ABSTRAKSI: Dengan semakin luasnya penggunaan komputer di dalam bisnis, pemerintahan dan ilmu pengetahuan, penemuan pola-pola yang menarik dari basisdata berukuran besar menjadi sangat penting. Data mining muncul sebagai solusi bagi masalah analisis data yang dihadapi oleh banyak organisasi. Salah satu fungsionalitas dalam data mining adalah asosiasi yang bertujuan untuk menemukan rule-rule asosiasi yang memenuhi minimum support dan minimum confidence. Pada awalnya penemuan rule asosiasi difokuskan pada konsep satu level. Bagaimanapun juga, seringkali diinginkan untuk menemukan rule asosiasi pada konsep multi level, yang mana akan menyediakan informasi yang dibutuhkan, dari solusi umum ke spesifik.
Pada tugas akhir ini telah diimplementasikan metode top-down progressive deepening dengan algoritma ML-T2L1 untuk menemukan frequent itemset dan rule-rule asosiasi multi-level pada konsep multi-level dan juga akan dianalisis performansi algoritma berdasarkan jumlah transaksi, ukuran basisdata, minimum support, minimum confidence, jumlah level terhadap waktu untuk menemukan solusi dan jumlah solusi yang ditemukan.
Nilai minimum support dan nilai minimum confidence dapat mempengaruhi kinerja perangkat lunak. Jika semakin besar nilai minimum support yang ditentukan pada level-1 maka semakin kecil waktu yang dibutuhkan untuk membangkitkan frequent itemset pada level berikutnya dan semakin besar nilai minimum confidence maka jumlah rule asosiasi yang dihasilkan semakin sedikit. Peningkatan jumlah transaksi mempengaruhi waktu untuk membangkitkan frequent itemset dan rule asosiasi. Semakin banyak jumlah transaksi maka waktu yang dibutuhkan untuk membangkitkan frequent itemset dan rule asosiasi yang dihasilkan semakin banyak.Kata Kunci : data mining, multiple-level association rules, frequent itemsets, top-down progressive deepening, algoritma ML-T2L1ABSTRACT: With the widespread computerization in business, government, and science, the efficient and effective discovery of interesting patterns from large databases becomes essential. Data mining emerges as a solution to the data analysis probems faced by many organization. One of data mining functionality is association that is finding association rule which meet minimum support and minimum confidence value. Previously data mining have been focused on the discovery of knowledge at a single conceptual level. However, it is often desirable to discover knowledge at multiple level, which will provide a needed information, from general to specific solution.
In this final project will be implement top-down progressive deepening with ML-T2L1 algorithm to find frequent itemset and multiple-level association rules at multiple conceptual level and will be analysis about performance algorithm consider number of transaction, size of database, minimum support, minimum support, number of level to time for discoverying solution and number of solution found.
Minimum support and minimum confidence value can influence performance of software. If value of ever greater support define in level-1 hence the time for forming of frequent itemset smaller to the next level and greater minimum confidence hence number of association rule is formed smaller. The raising of transaction number influence time for generating frequent itemset dan association rules. Ever greater number of transaction hence the time for forming frequent itemset and association rule become smaller.Keyword: data mining, multiple-level association rules, frequent itemsets, top-down progressive deepening, ML-T2L1algorithm