Literatur Sistematis Perbandingan Kinerja Algoritma Apriori, ECLAT, dan FP-Growth dalam Analisis Pola Asosiasi

DELLA ERLINA; Dimas Irfansyah; Ikhsanudin Pratama; Pujha Suretno; Yudi Setiawan

doi:10.70656/ijcse.v2i01.323

Authors

DELLA ERLINA Program Studi Sistem Informasi, Fakultas Teknik, Universitas Bengkulu
Dimas Irfansyah Program Studi Sistem Informasi, Fakultas Teknik, Universitas Bengkulu
Ikhsanudin Pratama Program Studi Sistem Informasi, Fakultas Teknik, Universitas Bengkulu
Pujha Suretno Program Studi Sistem Informasi, Fakultas Teknik, Universitas Bengkulu
Yudi Setiawan Program Studi Sistem Informasi, Fakultas Teknik, Universitas Bengkulu

DOI:

https://doi.org/10.70656/ijcse.v2i01.323

Keywords:

Data Mining, Machine Learning, Unsupervised Learning, Association Rules, Apriori, ECLAT, FP-Growth

Abstract

Penelitian ini merupakan studi literatur yang membahas penerapan tiga algoritma asosiasi dalam data mining, yaitu Apriori, ECLAT, dan FP-Growth. Tujuan dari studi ini adalah untuk menganalisis dan membandingkan kinerja serta karakteristik masing-masing algoritma dalam menemukan pola hubungan antar produk berdasarkan data transaksi. Metode yang digunakan adalah Systematic Literature Review (SLR) terhadap sepuluh jurnal ilmiah yang relevan. Setiap algoritma memiliki pendekatan yang berbeda dalam proses pencarian frequent itemset, sehingga menghasilkan efektivitas dan efisiensi yang bervariasi tergantung pada karakteristik dataset. Hasil kajian menunjukkan bahwa Apriori cenderung sederhana namun kurang efisien untuk dataset besar, sedangkan ECLAT dan FP-Growth menawarkan performa yang lebih baik dengan pendekatan data vertikal dan struktur pohon. Studi ini memberikan wawasan mendalam terhadap pemilihan algoritma asosiasi yang tepat dalam berbagai konteks analisis data transaksi.

Keywords— Data Mining, Machine Learning, Unsupervised Learning, Association Rules, Apriori, ECLAT, FP-Growth