Tesis ini membahas tentang komparasi dari teknik Association Rules dalam data mining dengan algoritma Apriori dengan Improved Apriori berbasis Matrix beserta Apriori, Eclat, FP-Growth yang telah dioptimasi dengan trie. Dalam association rules walaupun Apriori melakukan proses pemotongan candidate generation (prunning), tetapi harus tetap melakukan scanning ulang terhadap keseluruhan database dalam proses menemukan frequent itemset. Hal tersebut menjadi kendala pada saat database yang discan berukuran besar (VLDB). Sementara Improved Apriori berbasis Matrix yang merupakan gabungan dari algoritma Apriori konvensional dan Matrix, menghilangkan proses recursive scanning dengan mentransformasikan database dalam bentuk database matrix untuk mendapatkan frequent itemset. Penelitian ini juga mengusulkan metode Improved Apriori berbasis Matrix dengan penambahan database dinamis yaitu Incremental Market Basket Analysis. Dataset yang digunakan diambil dari beberapa market basket data dan kemudian dibandingkan berdasarkan waktu yang digunakan dalam mencari frequent itemset. Hasil penelitian menunjukkan waktu pencarian frequent itemset Improved Apriori berbasis Matrix cukup baik dibanding Apriori konvensional, namun masih dibawah Improved Apriori berbasis Matrix dengan Incremental Market Basket Analysis dan Apriori, Eclat dan FP-Growth Optimasi dengan trie. Waktu pencarian frequent itemset untuk Improved Apriori dan Incrementnya dengan database berukuran besar dan kombinasi item yang panjang menunjukkan jumlah waktu pencarian yang cukup lama, sedangkan database berukuran besar tetapi dengan kombinasi item yang pendek tidak menunjukkan perbedaan waktu yang besar.