ABSTRAKSI: Data mining bertujuan untuk menemukan pola-pola yang menarik dalam sejumlah besar data. Salah satu fungsionalitasnya adalah asosiasi, yang bertujuan untuk menemukan rule asosiasi yang memenuhi nilai minimum support (minsup) dan minimum confidence (minconf). Pada beberapa penelitian asosiasi, telah dikembangkan teknik asosiasi yang menggunakan single minimum support (single minsup). Penggunaan single minsup pada data yang mempunyai distribusi item yang sangat bervariasi (skewed item distribution) akan menimbulkan permasalahan. Jika nilai minsup-nya terlalu tinggi maka tidak akan didapatkan rule asosiasi yang melibatkan item yang jarang, jika minsup rendah mengakibatkan rule asosiasi yang dihasilkan terlalu banyak dan ada rule yang kurang bermakna.
Pada tugas akhir ini telah diimplementasikan penggunaan multiple minimum supports dalam data mining asosiasi dengan algoritma MSApriori untuk menangani permasalahan tersebut. Teknik ini memungkinkan pengguna menspesifikasikan nilai minsup yang berbeda pada setiap item, sehingga setiap rule asosiasi mempunyai batas minsup masing-masing sesuai dengan item yang terlibat dalam rule tersebut.
Dengan penggunaan multiple minimum supports, nilai minsup bersifat fleksibel, karena setiap item mempunyai batas minimum item support (MIS) masing-masing. Untuk mendapatkan rule asosiasi yang melibatkan item yang jarang dapat dilakukan dengan memberikan nilai MIS yang rendah terhadap item yang dimaksudkan. Pembangkitan frequent itemsets dan rule asosiasi menjadi lebih efisien karena jumlah frequent itemsets dan rule asosiasi yang dibangkitkan lebih sedikit daripada jumlah frequent itemsets dan rule asosiasi yang dibangkitkan dengan sinlge minsup jika nilai minsup diset rendah.Kata Kunci : minimum support, multiple minimum supports, frequent itemsets, rule asosiasi, minimum item supportABSTRACT: Data mining purpose is to find interesting patterns within great number of data. One of its functionality is association that is finding association rule which meet minimum support value (minsup) and minimum confidence (minconf). Association technique by using a minsup has been developed in many researches. Using single minimum support in data which frequency of items vary a great deal can make problems. If minsup is too high, there wouldn’t be found any rules contain rare item, if minsup is too low there would be too many rules find and some rules are meaningless.
In this final task, I already have implemented the using of multiple minimum supports using MSApriori algorithm in order to solve that problem. This technique allows users to specify different minimum item support (MIS) threshold for each item, so different rule may satisfy different minimum support.
By using multiple minimum supports, minsup threshold become flexible, because each item have its own minimum item support (MIS). To generate rules that involves rare item, its can be done by giving very low MIS for the items. Because the number of frequent itemsets and association rules decrease, by using multiple minimum supports could improve the efficiency of frequent itemsets and association rules generation.Keyword: minimum support, multiple minimum supports, frequent itemsets, association rules