Association Rule Mining (ARM) merupakan salah satu topik penelitian dalam data mining yang bertujuan menemukan korelasi atau pola yang menarik dalam database. Metode ARM mempunyai dua algoritma yang populer dalam pencarian pola item dalam suatu data transaksi yaitu Apriori dan FP-Growth. Algoritma Apriori sering digunakan karena prosesnya yang sederhana tapi memerlukan waktu yang cukup lama dalam prosesnya apabila data yang digunakan cukup besar. Algoritma FP-Growth hadir menyediakan jalan alternatif untuk mengatasi kekurangan algoritma Apriori. Namun dalam beberapa kasus, FP-Growth membutuhkan waktu yang lebih lama dibandingkan Apriori. Untuk mengatasi masalah tersebut data yang akan diolah dipartisi terlebih dahulu. Dilakukan analisis perbandingan efisiensi dan efektifitas algoritma Apriori dan FP-Growth dengan mempartisi data olah dalam studi kasus rekomendasi mata kuliah peminatan menggunakan metode Knowledge Discovery in Database (KDD). Analisis perbandingan efisiensi dilakukan berdasarkan lama waktu eksekusi dan konsumsi memori. Untuk analisis efektifitas menggunakan nilai support, confidence, dan Lift Ratio tertinggi dari masing-masing algoritma. Berdasarkan hasil pengujian, didapatkan hasil algoritma terbaik untuk rekomendasi mata kuliah peminatan adalah algoritma FP-Growth karena waktu eksekusi yang dibutuhkan lebih cepat 25% dan mampu menghasilkan lebih banyak rule dengan konsumsi memori 3,14% lebih sedikit dibandingkan algoritma Apriori. Hasil nilai support dan confidence tertinggi dari FP-Growth juga lebih tinggi dibandingkan Apriori.