<![CDATA[ABSTRACTRetail businesses that use a point-of-sales (POS) system store large quantities of sales transaction data. Transaction data stored in this large amount has the potential to have unknown knowledge. An example is knowledge about items that are often purchased simultaneously in one transaction, which in data mining terms is called frequent itemset.The frequent itemset can be found using the association rule discovery algorithm. The algorithms for finding association rules include the a priori algorithm and the frequent-pattern growth (FP-growth) algorithm. The FP-growth algorithm compresses sales transaction data that meet the criteria for frequent items into a data tree structure called the frequent-pattern tree (FP-tree), where the FP-tree data structure stores itemset association information (Han et al., 2011). The FP-growth algorithm performs frequent itemset discovery by performing tree traversal on the FP-tree data structure. Most of the execution time of the FP-growth algorithm is spent at this stage. Large shopping cart data has an impact on frequent itemset discovery times.This study implements the FP-growth algorithm using the functional programming language F #. The implementation of the FP-growth algorithm using F # is expected to accelerate the discovery time of frequent itemset compared to the implementation of the FP-growth algorithm using the imperative programming language.Keywords: association rules, data mining, FP-growth, F #, frequent itemset, functional programming, shopping cart.ABSTRAKUsaha retail yang menggunakan sistem point-of-sales (POS) menyimpan data transaksi penjualan barang dalam jumlah besar. Data transaksi yang tersimpan dalam jumlah besar ini berpotensi memiliki knowledge yang belum diketahui. Sebagai contoh adalah knowledge tentang barang yang sering dibeli secara bersamaan dalam satu transaksi, yang dalam istilah data mining disebut frequent itemset.Frequent itemset dapat ditemukan menggunakan algoritma penemuan aturan asosiasi. Algoritma penemuan aturan asosiasi antara lain adalah algoritma apriori dan algoritma frequent-pattern growth (FP-growth). Algoritma FP-growth mengkompresi data transaksi penjualan yang memenuhi kriteria frequent item ke dalam struktur data tree yang disebut frequent-pattern tree (FP-tree), dimana struktur data FP-tree menyimpan informasi asosiasi itemset (Han dkk., 2011). Algoritma FP-growth melakukan penemuan frequent itemset dengan melakukan tree traversal pada struktur data FP-tree. Sebagian besar waktu eksekusi algoritma FP-growth dihabiskan pada tahap ini. Data keranjang belanja yang berukuran besar berdampak pada waktu penemuan frequent itemset.Penelitian ini mengimplementasikan algoritma FP-growth menggunakan bahasa pemrograman fungsional F#. Implementasi algoritma FP-growth menggunakan F# diharapkan mempercepat waktu penemuan frequent itemset dibandingkan dengan implementasi algoritma FP-growth menggunakan bahasa program imperatif.Kata kunci: aturan asosiasi, data mining, FP-growth, F#, frequent itemset, functional programming, keranjang belanja.]]>
Copyrights © 2020
