Algoritma Apriori salah satu algoritma data mining dalam pembentukan asosiasi rule mining. Algoritma apriori adalah proses ekstraksi informasi dari suatu database, dilanjutkan dengan melakukan frequent item/itemset dan candidate generation dalam pembentukan asosiasi rule mining guna mendapatkan hasil nilai minimum support dan hasil nilai minimum confidence. Pada database yang cukup besar, algoritma apriori banyak menghasilkan pattern frequent item/itemset (pola sering muncul suatu item/itemset) yang banyak, karena harus melakukan candidate generation serta merekam database secara berulang-ulang. Dengan ini penulis berkeinginan mengembangkan algoritma apriori dengan melakukan penelitian tentang bagaimana meminimalkan frequent item/itemset pada apriori, tanpa melakukan candidate generation sehingga mempercepat tahapan penyelesaian pencarian asosiasi rule mining. Untuk solusi meminimalkan frequent item/itemset pada algoritma apriori, maka penulis menggunakan metode FP-Growth,dari hasil penelitian yang dilakukan dengan menggunakan dataset 1000 records pada TransactionID-Sales , pada apriori mulai dari k2, dihasil sebanyak 101 frequent item/itemset, sementara pada FP-Growth k2 sebanyak 40 frequent item/itemset. Dari jumlah hasil frequent item/itemset dapat disimpulkan bahwa dengan metode FP-Growth mampu meminimalkan jumlah frequent item/itemset pada algoritma apriori dan lebih efesien dari segi waktu, juga tahap penyelesaian lebih cepat, lebih terperinci dalam memaparkan hasil frequent item/itemset karena hasil frequent yang bernilai 1 masih diperhitungkan