ABSTRAK

         Association rule merupakan salah satu teknik data mining yang digunakan untuk menemukan aturan asosiatif antara suatu kombinasi item. Dalam teknik asosiasi terdapat beberapa algoritma diantaranya : algoritma apriori, FP – Growth, dan CT-Pro. Masalah utama penerapan algoritma apriori adalah memproduksi banyak rule dan memproduksi sejumlah rule yang tidak menarik dalam jumlah tinggi sehingga menghasilkan rule yang tidak berarti. Beberapa teknik dapat diimplementasikan untuk meningkatkan  hasil dari association rule apriori. Salah satunya menggunakan teknologi semantic web dengan  menerapkan basis pengetahuan  (knowledge  base) dalam  bentuk  ontology. Informasi dari association rule dengan ontology menerapkan perhitungan IR (interestingness rules) sebagai parameter untuk menentukan tingkat keterkaitan antar item dalam suatu dataset.
        Dari hasil serangkaian eksperimental menunjukkan bahwa rule yang dihasilkan oleh ARAO memiliki jumlah yang lebih sedikit, dan memiliki hasil pengukuran interestingness yang lebih baik dengan bentuk rules yang lebih kompleks yaitu adanya item tambahan pada rules, dan nilai lift ratio yang lebih tinggi dibandingkan dengan ARA yaitu nilai rata – rata lift ratio pada ARAO sebesar 1.35 sedangkan pada ARA sebesar 1.09. Karena hasil ARAO memiliki nilai lift ratio yang lebih baik maka memudahkan dalam mendapatkan informasi dalam proses association rule. Sehingga dapat disimpulkan bahwa ARAO dapat mendukung hasil association rule apriori.
Kata kunci : Association Rule, Apriori, Ontology, Interestingness Measure