This research focuses on analyzing the global company market capitalization dataset using the FP-Growth algorithm combined with a load-balancing constraint approach. The main objective is to identify association patterns among different market capitalization categories Small, Medium, Large, Mega, and Ultra to understand their distribution and interrelationships. The study begins with data preprocessing, cleaning, and categorization of companies based on their market values. The FP-Growth algorithm is applied with a minimum support threshold of 0.02, and a load balancing constraint is introduced by filtering rules with support ≥ 0.05 and lift > 1, ensuring balanced and significant association patterns. The analysis results show that the most dominant categories are Medium and Small, representing the majority of companies worldwide, while Large, Mega, and Ultra categories are relatively rare. The strongest rule indicates that countries with “Large” companies are very likely to also have “Small” and “Medium” companies. Evaluation metrics show an average lift of 1.171 and an average confidence of 1.000, confirming strong and reliable associations. Overall, this study provides insights into global market capitalization patterns and demonstrates the effectiveness of FP-Growth with constraints in revealing meaningful, balanced relationships within large-scale business data.
 
Keywords – FP-Growth, Load Balancing Constraint, Market Capitalization, Association.

Ledakan data transaksi ritel yang terekam melalui sistem Point of Sale (POS) dan platform daring menuntut metode analisis yang efektif untuk menggali pola pembelian konsumen. Association Rule Mining merupakan pendekatan populer untuk menemukan keterkaitan antarproduk, dengan algoritma Apriori dan FP-Growth sebagai dua metode yang paling banyak digunakan. Penelitian ini bertujuan memberikan gambaran empiris mengenai efektivitas kedua algoritma tersebut pada data transaksi ritel yang nyata. Metode yang digunakan meliputi tahapan data understanding untuk mengenali struktur data, data cleaning untuk menghapus nilai kosong dan menyeragamkan format, serta data transformation menggunakan TransactionEncoder untuk mengubah data mentah menjadi format biner (one-hot encoded). Selanjutnya algoritma Apriori dan FP-Growth dijalankan dengan parameter yang sama untuk menghasilkan frequent itemsets dan aturan asosiasi. Evaluasi kinerja dilakukan dengan mengukur waktu pemrosesan, jumlah aturan yang dihasilkan, serta nilai support, confidence, dan lift tertinggi. Hasil penelitian menunjukkan bahwa kedua algoritma menghasilkan jumlah aturan yang sama (63 aturan) dengan support tertinggi 0,06, confidence tertinggi 0,51, dan lift tertinggi 3,29, tetapi waktu pemrosesan berbeda signifikan (Apriori 0,39 detik, FP-Growth 6,95 detik). Kesimpulannya, association rule mining efektif mengungkap pola pembelian konsumen, dan algoritma Apriori lebih efisien untuk dataset kecil hingga menengah, sedangkan FP-Growth lebih sesuai untuk dataset yang jauh lebih besar.
Keywords - Association Rules, Apriori, FP-Growth, Frequent Itemset, Transaksi Ritel.

Prediksi pendapatan yang akurat sangat penting untuk menjaga keberlanjutan finansial, mengoptimalkan alokasi sumber daya, dan membantu perencanaan strategis rumah sakit. Untuk memprediksi pendapatan bulan Agustus, data historis pendapatan digunakan dari Januari hingga Juli 2022. Pra-pemrosesan data termasuk menangani nilai kosong atau nilai yang tidak ada, memilih fitur, dan membagi data menjadi set pelatihan dan pengujian. Metode utama untuk pelatihan model adalah algoritma XGBoost. Hasil evaluasi model diperoleh Mean Squared Error (MSE) dengan hasil 3.239, dan R-squared (R2) 0.99884, Metrik-metrik ini menunjukkan hasil prediksi yang sangat baik. Ditemukan bahwa data bulan Juni dan Juli memberikan kontribusi terbesar. Sistem dibangun dalam bentuk dashboard interaktif berbasis Gradio untuk meningkatkan aksesibilitas dan pemanfaatan hasil model. Oleh karena itu, manajemen rumah sakit dapat menggunakan solusi ini untuk membuat keputusan yang lebih tepat dan berbasis data. Secara keseluruhan, penelitian ini menunjukkan bahwa penggabungan pembelajaran mesin dan visualisasi interaktif dapat sangat bermanfaat dalam manajemen keuangan rumah sakit. Dengan kata lain, integrasi machine learning ke dalam sistem operasional membuka jalan bagi pengambilan keputusan yang lebih berbasis data (data-driven decision making) dan adaptif terhadap dinamika pasar. 
Kata kunci – Xgboost, Pendapatan, Prediksi, Gradio