Perbaikan Struktur Weighted Tree dengan Metode

Perbaikan Struktur Weighted Tree dengan Metode Partisi Fuzzy
dalam Pembangkitan Frequent Itemset
Budi Dwi Satoto1)
Daniel O. Siahaan 2)
Akhmad Saikhu 3)
1) Jurusan Teknik Informatika ITS, Surabaya 60111, email : [email protected]
2) Jurusan Teknik Informatika ITS, Surabaya 60111, email : [email protected]
3) Jurusan Teknik Informatika ITS, Surabaya 60111, email : [email protected]
Abstrak
Association Rule (AR) merupakan salah
satu metoda untuk menemukan nilai asosiasi
hubungan antar barang. AR meliputi 2 bagian
pokok yaitu pembangkitan frequent itemset dan
penggalian kaidah asosiasi. Kelemahan proses
pembangkitan frequent itemset pada penelitian
sebelumnya menggunakan algoritma generasi
kandidat maupun stuktur tree adalah saat
pembangkitan
frequent itemset
tidak
memperhatikan jumlah jenis barang dalam satu
transaksi.
Struktur weighted tree merupakan salah
satu metoda untuk membangkitkan frequent
itemset. Kelebihan struktur data ini adalah untuk
memperbaiki kebutuhan jumlah data yang diolah
di dalam FPTree. Adapun Kelemahan weighted
tree adalah apabila variasi nilai weight berupa
quantity terlalu tinggi, maka variasi node yang
muncul menjadi tinggi sehingga ada kemungkinan
node menjadi banyak dan mempengaruhi
kecepatan proses apabila seluruh data disisipkan.
Untuk mengatasi kelemahan tersebut,
penelitian ini memperbaiki Weighted tree dengan
menambahkan Metode Partisi Fuzzy dimana data
weight berupa quantity item dibagi menjadi 5
kelompok label yaitu very Low, Low, Medium,
Height dan very Height. Hasilnya adalah apabila
variasi data weight quantity cukup tinggi, jumlah
node yang digunakan dalam proses pembangkitan
frequent itemset minimal dan pola data menjadi
lebih mudah untuk dilihat dalam pengamatan
pengguna.
Kata kunci : Association rule, Weighted tree,
Metode Partisi Fuzzy
1. Pendahuluan
Association Rule (AR) merupakan salah
satu metoda untuk menemukan nilai hubungan
antar barang. Contoh analisa asosiasi adalah
market basket analysis dimana dua barang
berbeda, a dan b, dikatakan mempunyai nilai
asosiasi jika dibeli bersama dalam satu transaksi
(Lin, et.al., 2008). Di dalam metoda association
rule terdapat dua algoritma yaitu algoritma
pembangkitan frequent itemset dan algoritma
penggalian kaidah asosiasi.
Weighted tree adalah salah satu struktur
data untuk membangkitkan frequent itemset
dengan cara menampung data ke dalam sebuah
tree berdasarkan weight berupa quantity. Teknik
penyisipan dan penelusuran data menggunakan
konsep tree menyusun informasi nama item,
nomor transaksi dan quantity ke dalam suatu
wadah secara berurut sehingga data frequent
itemset menjadi lebih mudah dan cepat untuk
ditelusuri.
Penelitian
Weighted
tree
dalam
pembangkitan frequent itemset diajukan oleh
Kumar [1] untuk meminimalkan jumlah data dan
jumlah node yang diolah FP tree. Pembangkitan
frequent itemset pada penelitian sebelumnya
masih menggunakan algoritma apriori pada
generasi kandidat dan algoritma Frequent Pattern
Growth pada struktur data FPTree.
Hasil dari weighted tree adalah frequent
itemset yang telah dilakukan seleksi berdasar
minimum support dan confidence, hasilnya adalah
rule generation yang menjadi bahan pertimbangan
pengguna dalam menentukan item yang akan
dicari tingkat asosiasinya. Dalam penelitian ini,
pengembangan yang dilakukan terhadap struktut
weighted tree adalah Penambahan metoda partisi
fuzzy.
Beberapa tahun terakhir telah banyak
dikembangkan teknik Analisa keranjang belanja.
Sehingga dibutuhkan salah satu metoda weighted
tree dalam penggunaannya. Ada beberapa alasan
mengapa metoda Partisi Fuzzy dibutuhkan pada
struktur data weighted tree:
• Apabila nilai weight berupa quantity terlalu
bervariasi maka data menjadi sulit untuk
diamati dan hasil algoritma sorting untuk
mencari rute terpendek menjadi lebih
panjang. Selain itu apabila nilai quantity
terlalu bervariasi akan membuat jumlah node
menjadi tinggi.
• Apabila quantity dalam transaksi berbeda
adalah sama, misalnya mangga 4 dengan
jambu 4, maka bisa dipastikan bahwa kedua
item tersebut saling frequent. Ketidakpastian
muncul apabila terdapat item dengan jumlah
quantity yang sedikit lebih banyak atau lebih
sedikit. Misalnya mangga 4, dengan jambu
6.Keduanya bisa dikatakan saling frequent
dengan nilai confidence yang berbeda.
Permasalahannya muncul apabila data
masukan besar dan cukup variatif, maka
selisih quantity tersebut akan menjadi sulit
untuk diamati pengguna.
1
2. Kajian Pustaka
2.1. Association Rule
Association Rule menganalisa kebiasaan
pelanggan dalam membeli barang dan menemukan
nilai hubungan antar barang yang disimpan di
dalam record transaksi. AR terdiri dari 2 bagian
yaitu pembangkitan frequent itemset dan
penggalian kaidah asosiasi. Adapun Blok diagram
AR tampak pada gambar 2.1.
2.2.Weighted Tree
Pada Weighted tree terdapat 2 jenis node yaitu :
• jenis node pertama berupa label dengan atribut
berisi nama atribut dan dua pointer penunjuk
node berisi ID transaksi dan weight, yang
lainnya adalah anak pointer menunjuk pada
atribut berikutnya. Node ini mewakili kepala
cabang tertentu.
• jenis node kedua mempunyai 2 bagian. Bagian
pertama diberi label TID mewakili suatu jumlah
transaksi atau ID transaksi dan bagian kedua
diberi nama label weight, menunjukkan quantity
pembelian dalam transaksi atau cost. Node ini
hanya mempunyai satu pointer yang menunjuk
pada obyek berikutnya dari atribut.
Penjelasan diatas dapat dilihat pada gambar 2.2
sebagai berikut :
Gambar 2.2. Struktur Weighted tree
Gambar 2.1. Blok diagram association rule
Support count (σ) adalah frekuensi
munculnya itemset tertentu dalam transaksi.
Secara matematis, dapat dinyatakan dengan
persamaan 2.1sebagai berikut :
σ ( X ) =| {ti | X ⊆ ti , ti ∈ T } |
(2.1)
dengan:
X= itemset
ti= transaksi ke i
T= set transaksi
Contoh : σ ({ i1, i2, i3}) = 2
Itemset I={i1, i2,…, id} adalah set dari semua item
pada data market basket dan T={t1, t2,…, tN}
adalah set dari semua transaksi. Tiap transaksi ti
mengandung subitemset dari I. Pada analisa
asosiasi kumpulan dari satu atau lebih item
disebut dengan itemset. Apabila itemset
mengandung k item maka disebut k-itemset. Null
set adalah itemset yang tidak mengandung item.
Lebar transaksi didefinisikan sebagai banyaknya
item yang ada dalam transaksi.
Contoh itemset: { i1, i2, i3}.
Strategi umum pada metoda association
rule yaitu:
1. Frequent itemset generation : bertujuan untuk
menemukan semua itemset yang memenuhi
batasan threshold minsup.
2. Rule generation : bertujuan untuk mengekstrak
semua frequent itemset sebelumnya menjadi
rule.
2.1.1. Pembangkitan Frequent Itemset
itemset
Pembangkitan
frequent
menggunakan weighted tree menguraikan kaidah
asosiasi antar atribut dengan melibatkan item-item
terkait dalam database transaksi dimana masingmasing transaksi dijadikan sebagai identifier, TID.
Jika A adalah satu item set, suatu transaksi
T dikatakan berisi A hanya jika A⊆T. Suatu
kaidah Data yang telah disisipkan pada weighted
tree selanjutnya akan ditelusuri sesuai keinginan
user pada waktu melakukan query atau
permintaan.
asosiasi adalah suatu implikasi format
A→B, di mana A⊆I, B⊆I, dan A∩B=Ø. Kaidah
A→B menetapkan D dengan support s, di mana s
merupakan percentage dari transaksi pada D yang
berisi A U B (keduanya A dan B). Nilai ini
merupakan nilai probabilitas, P(A∩B).
Kaidah A→B mempunyai confidence c di
dalam transaksi D jika c adalah percentage dari
transaksi pada D yang di dalamnya terdapat A dan
juga terdapat item B. Dengan mempertimbangkan
probabilitas, P(B|A) maka Support(A→B) =
P(A∩B)=s, confidence(A→B) = P(B|A)=
Support(A→B)/Support( A) = c.
Optimal order merupakan penentukan
sequence order terbaik di dalam tree dengan
jumlah node minimal. Seperti terlihat pada tabel
2.6 yang mempunyai tiga atribut. Nilai total
pencarian kombinasi yang dapat dilakukan adalah
sebesar 3! yaitu 6 kombinasi. Kumar [2].
2
Tabel 2.6. Tabel Itemset weighted tree
TID\Item
100
200
300
Item1
3
6
2
Item2
2
2
2
item3
1
1
4
Gambar 2.3. Pilihan node pada weighted tree
Unsur atribut tertentu ditemukan di tingkatan
yang ditetapkan sebagai posisi atribut dalam
atribut-sequence. Jika catatan total jumlah node
adalah n, di dalam tree terdapat kombinasi atribut
berbeda maka nilai optimal order yang terbaik
dari weighted tree diatas adalah atribut sequence
2-3-1 dengan jumlah node terkecil yaitu 6.
Tabel 2.2. Tabel dataset dengan informasi weight
Gambar 2.2 menerangkan nomor transaksi
dan kode item yang dihapuskan karena tidak
memenuhi batasan minimum support dan transaksi
yang hanya mengandung informasi 1 kode item
saja. Langkah selanjutnya adalah melakukan
penyisipan ke dalam weighted tree dan hasilnya
dapat dilihat seperti pada gambar 2.5 sebagai
berikut :
Gambar 2.5 Perbandingan Node FP tree dan
Weighted tree
Tampak dari gambar 2.5 bahwa jumlah
node yang digunakan oleh weighted tree lebih
sedikit dibandingkan FP tree. Dan prosentase
penurunan ditunjukkantabel 2.2
Tabel 2.2. Perbandingan jumlah node FP tree dan
Weighted tree
Jumlah
Weighted
FPTr
Tingkat
transak
ee
Tree
kompresi
si
9
TID\ KODEITEM
100
200
300
400
500
600
700
800
900
i1
2
3
6
i2
6
4
3
6
2
4
3
6
4
3
I3
i4
6
i5
4
3
4
8
2
7
5
6
2
2
Dari tabel 2.2. dapat disusun senarai
weighted tree sebagai berikut :
Gambar 2.4. Senarai Weighted Tree
10
8
20%
2.1.2.Penggalian Kaidah Asosiasi
Konsep penggalian adalah sebuah
pendekatan terhadap hasil pembangkitan frequent
itemset untuk lebih meningkatkan validitas hasil
terdapat acuan pada saat menentukan frequent
itemset. Dimana Itemset dikatakan frequent closed
apabila itemset tersebut memenuhi 2 kondisi
berikut :
a. Itemset X adalah itemset yang frequent
b. Tidak ada satupun superset langsung
(immediate supperset) X yang memiliki count
sama dengan X
Closed dan maksimal ditunjukkan gambar 2.6
Gambar 2.6. Pencarian maximal dan closed
frequent itemset
3
2.3. Metode Partisi Fuzzy
Metode Partisi Fuzzy adalah Metode
membagi weight berupa quantity pada masingmasing atribut atau item menjadi label fuzzy.
Dimana masing-masing item dibagi menjadi 5
label, yaitu label A,B,C,D,E. Fuzzy partition
membantu menyelesaikan masalah pada weighted
tree apabila nilai quantity terlalu bervariatif.
Adapun Membership function untuk quantity item
yang akan diolah ditunjukkan gambar2.7.Wang[5]
Gambar 2.7. MF untuk quantity item
Dapat dinyatakan setiap kandidat kitemset, Ik, sebagai fuzzy set pada transaksi M.
Fuzzy membership function µ dipetakan sebagai
μ I k : M→[0,1],dinyatakan dengan persamaan 2.2
⎧ η (i ) ⎫
μ i k (T ) = infk ⎨ T
⎬, ∀T ∈ M
i∈I
⎩ card (T ) ⎭
1.
Probe item merupakan item yang akan
dijadikan acuan untuk mengetahui tingkat
asosiasi item lain, isinya adalah item-item
yang sama dalam transaksi atau kumpulan
item transaksi yang sudah pasti nilai
asosiasinya 100%.
2. Top-K merupakan Urutan item-item yang
memiliki nilai count item tertinggi dan selalu
muncul dalam tiap transaksi. Absari [7].
3. Projected database merupakan item dan
transaksi yang akan dicari nilai asosiasinya.
Itemnya adalah item total dikurangi probe
item.
4. Minimum length merupakan batas minimum
panjang transaksi yang akan dipantau tingkat
asosiasinya.
5. Weight minimum support adalah batas
maximum pembelanjaan yang memenuhi
syarat yang telah ditentukan pada awal
proses.
Adapun langkah awal yang dilakukan
adalah pembentukan projected database dengan
cara melakukan pembacaan file teks dataset dan
menyimpan string transaksi ke dalam array
penampung
transaksi
dengan
tidak
mengikutsertakan probe item.
3.Metodologi Penelitian
(2.2)
dengan:
T = transaksi yang memenuhi syarat
card(T) = jumlah jenis barang pada transaksi T
η = boolean membership function
dan ηT → {0,1} dinyatakan dengan persamaan 2.3:
⎧1, i ∈ T
⎩0, lainnya
ηT (i ) = ⎨
(2.3)
dengan:
i= barang pada transaksi
T= transaksi yang memenuhi syarat
Nilai Support dan confidence dinyatakan dengan
persamaan 2.4:
support ( I k ) =
∑μ
T ∈M
Ik
(T )
(2.4)
dengan:
Ik = barang I pada k-itemset
μ I k = Fuzzy membership function
Gambar
T = Transaksi yang memenuhi syarat
maka confidence ditunjukkan persamaan 2.5
cf ( A ⇒ B) = P(B | A) =
support( A ∪ B)
support( A)
(2.5)
dengan: A,B = k-itemset
Beberapa definisi yang perlu diketahui
sebelum masuk pada weighted partisi fuzzy adalah
sebagai berikut:
3.1.
Metodologi penelitian pada
perbaikan weighted tree
Gambar 3.1 menunjukkan metodologi
penelitian dan Langkah program secara bertahap
dimulai dari tabel 3.1 yang merupakan tabel count
weight quantity merupakan tabel konversi dari
dataset SPECTF HeartData.
Data ujicoba adalah Data set SPECTF
Heart Data yang digunakan diklasifikasikan
menjadi 2 kelompok kategori yaitu normal dan
abnormal. Database ini merupakan 267 set
gambar dengan perincian jumlah atribut 45 (
terdiri dari 44 continues class dan satu binary
class) dimana nilai atribut terletak diantara range
4
0 sampai dengan 100. dataset ini dibagi menjadi
SPECTF train 80 item dan SPECTF test 187 item.
Dengan klasifikasi dataset class 0, 15 sample,
class 1, 172 sample.
Tabel 3.1. Tabel Count Weight quantity
Adapun langkah setelah mendapatkan tabel
count weight adalah melakukan pemotongan
transaksi yang tidak memenuhi persyaratan
batasan weight minimum support sebagai berikut
Tabel 3.2. Tabel Pemotongan w_min_support
Pseudocode 3.1 menunjukkan Langkah
untuk mendapatkan label weight .
public String memberShipFunction(int dataRaw, double
[]batas){
int member=0;
if(dataRaw<batas[Q1B]
member=5;
else if(dataRaw<=batas[Q1B])
member=0;
else if(dataRaw>= batas[Q1B]&& dataRaw <=
batas[Q1A])
member=1;
else if(dataRaw<= batas[MEDIUMB]&& dataRaw
< batas[MEDIUMA])
member=2;
else if(dataRaw<= batas[Q3B]&& dataRaw <
batas[Q3A])
member=3;
else if(dataRaw >= batas[Q3A])
member=4;
return LABEL_FUZZY[member];
}
Pseudocode 3.1. Pseudocode Partisi Fuzzy
FuzzyWT adalah sebuah class yang dibangun
untuk melakukan partisi quantity sebuah item
dalam suatu transaksi. Method utama yang ada
pada class FuzzyWT adalah: FuzzyWT() adalah
constructor yang digunakan untuk melakukan
inisialisasi object FuzzyWT dengan parameter
berupa array of integer.
Parameter ini adalah tabel transaksi yang
keluaran
dari
method
buat
merupakan
TabelTransaksi()
pada
class
DataSetIO.
ProsesKonversiTransToWeight()
method
ini
bertugas untuk melakukan persiapan konversi dari
tabel transaksi yang berisi data array of integer
menjadi nilai fuzzy A sampai E seperti gambar 3.3.
Tabel 3.2 menunjukkan pemotongan
terhadap transaksi yang tidak memenuhi syarat
weight minimum support =2 dan transaksi yang
hanya mengandung 1 item saja.
Selanjutnya untuk mendapatkan nilai
batas membership function metode partisi fuzzy
didapatkan dengan langkah pada gambar 3.2
Gambar 3.3. Class diagram FuzzyWeighted tree
Sementara untuk struktur weighted tree
yang digunakan pada penelitian ini dalam
penyisipan transaksi adalah ditunjukkan gambar
3.4 dan design yang digunakan pada gambar 3.5.
Gambar 3.2 Metoda Partisi Fuzzy
5
Selanjutnya data disisipkan sesuai
sequence order Apabila dalam satu node terjadi
beberapa kali count weight yang sama maka akan
dicatat jumlah count item tersebut dengan
informasi nomor transaksi, yang menunjukkan
item tersebut adalah frequent item. Gambar 3.8
menunjukkan Weighted Tree yang dihasilkan
Gambar 3.4. Struktur Data Weighted Tree
partisi fuzzy
Gambar 3.8. Weighted Tree
Gambar 3.9. Balancing Tree w_probe=4
Gambar
3.9
menjelaskan
bahwa
balancing
adalah
melakukan
algoritma
perhitungan maximum depth, kemudian lakukan
pembacaan pada maximum depth-1, jika selisih
lebih besar 1, maka dilakukan pemindahan node
dan count node ke tempat yang sesuai.
Gambar 3.5. Design weighted tree
Dari Tabel 3.2 Hasil pemotongan yang
merupakan Tabel Projected database, selanjutnya
disusun senarai weighted tree gambar 3.6
Gambar 3.6 Senarai weighted tree
Pencarian sequence order atribut
merupakan langkah berikutnya ditunjukkan
gambar 3.7 untuk mendapatkan urutan penyisipan
item ke dalam weighted tree. Hal ini agar jumlah
node yang digunakan dapat dihemat.
Gambar 3.10. Balancing Tree w_probe=3
Selanjutnya dapat dibangun rule generation
seperti ditunjukkan gambar 3.11. dan 3.12.
Gambar 3.11. Rule generation 2 itemset
Gambar 3.7. Rute terpendek
6
Gambar 3.12. Rule generation 3 itemset
4. Uji Coba dan Analisa Hasil
Skenario Analisa Perbandingan hasil
penelitian dengan penelitian sebelumnya adalah
sebagai berikut
4.1. Penurunan jumlah node Partisi Fuzzy
terhadap jumlah node Pretham Kumar
Gambar 4.3. Waktu Proses dataset
Gambar 4.3 menunjukkan pengaruh
jumlah dataset terhadap waktu proses, dimana
jumlah dataset meningkat, diikuti kenaikan waktu
proses. Hal ini menunjukkan terjadinya penurunan
dari waktu proses penelitian sebelumnya
Gambar 4.1. Jumlah node Partisi Fuzzy terhadap
jumlah node Pretham Kumar
Gambar 4.1 menunjukkan prosentase
penurunan jumlah node penelitian ini dengan
penelitian Pretham Kumar, dimana rata-rata node
dapat diturunkan 30.7%
4.6.1 Penurunan jumlah node Partisi Fuzzy
terhadap jumlah node FP Tree
Gambar 4.4 Waktu Proses dengan beda platform
Gambar 4.4 menunjukkan waktu yang
diperlukan untuk membangun partisi fuzzy dengan
weighted tree rata-rata untuk processor dan
memory yang berbeda adalah 0.7 detik.
Tabel 4.1. Tabel Perbandingan penelitian
No
1
2
Gambar 4.2. Penurunan jumlah node partisi fuzzy
terhadap jumlah node FPTree
Gambar 4.30 menunjukkan prosentase
penurunan jumlah node penelitian ini terhadap
jumlah node FP Tree, dimana rata-rata penurunan
mencapai 35.78% dari penelitian Pretham Kumar
yang menurunkan jumlah node 13.9% dari jumlah
node FP Tree.
3
4
Materi yang
dibandingkan
Rata-rata waktu
konstruksi tree
Total waktu
untuk untuk
mendapatkan
optimal tree
menggunakan
metode
pengecekan
iterative
Waktu untuk
mencari
optimal tree
Total jumlah
node pada tree
menggunakan
serial order
attribut (S1)
Penelitian
Prethaam
kumar
Sebelum
Partisi
Fuzzy
Penelitian ini
Partisi Fuzzy
1.2 detik
0.7 detik
45!*1.2=
1.722*10^56
sec
45!*0.7=
8.37356E+55
4.3 detik
2.56detik
7729
7729
7
5
6
Total jumlah
node yang
dibentuk
menggunakan
algoritma ini
(S2)
Jumlah node
yang
dihemat(S)Dim
ana S=S1-S2
6651
4855
1078 node
2865 node
2)
3)
Dari tabel 4.1 didapatkan nilai Penurunan
jumlah node pada penelitian ini yaitu 4855
terhadap jumlah node awal yang digunakan
Preetham Kumar atau jumlah node FPTree yaitu
7729, sehingga Nilai Penurunan jumlah node
penelitian ini =(1-(4855 /7729) )%= 37.18%
dengan nilai rata-rata penurunan 35.78%
Nilai Penurunan jumlah node yang
merupakan perbandingan jumlah node setelah
dilakukan partisi fuzzy dan sebelum partisi fuzzy
meningkatkan Penurunan jumlah node penelitian
Pretham Kumar dari 13.9% menjadi 37.18% yang
artinya meningkatkan efisiensi komputasi sebesar
1-(13.9/37.18) = 63% dari penelitian sebelumnya
5.Kesimpulan
1 Penelitian ini memberikan kontribusi berupa
penurunan jumlah node karena adanya
penambahan metode partisi fuzzy pada
struktur data weighted tree. Adapun besarnya
angka penurunan jumlah node rata-rata
mencapai 30.7% terhadap penelitian Pretham
kumar dan 35.78% terhadap FPTree.
2 Dengan menurunkan jumlah node pada proses
pembangkitan
frequent
itemset
akan
didapatkan nilai big operation yang lebih baik
pada proses pembacaan dari segi perhitungan
waktu dan space yang digunakan.
3 Dari hasil ujicoba dataset, didapatkan bahwa
nilai weight minimum support berbanding
terbalik dengan jumlah transaksi, jumlah
node dan waktu proses. Artinya jika nilai
weight minimum support rendah maka jumlah
transaksi, jumlah node dan waktu proses
meningkat. Pemilihan nilai weight minimum
support yang tepat sangat diperlukan untuk
mendapatkan
hasil
yang
diinginkan
pengguna.
4 Hasil uji coba adalah frequent itemset yang
dibangkitkan berdasarkan nilai weight berupa
quantity item pada struktur tree dengan
pertimbangan batasan nilai support dan
confidence
4)
5)
6)
7)
Inteligent Research, ISSN 0973-1873,
Vol. 5, No. 1, hal. 11-23.
Kumar P dan Ananthanarayana. (2008),
“Discovery of frequent itemsets using
weighted tree approach”, IJCSNS
International Journal of Computer
Science and Network Security, Vol. 8
No.8, hal. 195-200.
Lin, R.H., Chuang, C.L., Liou, J.H, dan
Wu, G.D. (2008), “An integrated method
for finding customers in CRM”. Expert
Systems with Applications, Entry from
http://www.sciencedirect.com/science).
Jian, W dan Ming, L.X (2008), “An
Effective Mining Algorithm for weighted
Association Rules in Communication
Network”, Journal of Computers, Vol. 3,
No. 10, hal. 20-27.
Wang, C.H dan Pang, C.T (2009),
“Finding Fuzzy Association Rules using
FWFP Growth with Linguistic Supports
and Confidences”, World Academy of
Science, Engineering and Technology
No. 53, hal. 1139-1147.
Rahman, A.M, Ashkan Z, Masoud R, dan
Mostafa, H.C (2006), “Complete
Discovery of Weighted Frequent
Subtrees in Tree-StructuredDatasets”,
IJCSNS International Journal of
Computer Science and Network Security,
Vol. 6 No. 8A, hal. 188-196.
Absari,
Dhiani
Tresna
(2008),
“Penggalian Top-K Frequent Closed
Constrained Gradient itemsets pada basis
data
retail”,
Entry
from
http://mmt.its.ac.id/library/?p=4737.
Daftar Pustaka
E,
Mohan
E,
dan
1) Anbalagan
Puttamadappa C. (2009), “Building Eshop using Incremental Association Rule
Mining and transaction clustering”,
International journal of Computational
8