ALGORITMA PARALEL FP-GROWTH UNTUK PENGGALIAN KAIDAH ASOSIASI PADA JARINGAN KOMPUTER
DOI:
https://doi.org/10.12962/j24068535.v9i2.a37Abstract
Algoritma paralel untuk penggalian kaidah asosiasi pada dataset yang besar sangat dimungkinkan dengan tujuan utama untuk mengurangi waktu eksekusi. Semakin besarnya dataset, rata-rata jumlah item dalam sebuah transaksi dan rata-rata jumlah panjang large itemset yang digunakan akan menambah waktu eksekusi dalam penggalian kaidah asosisasi. Oleh karena itu, berbagai algoritma paralel banyak dikembangkan dengan seiringnya waktu, salah satunya adalah algoritma paralel FP-Growth secara trivial paralellization. Pada penelitian ini, algoritma paralel yang dibentuk akan diimplementasikan terhadap salah satu algoritma penggalian kaidah asosiasi yaitu algoritma FP-Growth. FP-Growth dipilihkarena memiliki banyak keuntungan dengan struktur data FP-Tree sebagai bentuk kompresi dataset dan tidak ada waktu yang terbuang untuk perulangan proses pengamatan dataset dibandingkan algoritma sebelumnnya seperti Apriori. Uji coba dilakukan di lingkungan komputer paralel berbasis jaringan komputer dengan menggunakan Pustaka Massage Passing Interface dan hasilnya membuktikan bahwa algoritma paralel FP-Growth menunjukkan performa yang lebih baik daripada algoritma FP-Growth pada komputer tunggal.
Downloads
Downloads
Published
Issue
Section
How to Cite
License
All papers should be submitted electronically. All submitted manuscripts must be original work that is not under submission at another journal or under consideration for publication in another form, such as a monograph or chapter of a book. Authors of submitted papers are obligated not to submit their paper for publication elsewhere until an editorial decision is rendered on their submission. Further, authors of accepted papers are prohibited from publishing the results in other publications that appear before the paper is published in JUTI unless they receive approval for doing so from the Editor-in-Chief.
JUTI open access articles are distributed under a Creative Commons Attribution-ShareAlike 4.0 International License. This license lets the audience to give appropriate credit, provide a link to the license, and indicate if changes were made and if they remix, transform, or build upon the material, they must distribute contributions under the same license as the original.