<![CDATA[Penelitian ini membandingkan performa algoritma Apriori dan FP-Growth dalam mengekstraksi aturan asosiasi dari dataset transaksi penjualan bakery dari Kaggle yang terdiri atas 2.654 transaksi dan 23 jenis produk. Perbandingan meliputi jumlah frequent itemset, jumlah aturan asosiasi, nilai rata-rata support, confidence, dan lift, serta waktu eksekusi algoritma. Seluruh proses analisis dilakukan menggunakan perangkat lunak Python dengan pustaka pandas dan mlxtend pada lingkungan komputasi yang identik. Data diproses menggunakan one-hot encoding dan dianalisis dengan parameter minimum support sebesar 5% dan minimum confidence sebesar 50%. Hasil percobaan menunjukkan bahwa kedua algoritma menghasilkan 43 frequent itemset dan 18 aturan asosiasi yang identik, dengan rata-rata support sebesar 0.1319, rata-rata confidence sebesar 0.7454, dan rata-rata lift sebesar 1.0876. Waktu eksekusi Apriori tercatat sekitar 0.00379 detik, sedangkan FP-Growth sekitar 0.00397 detik. Temuan ini menunjukkan bahwa pada dataset yang dianalisis, kedua algoritma memiliki kinerja yang setara dalam kualitas aturan asosiasi, dengan perbedaan waktu eksekusi yang relatif kecil Kata Kunci: CRISP-DM, Market Basket Analysis, Apriori, FP-Growth, Aturan Asosiasi, Bakery]]>
Copyrights © 2026
