Dokumen tersebut membahas tentang algoritma Eclat dalam menemukan pola asosiasi pada basis data. Algoritma Eclat digunakan untuk mengatasi kelemahan algoritma Apriori yang membutuhkan waktu yang lama karena scanning database berulang kali. Algoritma Eclat bekerja dengan mengkompresi data kedalam struktur pohon FP-Tree untuk menghindari pengulangan scanning database. Frequent itemset diekstrak langsung dari FP-Tree menggunakan prinsip divide

1. SISTEM BASIS DATA
ALGORITMA ECLAT
KELOMPOK 3
SERTI LONDONGALLO (H12110002)
KRISTI W. SAIYA (H12110255)
BRYAN NAWANJAYA ARTIKA (H12110275)
ABADI GUNAWAN AZIS (H12110287)
UNIVERSITAS HASANUDDIN
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
JURUSAN MATEMATIKA
2013

3. LatarBelakang
• AlgoritmaAssociation Rule denganApriorikurangbaikbila
terdapatbanyakpolakombinasi data yang seringmuncul (banyak
frequent pattern), banyakjenis item tetapipemenuhan minimum
supportrendah.
• AlgoritmaAssociation Rule denganApriorimembutuhkanwaktu
yangcukup lama karena scanning database dapatdilakukan
berulang-ulanguntukmendapatkanfrequent pattern yang ideal.
• FP-Tree (Frequent Pattern – Tree) merupakansuatualgoritma
yangdirancanguntukmengatasikendalabottleneck pada proses
penggalian data denganalgoritmaApriori (Zhao et al. 2003).
Ide gagasan FP-Tree
• Pemampatan data dengan model struktur data pohonuntuk
menghindaripengulangan scanning database.
• Tanpamemerlukancandidate generation
• Dilanjutkandengan proses algoritma FP-growth yang dapat
langsungmengekstrakfrequent Itemsetdari FP tree yang telah
AlgoritmaEclatdalam FP Tree

4. terbentukdenganmenggunakanprinsipdivide and conquer.
Definisi Frequent Pattern – Tree (FP – Tree)
• Terdiriatassebuahroot dengan label ‘null’, sekumpulansubtree
yangmenjadichild dariroot dansebuahtabelfrequent header.
• Setiap node dalam FP-Tree mengandungtigainformasipenting.
yaitu label item, menginformasikanjenis item yang
direpresentasikan node tersebut, support count, merepresentasikan
jumlahlintasantransaksi yang melalui node tesebut, dan pointer
penghubung yang menghubungkan node-node dengan label item
samaantar-lintasan, ditandaidengangarispanahputus-putus.
• Isi darisetiapbarisdalamtabelfrequent header terdiriatas label
itemdan head of nodelink yang menunjukke node pertamadalam
FP-Tree yang menyimpan label item tersebut.
Proses untukmendapatkanFrequent Itemset
dilakukandalam 2 tahap
• PembentukanFrequent Pattern – Tree (FP-Tree)
• Ekstrak Frequent ItemsethasildariFP-Tree dengan
menggunakanalgoritmaFP-Growth
AlgoritmaFP Growth
dibagidalam 3 tugasutama
1. TahapPembangkitanConditional Pattern Base
Conditional Pattern Base merupakansubdatabase yang berisiprefix
path (lintasan prefix) dansuffix pattern (polaakhiran).

5. Pembangkitanconditionalpattern base didapatkanmelalui FP-tree
yang telahdibangunsebelumnya.
2. TahapPembangkitanConditional FP-tree
Padatahapini, support count darisetiap item padasetiapconditional
pattern base dijumlahkan, lalusetiap item yang memilikijumlah
support count lebihbesarsamadengan minimum support count
akandibangkitkandenganconditional FP-tree.
3. TahapPencarianfrequent itemset
Apabila Conditional FP-tree merupakanlintasantunggal (single path),
makadidapatkanfrequent itemsetdenganmelakukankombinasi item
untuksetiapconditional FP-tree. Jikabukanlintasantunggal,
makadilakukanpembangkitanFP-growth secararekursif.

7. CONTOH
MENENTUKAN 1 ITEMSET YANG SERING DIKUNJUNGI
TID Items
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 {B,C}
8 {A,B,C}
9 {A,B,D}
10 {B,C,E}

9. FP-Tree Bersyaratpada E

15. FP-Tree bersyaratpada F

17. 0
10
20
30
40
50
60
70
80
90
100
0 0.5 1 1.5 2 2.5 3
Support threshold(%)
Runtime(sec.)
D1 FP-grow th runtime
D1 Apriori runtime

18. DAFTAR PUSTAKA
Christian Borgelt
Department of Knowledge Processing and Language Engineering
School of Computer Science, Otto-von-Guericke-University of Magdeburg
Universit¨atsplatz 2, 39106 Magdeburg, Germany
Erwin*, Analisis Market Basket DenganAlgoritma
Aprioridan FP-Growth
JurusanTeknikInformatika, FakultasIlmuKomputer, UniversitasSriwijaya
http:www.wikibooks.comThe Eclat Algorithm