Analisis asosiasi digunakan untuk menemukan hubungan antara item-item dalam basis data transaksi besar. Metode ini menghasilkan aturan asosiasi berdasarkan frekuensi kemunculan itemset. Algoritma Apriori dan FP-Growth digunakan untuk menghasilkan itemset frekuen dan aturan asosiasi dengan menerapkan prinsip anti-monotonik untuk mengurangi kompleksitas.
1. Dokumen tersebut membahas algoritma apriori untuk menemukan aturan asosiasi dalam data transaksi. Algoritma ini terdiri dari dua tahap yaitu pembentukan itemset yang sering muncul dan pembuatan aturan berdasarkan itemset tersebut.
2. Prinsip apriori menyatakan bahwa jika suatu itemset sering muncul, subsetnya juga akan sering muncul. Ini digunakan untuk mengurangi kandidat itemset.
3. Al
Dokumen ini membahas algoritme Apriori untuk menemukan aturan asosiasi dalam data mining. Algoritme ini bekerja dengan menghasilkan itemset yang sering muncul, melakukan join untuk menciptakan kandidat baru, dan menghasilkan aturan dengan menghitung dukungan dan keyakinan. Beberapa masalah yang dijelaskan termasuk keterbatasan skalabilitas dan representasi data transaksi.
ANALISIS KERANJANG BELANJA DENGAN ALGORITMA APRIORI PADA PERUSAHAAN RETAILDwi Putra Asana
Sering terjadinya kekosongan salah satu stok barang yang sering dibeli secara bersamaan oleh pelanggan merupakan akibat dari tidak adanya informasi mengenai kebiasaan belanja pelanggan. Sehingga perlu dilakukan penggalian informasi pada data transaksi dengan teknik association rule mining (aturan asosiasi) untuk mengetahui barang yang sering dibeli secara bersamaan oleh pelanggan. association rule mining juga sering dinamakan market basket analysis (analisis keranjang belanja). Algoritma yang digunakan dalam association rule mining pada penelitian ini adalah algoritma apriori. Kombinasi barang dicari berdasarkan nilai minimum support, nilai minimum confidence, dan rentang data transaksi penjualan yang dimasukan. Salah satu informasi yang dihasilkan adalah Jika membeli Cakra Kembar 25 Kg maka akan membeli Segitiga Biru 25 Kg dengan nilai support 11,76 % dan nilai confidence 43,24 %. Berdasarkan beberapa hasil uji coba dapat diketahui bahwa nilai minimum support yang dimasukan mempengaruhi banyak frequent itemset yang dihasilkan. Nilai minimum support dan minimum confidence yang dimasukan mempengaruhi waktu proses sistem dalam penggalian informasi.
Dokumen tersebut membahas konsep dan cara kerja Algoritma Apriori untuk menemukan pola asosiasi antar item dalam dataset transaksi menggunakan parameter support dan confidence. Algoritma ini melakukan iterasi untuk menemukan itemset frekuen yang memenuhi batas minimum support, kemudian menghasilkan aturan asosiasi antar item dalam itemset tersebut beserta tingkat keyakinnya (confidence). Contoh penerapannya pada dataset transaksi membeli sayuran dijelaskan secara ter
1. Dokumen tersebut membahas algoritma apriori untuk menemukan aturan asosiasi dalam data transaksi. Algoritma ini terdiri dari dua tahap yaitu pembentukan itemset yang sering muncul dan pembuatan aturan berdasarkan itemset tersebut.
2. Prinsip apriori menyatakan bahwa jika suatu itemset sering muncul, subsetnya juga akan sering muncul. Ini digunakan untuk mengurangi kandidat itemset.
3. Al
Dokumen ini membahas algoritme Apriori untuk menemukan aturan asosiasi dalam data mining. Algoritme ini bekerja dengan menghasilkan itemset yang sering muncul, melakukan join untuk menciptakan kandidat baru, dan menghasilkan aturan dengan menghitung dukungan dan keyakinan. Beberapa masalah yang dijelaskan termasuk keterbatasan skalabilitas dan representasi data transaksi.
ANALISIS KERANJANG BELANJA DENGAN ALGORITMA APRIORI PADA PERUSAHAAN RETAILDwi Putra Asana
Sering terjadinya kekosongan salah satu stok barang yang sering dibeli secara bersamaan oleh pelanggan merupakan akibat dari tidak adanya informasi mengenai kebiasaan belanja pelanggan. Sehingga perlu dilakukan penggalian informasi pada data transaksi dengan teknik association rule mining (aturan asosiasi) untuk mengetahui barang yang sering dibeli secara bersamaan oleh pelanggan. association rule mining juga sering dinamakan market basket analysis (analisis keranjang belanja). Algoritma yang digunakan dalam association rule mining pada penelitian ini adalah algoritma apriori. Kombinasi barang dicari berdasarkan nilai minimum support, nilai minimum confidence, dan rentang data transaksi penjualan yang dimasukan. Salah satu informasi yang dihasilkan adalah Jika membeli Cakra Kembar 25 Kg maka akan membeli Segitiga Biru 25 Kg dengan nilai support 11,76 % dan nilai confidence 43,24 %. Berdasarkan beberapa hasil uji coba dapat diketahui bahwa nilai minimum support yang dimasukan mempengaruhi banyak frequent itemset yang dihasilkan. Nilai minimum support dan minimum confidence yang dimasukan mempengaruhi waktu proses sistem dalam penggalian informasi.
Dokumen tersebut membahas konsep dan cara kerja Algoritma Apriori untuk menemukan pola asosiasi antar item dalam dataset transaksi menggunakan parameter support dan confidence. Algoritma ini melakukan iterasi untuk menemukan itemset frekuen yang memenuhi batas minimum support, kemudian menghasilkan aturan asosiasi antar item dalam itemset tersebut beserta tingkat keyakinnya (confidence). Contoh penerapannya pada dataset transaksi membeli sayuran dijelaskan secara ter
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.
Dokumen tersebut membahas tentang data mining khususnya metode association rule untuk mengekstraksi pola hubungan antar item dalam sejumlah besar data transaksi. Metode ini digunakan untuk memprediksi item mana yang cenderung dibeli bersamaan berdasarkan transaksi sebelumnya."
Dokumen tersebut membahas tentang data warehouse, termasuk pengertian, konsep, dan perancangan data warehouse. Secara ringkas, data warehouse digunakan untuk mengintegrasikan dan menyimpan data dari berbagai sumber agar mudah diakses dan dianalisis guna pengambilan keputusan bisnis."
Penerapan Metode Apriori Untuk Identifikasi Pola Data Transaksi Pada Customer...ferisulianta.com
Supermarket merpuakan tempat berbelanja dari seseorang terhadap suatu daerah masyarakat setempat. Dengan pelayanan yang maksimal untuk mengetahui pola data pembelian yang diberikan dan mengantisipasi persediaan bahan pokok didaerah tertentu agar tidak mengalami keterlambatan kesediaan barangt. Maka diperlukan pencarian pola atau hubungan Association rule (aturan asosiatif). Association rule merupakan salah satu teknik data mining yang sangat penting, dapat diartikan bahwa hubungan antara sejumlah item dengan menentukan nilai support dan confidence pada basis data, penting tidaknya aturan asosiasi dapat diketahui dengan nilai support atau nilai penunjang dan confidence (nilai kepastian) algoritma apriori menghitung seringnnya item-set yang muncul dalam database melalui beberapa iterasi, setiap iterasi tersebut memiliki dua tahapan yaitu menentukan kandidat dan menghitung kandidat. Tahap pertama pada iterasi pertama , himpunan yang dihasilkan dari kandidat item-set berisikan seluruh 1-item-set. Tahap kedua algoritma apriori menghitung support-nya melalui seluruh item-set dengan batas minimum tertentu saja yang dianggap sering muncul (frequent), sehingga dapat diketahui item-set yang sering muncul.. Penghapusan ini berdasarkan pengamatan yaitu apakah item-set tersebut sering muncul atau tidak. Dari hasil penelitian dengan menggunakan nilai minimum support dan minimum confident tertinggi akan membentuk nilai akhir, yaitu nilai paling besar yang melebihi batas minimal support dan confidence. Dalam penelitian ini dengan menggunakan kombinasi 2 item set dengan minimum support 2 dan minimum confidence 35 pada super market di daerah tebet selatan adalah “jika pembeli membeli Telur dan daging giling maka pembeli akan membeli air mineral ” dengan Support 7,333% dan confidence 50,66%
Kata Kunci : super market, association rule, algoritma apriori
Proses untuk menemukan aturan asosiasi yang memenuhi syarat minimum untuk support dan confidence dari data transaksi penjualan sayuran meliputi (1) menemukan kombinasi item yang paling sering terjadi, dan (2) mendefinisikan kondisi dan hasil untuk membentuk aturan asosiasi."
"Jodoh Menurut Prespektif Al-Quran" (Kajian Tasir Ibnu Katsir Surah An-Nur ay...Muhammad Nur Hadi
Jurnal "Jodoh Menurut Prespektif Al-Quran" (Kajian Tasir Ibnu Katsir Surah An-Nur ayat 26 dan 32 dan Surah Al-Hujurat Ayat 13), Ditulis oleh Muhammmad Nur Hadi, Mahasiswa Program Studi Ilmu Hadist di UIN SUSKA RIAU.
UNIKBET : Link Slot Resmi Pragmatic Play Bisa Deposit Via Bank Bengkulu 24 Ja...unikbetslotbankmaybank
Pada hari ini 12 Juni 2024, Link Slot Gacor Pragmatic Play Deposit Bank Bengkulu Promo Bonus Terbesar Banyak Promo Spektakuler di provider Pragmatic Play adalah Unikbet karena berlicensi resmi internasional. Maka dari itu, Untuk anda para pemain slot online yang berada di kota Sigli, bisa bermain dengan tenang dan aman. Berikut rekomendasi daftar situs slot bisa deposit pakai Bank Bengkulu khusus untuk anda yang berlokasi di Kota Sigli:
1. Slot Nexus Gates of Olympus™
2. Slot Thor vs Hercules
3. Slot Gates of Gatot Kaca
4. Slot Sugar Rush™
5. Slot Sweet Bonanza Xmas™
6. Slot Mahjong Wins
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.
Dokumen tersebut membahas tentang data mining khususnya metode association rule untuk mengekstraksi pola hubungan antar item dalam sejumlah besar data transaksi. Metode ini digunakan untuk memprediksi item mana yang cenderung dibeli bersamaan berdasarkan transaksi sebelumnya."
Dokumen tersebut membahas tentang data warehouse, termasuk pengertian, konsep, dan perancangan data warehouse. Secara ringkas, data warehouse digunakan untuk mengintegrasikan dan menyimpan data dari berbagai sumber agar mudah diakses dan dianalisis guna pengambilan keputusan bisnis."
Penerapan Metode Apriori Untuk Identifikasi Pola Data Transaksi Pada Customer...ferisulianta.com
Supermarket merpuakan tempat berbelanja dari seseorang terhadap suatu daerah masyarakat setempat. Dengan pelayanan yang maksimal untuk mengetahui pola data pembelian yang diberikan dan mengantisipasi persediaan bahan pokok didaerah tertentu agar tidak mengalami keterlambatan kesediaan barangt. Maka diperlukan pencarian pola atau hubungan Association rule (aturan asosiatif). Association rule merupakan salah satu teknik data mining yang sangat penting, dapat diartikan bahwa hubungan antara sejumlah item dengan menentukan nilai support dan confidence pada basis data, penting tidaknya aturan asosiasi dapat diketahui dengan nilai support atau nilai penunjang dan confidence (nilai kepastian) algoritma apriori menghitung seringnnya item-set yang muncul dalam database melalui beberapa iterasi, setiap iterasi tersebut memiliki dua tahapan yaitu menentukan kandidat dan menghitung kandidat. Tahap pertama pada iterasi pertama , himpunan yang dihasilkan dari kandidat item-set berisikan seluruh 1-item-set. Tahap kedua algoritma apriori menghitung support-nya melalui seluruh item-set dengan batas minimum tertentu saja yang dianggap sering muncul (frequent), sehingga dapat diketahui item-set yang sering muncul.. Penghapusan ini berdasarkan pengamatan yaitu apakah item-set tersebut sering muncul atau tidak. Dari hasil penelitian dengan menggunakan nilai minimum support dan minimum confident tertinggi akan membentuk nilai akhir, yaitu nilai paling besar yang melebihi batas minimal support dan confidence. Dalam penelitian ini dengan menggunakan kombinasi 2 item set dengan minimum support 2 dan minimum confidence 35 pada super market di daerah tebet selatan adalah “jika pembeli membeli Telur dan daging giling maka pembeli akan membeli air mineral ” dengan Support 7,333% dan confidence 50,66%
Kata Kunci : super market, association rule, algoritma apriori
Proses untuk menemukan aturan asosiasi yang memenuhi syarat minimum untuk support dan confidence dari data transaksi penjualan sayuran meliputi (1) menemukan kombinasi item yang paling sering terjadi, dan (2) mendefinisikan kondisi dan hasil untuk membentuk aturan asosiasi."
"Jodoh Menurut Prespektif Al-Quran" (Kajian Tasir Ibnu Katsir Surah An-Nur ay...Muhammad Nur Hadi
Jurnal "Jodoh Menurut Prespektif Al-Quran" (Kajian Tasir Ibnu Katsir Surah An-Nur ayat 26 dan 32 dan Surah Al-Hujurat Ayat 13), Ditulis oleh Muhammmad Nur Hadi, Mahasiswa Program Studi Ilmu Hadist di UIN SUSKA RIAU.
UNIKBET : Link Slot Resmi Pragmatic Play Bisa Deposit Via Bank Bengkulu 24 Ja...unikbetslotbankmaybank
Pada hari ini 12 Juni 2024, Link Slot Gacor Pragmatic Play Deposit Bank Bengkulu Promo Bonus Terbesar Banyak Promo Spektakuler di provider Pragmatic Play adalah Unikbet karena berlicensi resmi internasional. Maka dari itu, Untuk anda para pemain slot online yang berada di kota Sigli, bisa bermain dengan tenang dan aman. Berikut rekomendasi daftar situs slot bisa deposit pakai Bank Bengkulu khusus untuk anda yang berlokasi di Kota Sigli:
1. Slot Nexus Gates of Olympus™
2. Slot Thor vs Hercules
3. Slot Gates of Gatot Kaca
4. Slot Sugar Rush™
5. Slot Sweet Bonanza Xmas™
6. Slot Mahjong Wins
2. Analisis Asosiasi
• Adalah sebuah metodologi untuk mencari relasi
istimewa/menarik yang tersembunyi dalam himpunan data (data
set) yang besar
• Relasi yang tersembunyi ini dapat direpresentasikan dalam
bentuk aturan asosiasi (association rules) atau himpunan barang
yang seringkali muncul (frequent itemset)
3. Menambang Aturan Asosiasi
Berdasarkan data set transaki, akan dicari aturan yang dapat
memprediksi kejadian bersama sebuah item, berdasarkan
kejadian bersama dari item-item lainnya dalam transaksi
Market-Basket transactions
TID Items
1 Roti, Susu
2 Roti, Diaper, Bir, Telur
3 Susu, Diaper, Bir, Coke
4 Roti, Susu, Diaper, Bir
5 Roti, Susu, Diaper, Coke
Contoh Aturan Asosiasi
{Diaper} {Bir},
{Susu, Roti}
{Telur,Coke},
{Bir, Roti} {Susu},
Tanda implikasi diatas berarti
kejadian bersama, bukan sebab
akibat!
4. Beberapa Istilah
• Itemset : Koleksi dari sejumlah
(satu/lebih)item
• Contoh: {Bir} , { Susu,Roti, Diaper}
• k-itemset
• Item set yang terdiri dari k item
• Contoh : 3 – item set = { Susu,Roti, Diaper}
• Support count ()
• Frekuensi terjadinya sebuah itemset
dalam data set
• Contoh : ({Milk, Bread,Diaper}) = 2
TID Items
1 Bread, Milk
2 Bread, Diaper, Beer, Eggs
3 Milk, Diaper, Beer, Coke
4 Bread, Milk, Diaper, Beer
5 Bread, Milk, Diaper, Coke
Support (s)
–Perbandingan
terjadinya sebuah
itemset terhadap
jumlah seluruh
itemset dalam dataset
–E.g. s({Milk, Bread,
Diaper}) = 2/5
5. Beberapa Istilah (2)
• Frequent Itemset
• Itemset yang nilai
supportnya lebih besar
atau sama dengan ”
minsup threshold”
Support Count
• Associaton Rule
adalah ekspresi implikasi ( X ->Y), dimana X
dan Y adalah itemset yang saling disjoint
contoh : {Milk, Diaper} {Beer}
TID Items
1 Bread, Milk
2 Bread, Diaper, Beer, Eggs
3 Milk, Diaper, Beer, Coke
4 Bread, Milk, Diaper, Beer
5 Bread, Milk, Diaper, Coke
6. Parameter Pengevaluasi Aturan
Support (s)
Perbandingan transaksi-
transaksi yang mengandung X
dan Y
Confidence (c)
Menunjukkan kekerapan
munculnya item-item dalam Y
dalam transaksi yang
mengandung X
TID Items
1 Bread, Milk
2 Bread, Diaper, Beer, Eggs
3 Milk, Diaper, Beer, Coke
4 Bread, Milk, Diaper, Beer
5 Bread, Milk, Diaper, Coke
Contoh
Beer
}
Diaper
,
Milk
{
4
.
0
5
2
|
T
|
)
Beer
Diaper,
,
Milk
(
s
67
.
0
3
2
)
Diaper
,
Milk
(
)
Beer
Diaper,
Milk,
(
c
7. Strategi Algoritma Analisis Asosiasi
Ada 2 langkah besar yang diambil, yaitu :
1. Frequent Itemset Generation
– Mengoleksi semua itemset yang memenuhi syarat
support minsup. Itemset-itemset ini disebut frequent itemset
2. Rule Generation
– Bertujuan membentuk aturan dengan nilai confidence yang tingi dari frequent
itemset yang telah diperoleh sebelumnya. Aturan ini disebut strong rules
Mengenerate frequent itemset merupakan tahapan yang berat dari
sudut pandang komputasi!!!
8. Frequent Itemset Generation
null
AB AC AD AE BC BD BE CD CE DE
A B C D E
ABC ABD ABE ACD ACE ADE BCD BCE BDE CDE
ABCD ABCE ABDE ACDE BCDE
ABCDE
Ada 2d kandidat
itemsets yang
terbentuk; d= # item
9. Frequent Itemset Generation
• Brute-force approach:
• Setiap itemset dalam jaring adalah candidate frequent itemset
• Hitung support dari setiap kandidat dengan scanning database
• Bandingkan setiap transaksi terhadap setiap kandidat
• Kompleksitas ~ O(NMw) => Expensive since M = 2d !!!
TID Items
1 Bread, Milk
2 Bread, Diaper, Beer, Eggs
3 Milk, Diaper, Beer, Coke
4 Bread, Milk, Diaper, Beer
5 Bread, Milk, Diaper, Coke
N
Transactions List of
Candidates
M
w
10. Kompleksitas Komputasional
Jika terdapat d item yang
berbeda, maka:
Total itemsets = 2d
Total association rules yang
mungkin :
1
2
3 1
1
1 1
d
d
d
k
k
d
j
j
k
d
k
d
R
Jika d=6, R = 602 rules
11. Strategi Pembentukan Frequent Itemset
• Mereduksi jumlah kandidat (M)
• Gunakan prinsip Apriori
• Mereduksi jumlah perbandingan (NM)
• Gunakan struktur data yang efisien untuk menyimpan kandidat atau
transaksi
• Tidak perlu membandingkan semua kandidat terhadap setiap
transaksi
12. Mereduksi jumlah kandidat (M)
• Prinsip Apriori : Jika sebuah itemset merupakan frequent itemset
maka subsetnya pun merupakan frequent itemset
Contoh : {Susu, Bir, Roti, Diaper} merupakan frequent item set,
maka {Susu},{Roti},{Roti, Diaper}, {Susu,Bir,Roti}, dst juga
merupakan frequent itemset
• Sifat anti-monotone
• spport dari sebuah itemset tidak akan lebih besar dari support subsetnya
)
(
)
(
)
(
:
, Y
s
X
s
Y
X
Y
X
13. Mis bukan
frequent
itemset
null
AB AC AD AE BC BD BE CD CE DE
A B C D E
ABC ABD ABE ACD ACE ADE BCD BCE BDE CDE
ABCD ABCE ABDE ACDE BCDE
ABCDE
Ilustrasi Prinsip Apriori
null
AB AC AD AE BC BD BE CD CE DE
A B C D E
ABC ABD ABE ACD ACE ADE BCD BCE BDE CDE
ABCD ABCE ABDE ACDE BCDE
ABCDE
Pruned
supersets
14. Ilustrasi Prinsip Apriori (2)
Item Count
Bread 4
Coke 2
Milk 4
Beer 3
Diaper 4
Eggs 1
Itemset Count
{Bread,Milk} 3
{Bread,Beer} 2
{Bread,Diaper} 3
{Milk,Beer} 2
{Milk,Diaper} 3
{Beer,Diaper} 3
Itemset Count
{Bread,Milk,Diaper} 3
Items (1-itemsets)
Pairs (2-itemsets)
(No need to generate
candidates involving Coke
or Eggs)
Triplets (3-itemsets)
Minimum Support = 3
If every subset is considered,
6C1 + 6C2 + 6C3 = 41
With support-based pruning,
6 + 6 + 1 = 13
15. Algoritma Apriori
Misalkan k=1
Bentuk frequent itemsets yang terdiri dari k item
Ulangi hingga tidak ada lagi frequent itemsets yang
baru
Bentuk kandidat itemset dengan panjang (k+1) dari frequent
itemset dengan panjang k
Buang kandidat itemsets yang berisi subset dengan panjang k
yang tidak frequent
Hitung support dari setiap kandidat dengan scannding basisdata
Eliminasi kandidat yang infrequent
16. Pembentukan Rule (1)
• Misalkan ada frequent itemset L, cari subsets yang
tidak hampa f L sedemikian sehingga f L – f
memenuhi nilai minimum confidence
• Mis {A,B,C,D} adalah frequent itemset, maka kandidat
rules:
ABC D, ABD C, ACD B, BCD A,
A BCD, B ACD, C ABD, D ABC
AB CD, AC BD, AD BC, BC AD,
BD AC, CD AB,
• Jk |L| = k, maka akan terdapat 2k – 2 kandidat
association rules (tanpa L and L)
17. Pembentukan Rule(2)
Bagaimana membentuk rules dari frequent itemset
dengan efisien?
Secara umum, confidence tidak bersifat anti-monotone
c(ABC D) dapat lebih besar/kecil c(AB D)
Tetapi nilai confidence dari rules yg berasal dari itemset yang
sama bersifat anti-monotone
e.g., L = {A,B,C,D}:
c(ABC D) c(AB CD) c(A BCD)
19. Pembentukan Rule Algoritma Apriori
• Kandidat rule dibentuk dengan cara menggabungkan
2 rules yang memiliki prefix yang sama sebagai
konsekuennya
• join(CD=>AB,BD=>AC)
sehingga terbentuk
rule D => ABC
• Buang rule D=>ABC jika ia mempunyai
subset AD=>BC dengan nilai confidence
rendah
BD=>AC
CD=>AB
D=>ABC
20. Contoh :
Gunakan algoritma
apriori untuk
membentuk aturan
analisis asosiasi
pengklasifikasi dari data
pada tabel
Min Support Count=2
Min Confidence= 50%
TID List of item
T100 I1,I2,I5
T200 I2,I4
T300 I2,I3
T400 I1,I2,I4
T500 I1,I3
T600 I2,I3
T700 I1,I3
T800 I1,I2,I3,I5
T900 I1,I2,I3
21. Algoritma FP-Growth
• Gunakan representasi terkompresi basis data dengan
memanfaatkan FP-tree
• Setelah FP-tree terbentuk, gunakan teknik divide-and-
conquer secara rekursif untuk menambang frequent
itemsets
25. Tree Projection
Set enumeration tree: null
AB AC AD AE BC BD BE CD CE DE
A B C D E
ABC ABD ABE ACD ACE ADE BCD BCE BDE CDE
ABCD ABCE ABDE ACDE BCDE
ABCDE
Possible
Extension: E(A)
= {B,C,D,E}
Possible
Extension:
E(ABC) = {D,E}
26. Tree Projection
Items disusun berdasarkan lexicographic order
Setiap node P menyimpan informasi sbb:
Itemset untuk node P
Daftar ekstensi P yang mungkin, secara lexicigraphic ; E(P)
Pointer pada projected database dari ancestor node
Bitvector yang memberikan informasi transaksi mana pada
projected database yang mengandung itemset
27. Projected Database
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}
TID Items
1 {B}
2 {}
3 {C,D,E}
4 {D,E}
5 {B,C}
6 {B,C,D}
7 {}
8 {B,C}
9 {B,D}
10 {}
Database Asli: Projected Database untuk node A:
Untuk setiap transaksi T, projected transaction pada node A adalah T E(A)