Deskripsi
Penelitian ini berfokus pada evaluasi komparatif tiga algoritma utama Association Rule Mining (ARM): Apriori, FP-Growth, dan Eclat untuk memetakan pola pembelian produk. Inti penelitian terletak pada pembedahan mekanisme kerja tiap algoritma: Apriori yang berbasis iterasi candidate generation, FP-Growth dengan struktur tree-based tanpa kandidat, dan Eclat yang menggunakan pendekatan vertikal melalui TID-set intersection. Melalui implementasi Python, ketiga algoritma diuji dalam satu kerangka kerja untuk mengukur parameter performa secara objektif. Fokus evaluasi meliputi efisiensi waktu eksekusi (runtime), skalabilitas terhadap volume data, serta konsistensi frequent itemset yang dihasilkan pada berbagai ambang batas support dan confidence. Keunikan penelitian ini adalah kemampuannya menyajikan analisis komparatif yang mendalam mengenai kapan sebuah algoritma lebih unggul secara komputasi dibandingkan lainnya. Hasil penelitian ini memberikan kontribusi teknis dalam memilih arsitektur algoritma yang paling efisien untuk membangun sistem rekomendasi bundling produk yang akurat dan responsif.
