IMPLEMENTASI ALGORITMA FP-GROWTH UNTUK MENEMUKAN POLA PEMBELIAN KONSUMEN PADA ANALISIS KERANJANG PASAR

Lusa Indah Prahartiwi

doi:10.36549/ijis.v7i1.208

IMPLEMENTASI ALGORITMA FP-GROWTH UNTUK MENEMUKAN POLA PEMBELIAN KONSUMEN PADA ANALISIS KERANJANG PASAR

Lusa Indah Prahartiwi

Sari

Analisis keranjang pasar adalah teknik dalam data mining yang biasanya digunakan untuk memprediksi perilaku pembelian pelanggan dan memprediksi produk apa yang diminati pelanggan. Tujuan utama analisis keranjang pasar yaitu memberikan informasi kepada pengecer untuk memahami perilaku pembelian dari pembeli, yang dapat membantu pengecer dalam pengambilan keputusan yang benar. Analisis keranjang pasar dapat dilakukan melalui pengetahuan Association Rule Mining. Association Rule Mining merupakan proses untuk menemukan hubungan antara item atau item set. Selama ini banyak perusahaan retail yang dalam menata produk-produknya dengan mengelompokan berdasarkan jenisnya saja. Misalnya, produk roti diletakan pada etalase khusus roti dan berdekatan dengan kue-kue lainnya. Padahal, kemungkinan besar jika konsumen membeli roti, konsumen tersebut juga akan membeli susu. Penelitian ini menggunakan dataset transaksi Online Retail II. Dataset terdiri dari 216 atribut yang diambil berdasarkan customer yang berasal dari negara Jepang. Pengolahan data dengan menerapkan algoritma FP-Growth dan menggunakan tools Rapid Miner Studio. Hasil eksperimen diperoleh aturan asosiasi sebanyak 324 rules dan frequent itemset yang dihasilkan berupa kombinasi produk Lunch Bag Dolly Girl Design-Red Spotty Biscuit Tin. Kekuatan korelasi atau lift ratio yang didapat oleh kombinasi Lunch Bag Dolly Girl Design-Red Spotty Biscuit Tin adalah sebesar 3,429

Kata Kunci: Analisis Keranjang Pasar; Association Rule Mining; FP-Growth

Teks Lengkap:

PDF (Indonesia)

Referensi

M. Kaur and S. Kang, "Market Basket Analysis: Identify the Changing Trends of Market Data Using Association Rule Mining," Procedia Comput. Sci., vol. 85, no. Cms, pp. 78–85, 2016, doi: 10.1016/j.procs.2016.05.180.

S. Halim, T. Octavia, and C. Alianto, "Designing facility layout of an amusement arcade using market basket analysis," Procedia Comput. Sci., vol. 161, pp. 623–629, 2019, doi: 10.1016/j.procs.2019.11.165.

S. Bagui, K. Devulapalli, and J. Coffey, "A heuristic approach for load balancing the FP-growth algorithm on MapReduce," Array, vol. 7, no. May, p. 100035, 2020, doi: 10.1016/j.array.2020.100035.

K. Venkatachari, "Market Basket Analysis: Understanding Indian Consumer Buying Behavior of Spain Market," BVIMSR's J. Manag. Res., vol. 8, no. 1, pp. 49–55, 2016, [Online]. Available: https://search.proquest.com/docview/1789990237?accountid=10297%0Ahttp://resolver.ebscohost.com/openurl?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&rfr_id=info:sid/ProQ%3Aabicomplete&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.jtitle=.

K. Wisaeng, "Association rule with frequent pattern growth algorithm for frequent item sets mining," Appl. Math. Sci., vol. 8, no. 98, pp. 4877–4885, 2014, doi: 10.12988/ams.2014.46432.

A. Bhandari, A. Gupta, and D. Das, "Improvised apriori algorithm using frequent pattern tree for real time applications in data mining," Procedia Comput. Sci., vol. 46, no. Icict 2014, pp. 644–651, 2015, DOI: 10.1016/j.procs.2015.02.115.

J. Han, M. Kamber, and J. Pei, Data Mining Concepts and Techniques Third Edition, Third Edit. Morgan Kaufmann, 2012.

C. Zhang, Research of big-data mining visualization application, vol. 259 LNEE. 2014.

M. Narvekar and S. F. Syed, "An optimized algorithm for association rule mining using FP tree," Procedia Comput. Sci., vol. 45, no. C, pp. 101–110, 2015, doi: 10.1016/j.procs.2015.03.097.

X. Chen, S. Xue, T. Yang, and Q. Q. Yang, "Research on influencing factors of line loss rate of regional distribution network based on apriori-interpretative structural model," Energy Reports, vol. 8, pp. 53–64, 2022, doi: 10.1016/j.egyr.2022.03.048.

J. Han and M. Kamber, Data mining: Data mining concepts and techniques. 2014.

A. Bhandari, A. Gupta, and D. Das, "Improvised apriori algorithm using frequent pattern tree for real time applications in data mining," in Procedia Computer Science, 2015, vol. 46, pp. 644–651, doi: 10.1016/j.procs.2015.02.115.

T. Kutuzova and M. Melnik, "Market basket analysis of heterogeneous data sources for recommendation system improvement," Procedia Comput. Sci., vol. 136, pp. 246–254, 2018, doi: 10.1016/j.procs.2018.08.263.

M. John and H. Shaiba, "Apriori-Based Algorithm for Dubai Road Accident Analysis," Procedia Comput. Sci., vol. 163, pp. 218–227, 2019, doi: 10.1016/j.procs.2019.12.103.

J. Wang and Z. Cheng, "FP-Growth based Regular Behaviors Auditing in Electric Management Information System," Procedia Comput. Sci., vol. 139, pp. 275–279, 2018, doi: 10.1016/j.procs.2018.10.268.

DOI: https://doi.org/10.36549/ijis.v7i1.208