1. IMPLEMENTASI ALGORITME FP-GROWTH UNTUK
MARKET BASKET ANALYSIS
DALAM MENENTUKAN PRODUCT BUNDLING
Putra Christianto Purba 1
, Elisafina Siswanto 2
Faculty of Informatics Engineering, Institut Teknologi Harapan Bangsa
Bandung, Indonesia
1 rambeism@gmail.com
2 elisafina@ithb.ac.id
Abstrak – Product bundling atau paket produk yang
sering dijumpai di swalayan atau mini-market. Hal ini
dapat meningkatkan keuntungan penjualan baik dari
segi finansial maupun brand produk tersebut. Data
mining atau penggalian data adalah cara dalam
mengetahui sejumlah pola informasi pada suatu data
yang besar dan bermanfaat bila bersifat implisit dan
belum diketahui sebelumnya. FP-Growth adalah satu
algoritma alternatif yang dapat digunakan untuk
menentukan himpunan data yang sering muncul
(frequent itemset) dalam sebuah kumpulan data.
Penelitian ini akan membahas proses pembentukan FP-
tree dari sekumpulan data transaksi untuk menemukan
pola pembelian produk oleh pelanggan dan
membentuknya menjadi saran untuk product bundling.
Dengan nilai support sebesar 20% dan confidence
sebesar 60% sebagai parameter optimal untuk algoritma
FP-Growth dan Apriori, hasil algoritma FP-Growth
menghasilkan bundling yang lebih banyak dan performa
yang lebih cepat dibanding algoritma Apriori.
Kata kunci - Product bundling, FP-Growth, FP-Tree,
Apriori
I. PENDAHULUAN
Saat ini, product bundling atau paket produk yang
sering dijumpai di swalayan atau mini-market. Banyak
pembeli merasa bahwa paketan produk ini
menguntungkan, dibandingkan dengan membeli
produk tersebut secara terpisah. Dari sisi produsen,
penjualan product bundling tersebut dapat
meningkatkan keuntungan penjualan baik dari segi
finansial maupun brand produk tersebut.
Data mining atau penggalian data adalah cara paling
efektif dalam mengetahui sejumlah pola informasi
pada suatu data yang besar. Pola informasi tersebut
akan bermanfaat bila bersifat implisit dan belum
diketahui sebelumnya. Pola asosiasi adalah salah satu
fungsionalitas yang menarik dalam melakukan
penggalian data. Karena pola tersebut banyak dipakai
dalam kehidupan masyarakat sehari-hari yang
berhubungan dengan data transaksi, seperti situs e-
commerce Lazada yang menjual perangkat
smartphone atau pengunduhan aplikasi pada Google
Play Store maka pola asosiasi dapat dikatakan
menarik.
FP-Growth adalah satu algoritme alternatif yang
dapat digunakan untuk menentukan himpunan data
yang sering muncul (frequent itemset) dalam sebuah
kumpulan data. FP-Growth menggunakkan
pendekatan yang berbeda dari paradigma apriori[1].
Pada penelitian ini penulis akan membuat aplikasi
penentuan product bundling berdasarkan pola
pembelian dari konsumen tersebut menggunakan data
mining berdasarkan data penjualan produk tersebut.
Dengan aplikasi ini, penentuan product bundling akan
menjadi lebih mudah dan cepat sehingga dapat
memotong waktu tim pemasar perusahaan dalam
menganalisis secara manual.
II. MARKET BASKET ANALYSIS DALAM
MENENTUKAN PRODUCT BUNDLING
A. Data Mining
Data mining atau penggalian data adalah proses untuk
mendapatkan informasi yang berguna dari basis data
yang besar dalam buku [2]. Data mining juga dapat
diartikan sebagai pengekstrakan informasi baru yang
diambil dari bongkahan data besar yang membantu
dalam pengambilan keputusan.
1) Konsep Data Mining
Berikut adalah langkah-langkah dalam data
mining:

2. Gambar 1 Konsep Data Mining [7]
a) Data selection yaitu proses membersihkan noise
data yang tidak konsisten.
b) Data preprocessing yaitu menggabungkan
beberapa file atau database.
c) Data transformation yaitu data berubah atau
bersatu menjadi bentuk yang tepat untuk
menambang dengan ringkasan performa atau
operasi agresi.
d) Data mining yaitu proses esensial dimana metode
yang intelejen digunakan untuk mengekstrak pola
data.
e) Pattern evolution yaitu untuk mengidentifikasi
pola yang benar-benar menarik yang mewakili
pengetahuan berdasarkan atas beberapa tindakan
yang menarik.
f) Knowledge presentation yaitu gambaran teknik
visualisasi dan pengetahuan digunakan untuk
memberikan pengetahuan yang telah ditambah
kepada user.
2) Tahapan Data Mining
Tahapan dalam melakukan data mining salah
satunya adalah preprocessing data. Tahapan ini
biasanya diperlukan karena data yang akan
digunakan belum baik, menurut [6].
3) Metode–Metode Data Mining
Data mining dibagi menjadi beberapa kelompok
berdasarkan tugas yang dapat dilakukan yaitu
deskripsi, estimasi, prediksi, klasifikasi, clustering,
dan asosiasi.
B. Nonprobability Sampling
Nonprobability sampling adalah teknik
pengambilan sampel data yang sebelumnya telah
dilakukan riset terlebih dahulu sehingga membentuk
suatu judgement [2].
C. Association Rule
Association rule adalah salah satu teknik utama atau
prosedur dalam market basket analysis untuk mencari
hubungan antar-item dalam suatu dataset dan
menampilkannya dalam bentuk associaton rule [5].
Dalam pencarian association rule dari suatu kumpulan
data, tahap pertama yang harus dilakukan adalah
mencari frequent itemset terlebih dahulu. Frequent
itemset adalah sekumpulan item yang sering muncul
secara bersamaan.
Metodologi dasar analisis asosiasi terbagi menjadi
3 (tiga) tahap [3], yaitu:
1) Analisis Support Threshold
Tahap ini mencari kombinasi item yang memenuhi
syarat minimum dari nilai support atau support
threshold dalam database. Nilai support sebuah item
diperoleh dengan rumus berikut:
Sementara itu, nilai support dari 2 item diperoleh dari
rumus berikut:
2) Pembentukan Aturan Asosiasi
Setelah semua pola frekuensi tinggi ditemukan,
kemudian mencari aturan asosiasi yang cukup kuat
ketergantungan antar item.
3) Analisis Lift Ratio
Lift ratio adalah alat ukur yang digunakan untuk
mengevaluasi kuat tidaknya sebuah aturan asosiasi
yang nantinya dapat digunakan sebagai informasi
dalam memprediksi peluang kuatnya hubungan antara
antecedent dan consequent pada suatu aturan (rules)
atau juga disebut strength of an effect atau baseline
likelihood.
D. Algoritme FP-Growth
Algoritme FP-Growth merupakan algoritme
association rules yang cukup sering dipakai.
Algoritme FP-Growth ini dikembangkan dari
algoritme apriori. Algoritme apriori menghasilkan
𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝐴, 𝐵) = 𝑃(𝐴 ∩ 𝐵)
𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝐴, 𝐵) =
𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 yang 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵
𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑜𝑡𝑎𝑙 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖
𝑥 100%
𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝐴) =
𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 yang 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴
𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑜𝑡𝑎𝑙 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖
𝑥 100%
𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 = 𝑃(𝐵 | 𝐴)
=
𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 yang 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵
𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑦𝑎𝑛𝑔 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴
𝐿𝑖𝑓𝑡 =
𝑃(𝐵 | 𝐴)
𝑃(𝐵)
=
𝑁𝑖𝑙𝑎𝑖 𝑐𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 𝐴 𝑑𝑎𝑛 𝐵
𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑦𝑎𝑛𝑔 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐵

3. kombinasi yang sangat banyak sehingga sangat tidak
efisien. Algoritme FP-Growth terbukti sangat efisien
karena hanya dilakukan pemetaan data atau scan
database sebanyak dua kali untuk membangun struktur
tree. Dengan menggunakan struktur FP-Tree,
algoritme FP-Growth dapat langsung mengekstrak
frequent itemset dari susunan FP-Tree yang telah
terbentuk.
Metode FP-Growth dapat dibagi menjadi 3 tahapan
utama yaitu sebagai:
1) Tahap Pembangkitan Conditional Pattern Base.
Conditional Pattern Base merupakan sub
database yang berisi prefix path dan suffix
pattern. Pembangkitan conditinal pattern base
didapatkan melalui FP-Tree yang telah dibangun
sebelumnya.
2) Tahap Pembangkitan Conditional FP-Tree.
Pada tahap ini, support count dari setiap item pada
setiap conditional pattern base dijumlahkan, lalu
setiap item yang memiliki jumlah support count
lebih besar atau sama dengan minimum support
count yang akan dibangkitkan dengan conditional
FP-Tree.
3) Tahap Pencarian frequent pattern
Apabila conditional FP-Tree merupakan lintasan
tunggal (single path), maka didapatkan frequent
pattern dengan melakukan kombinasi item untuk
setiap conditional FP-Tree. Jika bukan lintasan
tunggal, maka dilakukan pembangkitan FP-
Growth secara rekursif.
Pseudocode:
FP-Growth(Tree, α)
for each(anItem in the header of Tree) do {
β := anItem ∪ α
generate(β with support = anItem.support)
construct β's conditional base pattern
and β's conditional FP-Tree Treeβ
if Treeβ ≠ Ø
then call FP-growth(Treeβ, β)
III. IMPLEMENTASI DAN PENGUJIAN
Indikator pada kerangka penelitian ini adalah nilai
minimum support dan confidence sebagai parameter
sejauh mana penggalian frequent pattern dilakukan.
Pada penelitian ini, algoritme FP-Growth terbagi
menjadi tiga tahap yaitu preprocessing, FP-Tree
Construction, FP-Growth. Obyektif pada penelitian
ini adalah frequent pattern atau product bundling itu
sendiri berdasarkan produk – produk yang telah digali
dengan algoritme FP-Growth. Pengukuran yang
dilakukan pada penelitian ini adalah melakukan
analisa pada product bundling yang dihasilkan oleh
algoritme FP-Growth dengan menggunakkan nilai
support threshold dan confindence yang berbeda.
Gambar 2 Kerangka Penelitian
A. Analisis Kerja Sistem
Gambar 3 Flowchart kerja sistem
B. Data Sampling
Dalam pengambilan sampel data, teknik yang
digunakan adalah nonprobability sampling. Tujuan
utama dari pemaketan produk atau product bundling
ini adalah melakukan bundling terhadap produk .
Tabel 1 Penggalan data transaksi
NoBill Date Time Product Kategori Qty Price
006523
21/6/2014
21:02:59
Sari Roti
Coklat
Jenis
Roti 3
Rp9,000

4. 006523
21/6/2014
21:02:59
Kacang
Kulit
Garuda
Medium
Jenis
Snack 2
Rp4,000
006523
21/6/2014
21:02:59
Chitatoz
Snack
Jenis
Snack 1
Rp3,000
006523
21/6/2014
21:02:59
Ritz
Cheese
Biscuit
Jenis
Snack 1
Rp4,000
006523
21/6/2014
21:02:59
Pocky
Stick
200gr
Jenis
Snack 1
Rp10,000
C. Preprocessing
Tahap preprocessing diperlukan sebagai variabel
parameter untuk pembentukan FP-Tree dan proyeksi
pada FP-Growth.
1) Tahapan preprocessing:
a) Pengodean produk
Pengodean produk dilakukan dengan memberi
atribut identitas pada produk dengan tipe data
integer, sehingga pembentukan setiap node pada
FP-Tree lebih efisien
b) Frequent Item
Frequent items ditentukan dari banyaknya suatu
produk terbeli dalam sejumlah transaksi.
c) Support Threshold
Pemberian nilai minimum support untuk
menunjukkan korelasi antara suatu produk dengan
produk lainnya dengan menentukan minimum
support sebesar 20%. Langkah untuk mencari
frequency of occurrence yaitu scaning data
transaksi, menghapus data yang memiliki nilai
minimum support yang kurang dari 20%, dan
mencari frequency of occurrence dengan
mengurutkan tabel hasil cleaning berdasarkan
frequent terbesar sampai dengan terkecil
(descending).
d) Penyortiran Data Transaksi Berdasarkan Prioritas
Hasil dari frequency of occurrence akan diproses,
proses selanjutnya adalah mengurutkan data.
D. FP-Tree Construction
Setelah mendapatkan data yang telah diurutkan,
selanjutnya membuat FP-Tree.
Gambar 4 Flowchart FP-Tree Construction
Null
14:4 2:14
12:2
26:1
24:1
20:119:1
14:1
0
3:5
24:2
27:1
27:2
12:2
27:1
19:1
20:1
26:1 3:2
12:1
26:1
19:1
20:1
24:1
27:1
24:1 12:1
26:1
24:1
27:1
19:1
20:1
Gambar 5 Hasil Pembentukan FP-Tree setelah pembacaan
NoBill 076

5. E. Conditional Pattern Base
Gambar 6 Flowchart Conditional Pattern Base
Pembangkitan conditinal pattern base dilakukan
untuk menyimpan path menuju cabang-cabang FP-
Tree (suffix), dengan mencari support count terkecil
sesuai dengan hasil pengurutan priority yang terkecil.
F. Conditional FP-Tree
Support count dari setiap item pada tabel conditional
pattern base dijumlahkan, lalu setiap item yang
memiliki jumlah support count lebih besar atau sama
dengan minimum support akan dibangkitkan dengan
conditional FP-Tree.
G. Rule Generation
Selanjutnya yang akan dilakukan adalah mencari rules
yang memenuhi nilai minimum support dan
confidence yang telah ditentukan sebelumnya.
H. Analisis Bundling
Analisi bundling lebih lanjut dilakukan untuk
menyederhanakan hasil bundling yang didapat
sehingga hasil bundling yang akan direkomendasikan
menjadi lebih sederhana dan mempunyai presisi yang
tinggi.
Tabel 2 Hasil Akhir Rekomendasi Bundling
Rules Bundling Support Confidence Lift
14  2 [Kacang Kulit
Garuda Medium,
Bir Bintang
620ml]
55.56 71.43 5.1
3  2 [Bir Bintang Zero
Alcohol, Bir
Bintang 620ml]
27.78 71.43 5.1
3  14 [Bir Bintang Zero
Alcohol, Kacang
Kulit Garuda
Medium]
38.89 100 7.14
12 
14
[Gudang Garam
Signature, Kacang
Kulit Garuda
Medium]
22.22 66.67 4.76
24  3 [Richeese Wafer
Medium, Bir
Bintang Zero
Alcohol]
22.22 66.67 9.52
27  3 [Timtam Biscuit
Chocolate
Medium, Bir
Bintang Zero
Alcohol]
22.22 66.67 9.52
I. Analisis Big O Notation
Analisis Big O Notation atau kompleksitas waktu
asimptotik algoritme digunakan untuk mengetahui
efisiensi suatu algoritme.
Pseudocode analisis FP-Tree Construction:
Kompleksitas:
= O(n) (O(1) + O(1) + O(1) + O(1))
= O(n)
Pseudocode analisis FP-Growth
for i in n ----------------> O(n)
insert_tree(n[i], T)-
endfor
insert_tree([p|P], T)
If T has a child n, where n.item = p -->O(1)
increment n.count by one -------->O(1)
else
create new node N with n.count=1 ->O(1)
If P is nonempty call insert_tree(P, N --->O(1)
FP-Growth(Tree, α)
for each(anItem in the header of Tree) do {
β := anItem ∪ α
generate(β with support = anItem.support)
construct β's conditional base pattern
and β's conditional FP-Tree Treeβ
if Treeβ ≠ Ø
then call FP-growth(Treeβ, β)

6. Kompleksitas bergantung pada banyaknya item pada
header table dan kedalaman maksimum dari FP-Tree.
Oleh karena itu nilai kompleksitasnya seperti berikut:
= O(banyaknya item pada header table * kedalaman
maksimum FP-Tree)
= O(n*n)
= O(n2
)
Analisis total akhir kompleksitas
Kompleksitas untuk FP-Tree Construction adalah
O(n) sedangkan untuk FP-Growth adalah O(n2
), oleh
karena itu nilai total akhir kompleksitas adalah:
Kompleksitas
= O(n) + O(n2
)
= O(n2
)
J. Pengujian Perbandingan Waktu Eksekusi dan
Jumlah Rule
Pengujian ini membandingkan waktu eksekusi dan
jumlah rule yang dihasilkan dengan nilai support 10%
sampai 60% dan nilai confidence sebesar 60%.
Gambar 7 Perbandingan waktu eksekusi FP-Growth dan
Apriori
K. Pengujian Pengaruh Minimum Support dan
Confidence
Pengujian ini dilakukan dengan mengumpulkan data
untuk nilai support dan confidence yang berbeda-beda.
Jarak untuk nilai support dimulai dari 10% sampai
60%, sedangkan nilai confidence 30% sampai 80%.
Gambar 8 Grafik pengaruh nilai support dan confidence
terhadap jumlah rule
Gambar 9 Grafik pengaruh nilai support dan confidence
terhadap waktu eksekusi algoritme
IV.KESIMPULAN
Kesimpulan yang dapat ditarik dari pembuatan skripsi,
pengembangan aplikasi, dan pengujian tersebut adalah
sebagai berikut:
1. Nilai support sebesar 20% dari keseluruhan data
transaksi cukup optimal dalam mendapatkan
bundling yang efektif dengan memperhitungkan
waktu eksekusi algoritme.
2. Nilai support mempengaruhi waktu eksekusi
algoritme FP-Growth dan hasil bundling atau
jumlah rules yang didapat. Semakin kecil nilai
support, semakin lama waktu yang dibutuhkan
dalam pencarian pattern.
3. Algoritme FP-Tree dapat mencapat enam kali
lebih cepat pada nilai support 40% dan empat kali
lebih cepat pada nilai support 10% dibandingkan
dengan algoritme Apriori.
Pada penelitian ini, saran yang dapat diberikan untuk
penelitian tentang association data mining dalam
pengembangan yang akan datang diharapkan aplikasi
dapat merekomendasikan harga product bundling
yang dibuat dengan tetap memperhitungkan bila
terjadinya perubahan harga produk. Konsep metode
Time Series Analysis dapat digunakan untuk

7. permasalahan ini dalam menentukan harga rerata pada
harga suatu produk.
V. DAFTAR PUSTAKA
[1] R. Agrawal and R. Srikant, 1994. “Fast
algorithms for mining association rules in
large databases”. Research Report RJ 9839,
IBM Almaden Research Center, San Jose,
California.
[2] Deming, W. Edwards (1990). Sample Design
in business research. John Wiley and Sons.
p. 31. ISBN 0-471-52370-4.
[3] Fayyad, Usama; Piatetsky-Shapiro, Gregory;
Smyth, Padhraic (1996). "From Data Mining to
Knowledge Discovery in Databases" (PDF).
Retrieved 17 December 2008.
[4] Han J., Pei J., Yin Y., Mao R. 2004. Mining
Frequent Patterns without Candidate
Generation: A Frequent-Pattern Tree
Approach.
[5] J. Santoni 2012. Implementasi Data Mining
Dengan Metode Market Basket Analysis,”
Teknologi Informasi dan Pendidikan, vol. 5,
p.2.
[6] HCorona; Alan; Halfvim, Grocery shopping
datasets, 14 Agustus 2015,
http://recsyswiki.com/wiki/Grocery_shopping_
datasets, diakses pada tanggal 10 Maret 2016.
[7] Zentut, What is Data Mining,
http://www.zentut.com/data-mining/what-is-
data-mining/, diakses pada tanggal 20
September 2015.