Eksplorasi Frequent Itemset untuk Pola Asosiasi Produk Toko Bahan Kue Menggunakan Algoritma Apriori
DOI:
https://doi.org/10.35473/jamastika.v5i1.4570Abstract
Data Mining dan Analisis Pola adalah teknik penting dalam bisnis untuk menemukan pola tersembunyi dalam data transaksi. Penelitian ini membandingkan dua algoritma aturan asosiasi, yaitu Apriori dan FP-Growth, dalam mengidentifikasi hubungan antar produk. Tujuan dari penelitian ini adalah mengevaluasi kecepatan pemrosesan dan kualitas aturan yang dihasilkan oleh kedua algoritma dalam konteks ritel. Dataset yang digunakan berasal dari transaksi toko bahan kue, terdiri dari 143.523 entri dan 97.548 transaksi. Dataset ini dipilih karena relevansinya dalam analisis pola belanja pelanggan untuk meningkatkan strategi pemasaran. Uji coba dilakukan dengan parameter minimum support sebesar 0,01, dan hasil menunjukkan bahwa FP-Growth lebih cepat dalam pemrosesan dibandingkan Apriori, dengan selisih waktu rata-rata sebesar 33,33% lebih cepat pada dataset yang sama. Hasil penelitian ini memberikan manfaat bagi pemilik minimarket, yaitu penggunaan algoritma FP-Growth dalam analisis pola belanja dapat membantu dalam menyusun penataan produk dan strategi promosi yang lebih efektif. Selain itu, penelitian ini juga memberikan kontribusi dalam bidang Sistem Informasi dengan menunjukkan kemampuan FP-Growth dalam menangani data transaksi skala besar, serta memberikan wawasan dalam memilih algoritma yang sesuai untuk keperluan bisnis ritel.
Kata Kunci: Algoritma Apriori, Aturan Asosiasi, Data Mining.
Data mining is an important technique in business analysis for finding hidden patterns in transaction data. This research compares the performance of two association rule algorithms, Apriori and FP-Growth, in identifying patterns of product relationships. The study aims to evaluate the processing time efficiency and the quality of association rules generated by both algorithms in a retail context. The dataset used comes from a bakery supplies store, including 143,523 entries and 97,548 transactions. This dataset was chosen based on its relevance to customer purchasing pattern analysis for marketing strategy optimization. Testing was conducted with a minimum support parameter of 0.01, and the results showed that FP-Growth performed better in processing speed compared to Apriori, with an average execution time difference of 33.33% faster on the same dataset. The implications of this research for minimarket owners are that using the FP-Growth algorithm for purchase pattern analysis can help improve product arrangement and more effective promotional strategies. Additionally, this study contributes to the field of Information Systems by showing the effectiveness of FP-Growth in handling large-scale transaction data, as well as providing insights into selecting the right algorithm for retail business needs.
Keywords: Apriori algorithm, Association rules, Data mining.
References
Agus Setiawan, F., Hamra, H., & Masnur, M. (2024). Pola Pembelian Produk Parfum Menggunakan Algoritma Apriori Berdasarkan Data Mining Rule Asosiasi. Jurnal Sintaks Logika, 4(3), 51–63. https://doi.org/10.31850/jsilog.v4i3.3334
Arifin, M., Helmi, F., & Iddrus. (2025). Analisis Perbandingan Algoritma Asosiasi Data Mining pada Minimarket Adi Poday dengan Google Collab. Jurnal Algoritma, 22(1), 103–114. https://doi.org/10.33364/algoritma/v.22-1.2177
Aziz, Y., Hasdiana, H., & Nurjamiyah, N. (2022). Analisis Asosiasi Rule Mining Dalam Rekomendasi Sparepart Pada Bengkel Service 227 Menggunakan Algortima Ct-Pro. Jurnal Media Informatika, 4(1), 31–39. https://doi.org/10.55338/jumin.v4i1.403
Febrivani, E., & Winanjaya, R. (2021). Penerapan Data Mining Asosiasi Pada Persediaan Obat. Jurnal Ilmu Komputer Dan …, 3(3), 354–365. http://ejournal.sisfokomtek.org/index.php/jikom/article/view/141%0Ahttp://ejournal.sisfokomtek.org/index.php/jikom/article/download/141/133
Gunadi, G., & Sensuse, D. I. (2012). Penerapan Metode Data Mining Market Basket Analysis Terhadap Data Penjualan Produk Buku Dengan Menggunakan Algoritma Apriori Dan Frequent Pattern Growth ( Fp-Growth ) : Telematika, 4(1), 118–132.
Hibnastiar, N. A., Setiawan, A. F., & Susanto, E. H. (2025). Penerapan Algoritma Apriori dalam Menentukan Rekomendasi Paket Produk. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 5(1), 321–331. https://doi.org/10.57152/malcom.v5i1.1782
Inda Anggraini. (2023). Penerapan Metode Asosiasi Data Mining Pada E-Commerce Toko Nadhira. JTIK (Jurnal Teknik Informatika Kaputama), 7(2), 304–311. https://doi.org/10.59697/jtik.v7i2.105
Lestari, N., & Gunawan, R. F. (2021). Implementasi Data Mining Untuk Menentukan Pola Penjualan Dengan Market Basket Analysis. Insearch: Information System Research Journal, 1(02), 30–38. https://doi.org/10.15548/isrj.v1i02.2992
Liu, Y., Wang, L., Miao, R., & Ren, H. (2022). A Data Mining Algorithm for Association Rules with Chronic Disease Constraints. Computational Intelligence and Neuroscience, 2022. https://doi.org/10.1155/2022/8526256
Prasetyo, A., Sastra, R., & Musyaffa, N. (2020). Implementasi Data Mining Untuk Analisis Data Penjualan Dengan Menggunakan Algoritma Apriori (Studi Kasus Dapoerin’S). Jurnal Khatulistiwa Informatika, 8(2). https://doi.org/10.31294/jki.v8i2.8994
Putri, S. D., & Sitohang, S. (2023). Analisis Pola Pembelian Konsumen Menggunakan Algoritma Apriori. Computer and Science Industrial Engineering (COMASIE), 9(7), 1504–1513. https://doi.org/10.33884/comasiejournal.v9i7.7889
Riszky, A. R., & Sadikin, M. (2019). Data Mining Menggunakan Algoritma Apriori untuk Rekomendasi Produk bagi Pelanggan. Jurnal Teknologi Dan Sistem Komputer, 7(3), 103–108. https://doi.org/10.14710/jtsiskom.7.3.2019.103-108
Rizky Mangunsong, A., Sihombing, V., & Rasyid Munthe, I. (2024). Pengembangan Sistem Rekomendasi Produk Berdasarkan Pola Pembelian dengan Pendekatan Algoritma Apriori. Jurnal Ilmu Komputer Dan Sistem Informasi (JIKOMSI), 7(1), 82–86. https://doi.org/10.55338/jikomsi.v7i1.2718
Takdirillah, R. (2020). Penerapan Data Mining Menggunakan Algoritma Apriori Terhadap Data Transaksi Sebagai Pendukung Informasi Strategi Penjualan. Edumatic : Jurnal Pendidikan Informatika, 4(1), 37–46. https://doi.org/10.29408/edumatic.v4i1.2081
Zahrotun, L., Setiadi, T., Mufti Haryadi, T., & Rule, A. (2018). Jurnal Nasional Teknologi dan Sistem Informasi Attribution-NonCommercial 4.0 International. Some rights reserved Artikel penelitian Aplikasi Data Mining untuk Mencari Pola Asosiasi Tracer Study Menggunakan Algoritma FOLDARM KATA KUNCI. 01, 37–43.
