Nilai Support (s) merupakan persentase jumlah kasus untuk kombinasi item tertentu.
Dimana XY merupakan jumlah transaksi yang berisi X dan Y, sementara N merupakan total jumlah seluruh transaksi. Nilai support menjadi ukuran yang sangat penting dalam aturan asosiasi karena aturan yang sangat lemah nilai support-nya berarti asosiasi tersebut cukup jarang tidak  terjadi dalam dataset (seluruh data transaksi).
Nilai Confident
Nilai Confident (c) merupakan persentase keakurasian dari aturan asosiasi yang dihasilkan.
Dimana XY merupakan jumlah transaksi yang berisikan X dan Y, sementara X merupakan jumlah transaksi yang berisikan X. Nilai confident yang tinggi menggambarkan banyaknya Y yang muncul dalam transaksi yang berisi X.
Contoh Algoritma pada Metode Association
Algoritma Apriori
Salah satu contoh algoritma yang digunakan pada metode Association adalah algoritma Apriori. Algoritma Apriori adalah suatu algoritma dasar yang diusulkan oleh Agrawal & Srikant pada tahun 1994 untuk penentuan frequent itemsets untuk aturan asosiasi boolean. Algoritma apriori termasuk jenis aturan asosiasi pada data mining.Aturan yang menyatakan asosiasi antara beberapa atribut sering disebut affinity analysis atau market basket analysis. Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan suatu kombinasi item. Salah satu tahap analisis association yang menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien adalah analisis pola frequensi tinggi (frequent pattern mining). Penting tidaknya suatu asosiasi dapat diketahui dengan dua tolak ukur , yaitu : support dan confidence. Support (nilai penunjang) adalah persentase kombinasi item tersebut dalam database, sedangkan confidence (nilai kepastian)
adalah kuatnya hubungan antar-item dalam aturan asosiasi.
Contoh : nilai support untuk itemset ( Beras->Buku) adalah 25%, minim nya nilai support tersebut ternyata berpengaruh pada nilai confident nya yang hanya 33%. Tentu untuk itemset tersebut tidak layak dijadikan sebagai salah satu aturan asosiasi dikarenakan nilai akurasi nya hanya 33%. Tentu saja, aturan-aturan yang minim nilai confident ini yang akan dipangkas oleh algoritma Apriori sehingga nantinya yang dihasilkan adalah aturan-aturan asosiasi yang memiliki nilai confident yang sesuai.
