan nilai 20009722 akan bertambah 1 menjadi 2, dan akan membentuk akar baru atau cabang
baru untuk kode barang 10023789 dan nilai awalnya adalah 1. Untuk lebih jelasnya dapat dilihat
pada gambar
Null
10006861:
4Setelah pembacaan TID 4, maka selanjutnya membaca TID 5 yaitu {20037766, 10000316,
20015838}. Disini harus membuat lintasan baru lagi dengan nilai awal 1, karena kode barang
20037766 belum pernah terlewati sama sekali. Lebih jelasnya dapat di lihat pada gambar
Null 10006861:420037766:
120009722:210000316:120000316:1
Gambar 2.5 FPTree TID 5
620015838:110023789:1100 23789:120015838:1
20009722:210000316:1
20015838:1 Gambar 2.4 FPTree TID 4 e. Pembacaan TID
510023789:1 10023789:

9. 1
Eferoni Ndruru , S.Kom
f. Pembacaan TID 6 Setelah pembacaan TID 5, maka selanjutnya membaca TID 6 yaitu
{10006861, 20009722}, nomer transaksi ini pernah di lewati dan sudah mempunyai nilai
sehingga tinggal di tambahkan saja, nilainya menjadi 10006861 : 5 dan 20009722: 3. Lebih
jelasnya langsung lihat gamba
rNull 10006861:520037766:
120009722:310000316:120000316:1
20015838:110023789:1 10023789:1Gambar 2.6 FPTree TID 6 g. Pembacaan TID 720015838:
17Setelah pembacaan TID 6, maka selanjutnya
membaca TID 7 yaitu {20009722 , 20037766}.
Kode barang 20009722, 20037766 sama sekali
belum terlewati, maka harus membuat cabang
baru dengan nilai awal 1. Lebih jelasnya
langsung lihat pada gambar
20015838:
110000316:1
10023789:1 10023789:1
Gambar 2.7 FPTree TID 720000316:
120009722:1 20037766:1
10006861:5
20009722:3
20015838:1Null
20037766:

10. 1
Eferoni Ndruru , S.Kom
h. Pembacaan TID 8 Setelah pembacaan TID 7, maka selanjutnya membaca TID 8 yaitu
{10006861, 20009722}. Kode barang 10006861 telah terlewati sebanyak 5x, dan kode barang
20009722 telah terlewati sebanyak 3x, maka langkah selanjutnya tinggal menambahkan saja
nilainya, sehingga menjadi 10006861 : 6 dan 20009722 : 4. Lebih jelasnya dapat langsung di lihat
pada gamba
r20009722:1 20037766:1Null
100
068
61:6
20009722:4
20015838:110000316:1
0023789:110023789:1
Gamba
r 2.8 FPTree TID 8 i.
Pembacaan TID 920037766:1
20000316:1
20015838:
110006861:6
20009722:4 20015838:110000316:1
10023789:110023789:1
Gambar 2.9 FPTree TID920037766:1
20000316:1
20015838:
120009722:1 20037766:18Null1000316:1

11. Eferoni Ndruru , S.Kom
j. Pembacaan TID 10 Setelah pembacaan TID 9, maka selanjutnya membaca TID 10 yaitu
{20037766}. Sebelumnya kode barang ini telah di lewati sebanyak 1x, maka langkah selanjutnya
tinggal menambahkan saja nilai nya, sehingga menjadi 2. Selengkapnya dapat di lihat pada
gamba
rGambar 2.10 FPTree TID 10 Pembacaan TID 10 merupakan proses pembacaan tree yang
terakhir dan
didapatkan hasil akhir FP-Tree. 2.3
Menentukan Frequent Itemset
Algoritma FP-Growth menemukan frequent itemset yang berakhiran suffix tertentu dengan
menggunakan metode divide and conquer untuk memecah problem menjadi subproblem yang lebih
kecil. Untuk lebih jelas dapat dilihat contoh menemukan frequent itemset yang berakhiran
10023789 sebagai berikut. Setelah mengetahui bahwa item 10023789 adalah item yang frequent,
maka subproblem selanjutnya adalah menemukan frequent itemset dengan akhiran
{10006861,10023789},{20009722,10023789},{20037766,10023789},{10000316 ,10023789},
{20015838,10023789} dengan cara membangun FP-Tree yang menyertakan lintasan 10023789
yang disebut dengan Conditional Tree. Conditional Tree dimaksudkan untuk mencari frequent
itemset yang berakhiran item tertentu. Untuk lebih jelasnya dapat dilihat pada gambar Conditional
Tree berikut ini :
920037766:110006861:6Null1000316: 1 20009722:1 20037766:
220009722:410000316:120000316:1
20015838:110023789:1 10023789:120015838:1

12. Eferoni Ndruru , S.Kom
Null
10006861:6
20009722:4 10000316:1
10023789:1 10023789:1
Gambar 2.11 Conditional Tree Setelah Conditional Tree terbentuk maka
langkah selanjutnya adalah mencari
frequent itemset yang berakhiran 10023789 dengan cara menggabungkannya dengan item yang lain
yang masih dalam satu lintasan baik digabung menjadi 2 itemset maupun menjadi tiga itemset.
Sehingga didapatkan hasil frequent itemset untuk item 10023789 adalah {10023789}, {20009722,
10023789}, {10006861, 20009722,10023789}, {10000316,10023789}, {20037766, 10000316,
10023789} Seperti itulah langkah yang harus dilakukan untuk menemukan frequent itemset dari
item-item yang lainnya. Setelah didapatkan semua frequent itemset dari setiap item maka dapat
dilihat dalam tabel dibawah ini :
Tabel 2.4 Frequent Itemset Item Frequent
Itemset
10006861 {10006861} 20009722 {20009722},{10006861, 20009722} 20037766 {20037766},
{20009722, 20037766} 10000316 {10000316},{20037766, 10000316},{10006861, 10000316
}10023789 {10023789},{20009722,10023789},{10006861,20009722,10023789 },
{10000316,10023789},{10006861,10000316,10023789}
Dengan metode divide and conquer ini, maka pada setiap langkah rekursif, algoritma FP-Growth
akan membangun sebuah Conditional Tree yang baru dan membuang item-item yang tidak frequent
lagi.
1
020015838{20015838},{20009722, 20015838},
{10006861,20009722,20015838},
{10000316,20015838} ,
{20037766,10000316,20015838}

13. Eferoni Ndruru , S.Kom
BAB III HASIL
PEMBAHASAN
3.1 Implementasi Algoritma FP-Growth Manggunakan Software Weka 3.7.4 Data transaksi
penjualan ini diolah dengan software weka 3.7.4, untuk bisa
menggunakan software ini, data yang digunakan sebagai masukkan harus dalam format *.arff
ataupun *.csv. untuk mengganti format data dapat digunakan pengolah data microsoft excel untuk
mengganti menjadi format *.csv dan dengan menggunakan software weka 3.7.4 itu sendiri untuk
mengganti menjadi format *arff.
Gambar 3.1 Tamilan utama weka 3.7.4 Sebelum melakukan proses mining
terlebih dahulu dilakukan tahapan
preprocessing yaitu merubah format data agar dapat digunakan dalam software. Berikut tampilan
langkah-langkah yang diperoleh.
1

14. 1
Eferoni Ndruru , S.Kom
Gambar 3.2 Preprocessing
Gambar 3.3 Hasil Algoritma FP-Growth Dari hasil yang didapatkan
menggunakan software WEKA 3.7.4 dihasilkan 10 rules dan ditampilkan 10 rules yang paling kuat.
Berikut rules yang ditemukan : 1. [10023789=true]: 2 ==> [10006861=true]: 2 <conf:(1)> lift:
(1.67) lev:(0.08)
conv:(0.8) 2. [20045099=true]: 1 ==> [10006861=true]: 1 <conf:(1)> lift:(1.67) lev:(0.04)
conv:(0.4) 3. [10006861=true, 20015838=true]: 1 ==> [20009722=true]: 1 <conf:(1)>
lift:(2) lev:(0.05) conv:(0.5) 4. [20009722=true, 20015838=true]: 1 ==> [10006861=true]: 1
<conf:(1)>
lift:(1.67) lev:(0.04) conv:(0.4) 5. [20009722=true, 10023789=true]: 1 ==> [10006861=true]: 1
<conf:(1)>
lift:(1.67) lev:(0.04) conv:(0.4) 6. [10006861=true, 10000316=true]: 1 ==> [10023789=true]: 1
<conf:(1)>
lift:(5) lev:(0.08) conv:(0.8) 7. [10000316=true, 10023789=true]: 1 ==> [10006861=true]: 1
<conf:(1)>
lift:(1.67) lev:(0.04) conv:(0.4) 8. [20037766=true, 10000316=true]: 1 ==> [20015838=true]: 1
<conf:(1)>
lift:(5) lev:(0.08) conv:(0.8)
1

15. 2
Eferoni Ndruru , S.Kom
9. [20037766=true, 20015838=true]: 1 ==> [10000316=true]: 1 <conf:(1)> lift:(3.33) lev:(0.07)
conv:(0.7)
10. [10000316=true, 20015838=true]: 1 ==> [20037766=true]: 1 <conf:(1)> lift:(3.33) lev:(0.07)
conv:(0.7)
3.2 Kesimpulan Berdasarkan penelitian yang telah dilakukan, maka dapat ditarik beberapa
kesimpulan sebagai berikut : 1. FPTree yang terbentuk dapat memampatkan data transaksi yang
memiliki
itemset yang sama, sehingga penggunaan memory 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.
3. FP-Growth merupakan salah satu algoritma yang menjadi dasar perkembangan beberapa
algoritma baru yang lebih efektif, karena kelebihannya yaitu tidak melakukan pemindaian data
transaksi secara berulang-ulang.
1

16. 3