Perpustakaan Digital ITB

Penelitian ini mengembangkan framework aturan asosiasi berdasarkan optimasi nilai minimum support, minimum confidence, dan penerapan bobot pada item dengan menggunakan kombinasi algoritma PSO dan WFIM pada algoritma FP-Growth. Penelitian ini dirancang untuk mengatasi keterbatasan dalam menentukan nilai minimum support serta mempertimbangkan bobot setiap item. Penelitian ini bertujuan mengembangkan framework optimasi association rule pada algoritma FP-Growth yang menghasilkan aturan asosiasi yang relevan dan efisien. Dalam upaya mengatasi keterbatasan algoritma FP-Growth tradisional, penelitian ini mengusulkan optimasi melalui tiga pendekatan utama. Pertama, optimasi algoritma FP-Growth menggunakan PSO untuk secara otomatis menentukan nilai minimum support dan confidence yang optimal. Kedua, penerapan pendekatan WFIM untuk meningkatkan relevansi aturan asosiasi dengan mempertimbangkan bobot setiap item dalam transaksi. Ketiga, integrasi PSO dan WFIM dalam framework yang dikembangkan menciptakan pendekatan yang lebih efisien, fleksibel, dan adaptif terhadap karakteristik dataset. Hasil eksperimen menunjukkan bahwa kombinasi PSO dan WFIM pada FP-Growth dapat meningkatkan kualitas aturan asosiasi dengan nilai lift yang lebih signifikan dibandingkan metode tradisional. Dari segi runtime dan penggunaan memori, framework yang dioptimalkan menunjukkan efisiensi yang lebih tinggi, dengan pengurangan waktu eksekusi dan kebutuhan memori yang lebih rendah dibandingkan FP-Growth traditional. Hasil penelitian disimpulkan bahwa pendekatan PSO dan WFIM meningkatkan fleksibilitas algoritma FP-Growth dalam menangani dataset dengan karakteristik yang kompleks. Algoritma yang dioptimalkan berhasil menggali lebih banyak aturan asosiasi dengan kualitas yang lebih baik dibandingkan algoritma FP-Growth tradisional. Serta menunjukkan penurunan runtime dan penggunaan memori yang lebih efisien.