421 Jurnal Teknik Informatika dan Sistem Informasi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 421-431 E- ISSN 2503-2933
Identifikasi Strategi Penjualan Dengan Pendekatan Asosiasi FP-Growth Pada Perusahaan Ritel Berkah
Foezi Arisandi1, Kristanto2, Christina Juliane3
1,3Program Studi Magister Sistem Informasi, STMIK LIKMI Bandung Jl. Ir. H. Juanda No. 96, Bandung 40132, Jawa Barat, Indonesia
e-mail: *1foeziarisandisj@gmail.com
Abstrak
Dalam menghadapi tren penjualan produk pada toko ritel, pengambilan keputusan oleh eksekutif perusahaan yang didasarkan pada data, fakta, dan pengetahuan dengan cepat dan tepat menjadi sebuah kebutuhan utama untuk meningkatkan penjualan serta daya saing. Pada Toko Ritel Berkah masih ditemukan adanya kendala pada penentuan strategi bundling produk dan display produk, maka diperlukan analisa terhadap data transaksi penjualan yang ada untuk menggali pengetahuan aturan asosiasi pada pola pembelian konsumen. Penelitian dilakukan dengan menggunakan metode data mining asosiasi fp-growth dan aplikasi RapidMiner sebagai alat bantu mining untuk memproses data penjualan periode satu tahun (01 Juni 2021 -31 Mei 2022) dengan jumlah transaksi penjualan 13734 dan jumlah record 49360. Berdasarkan penelitian yang telah dilakukan, diperoleh 6 aturan asosiasi tertinggi dengan nilai minimum support 0,001 dan nilai minimum confidence 0,01 dan menghasilkan 42 aturan asosiasi terendah dengan nilai minimum support 0,001 dan nilai minimum confidence 0,5. Aturan asosiasi yang ditemukan tersebut dapat digunakan sebagai bahan pertimbangan dalam membuat keputusan strategi penjualan produk bundling dan display produk yang efektif dan akurat sehingga secara khusus perusahaan dapat meningkatakan penjualan dan secara umum meningkatkan daya saing.
Kata kunci: data mining, assosiasi, algoritma fp-growth, rapidminer, ritel
Abstract
In facing the trend of product sales in retail stores, decision-making by company executives based on data, facts, and knowledge quickly and accurately becomes a major requirement to increase sales and competitiveness. At Berkah Retail Stores, it is still found that there are obstacles in determining product bundling strategies and product displays, it is necessary to analyze existing sales transaction data to explore the knowledge of association rules on consumer purchasing patterns. The study was conducted using the fp-growth association data mining method and the RapidMiner application as a tool for the mining to process sales data for a one-year period (June 1, 2021 - May 31, 2022) with the number of sales transactions 13734 and the number of records 49360. Based on the research that has been done, obtained the 6 highest association rules with a minimum support value of 0.001 and a minimum confidence value of 0.01 and resulted in the lowest 42 association rules with a minimum support value of 0.001 and a minimum confidence value of 0.5. The association rules found can be used as consideration in making decisions on effective and accurate product bundling and product display sales strategies so that the company can increase sales and in general increase competitiveness.
Keywords: data mining, association, fp-growth algorithm, rapidminer, retail
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 421-431 E- ISSN 2503-2933 422
1. PENDAHULUAN
Faktor penting dalam menentukan strategi bisnis adalah seorang eksekutif mampu mengambil keputusan yang cepat dan akurat. Hal itu menjadi tantangan bagi eksekutif untuk tidak mengambil keputusan berdasarkan intuisi, namun berdasarkan data [1]. Setiap transaksi kegiatan operasi pada perusahaan ritel pasti dilakukan pencatatan baik dicatat secara manual pada lembar kertas ataupun dicatat dengan menggunakan alat bantu komputer. Jumlah pencatatan transaksi tersebut dari waktu ke waktu terus bertambah semakin besar membentuk kumpulan data (database). Kumpulan data transaksi dengan jumlah besar memiliki nilai pengetahuan yang tersembunyi dan dapat digali untuk menunjang pengambilan keputusan strategi bisnis. Hal itu menjadi landasan munculnya konsep Data Mining [2].
Data Mining merupakan teknik ekstraksi data yang bertujuan untuk menguraikan informasi tersembunyi pada database. Ekstraksi data tersebut dapat dilakukan menggunakan perhitungan statistika, matematika, ataupun teknologi Artificial Intelligence (AI). Hasil yang diperoleh dari ekstrasi tersebut untuk menemukan pola hubungan pada setiap data. Hal itu dapat memberikan pengetahuan baru yang berguna, sehingga dapat dimanfaatkan sebagai pernyataan dalam mempertegas suatu hipotesis pada sebuah prediksi [3].
Perusahaan ritel Toko Berkah Sukabumi, menjual berbagai kebutuhan peralatan rumah tangga, cafe, restoran, dan katering dengan sekitar 800 jenis barang yang dijual. Strategi penempatan produk dan penawaran paket pembelian produk telah dilakukan, namun dalam pengambilan keputusannya masih dilakukan berdasarkan intuisi dan belum memaksimalkan analisa data-data transaksi penjualan. Kajian terdahulu dilakukan pada beberapa jurnal terbaru dan terkait dengan perolehan pengetahuan mengenai strategi penjualan barang pada toko ritel, seperti pada penelitian “IMPLEMENTASI ALGORITMA APRIORI UNTUK MENENTUKAN POLA PEMBELIAN PADA CUSTOMER (STUDI KASUS : TOKO BAKOEL SEMBAKO)”
penelitian tersebut digunakan 30 data transaksi sebagai bahan analisa dan satu aturan yang terbentuk yaitu jika pelanggan membeli produk seedap mie goreng maka akan membeli telur 250gr [4]. Berikutnya kajian yang dilakukan pada penelitian yang berjudul “PENERAPAN MARKET BASKET ANALYSIS PADA POLA PEMBELIAN BARANG OLEH KONSUMEN MENGGUNAKAN METODE ALGORITMA APRIORI” penelitan tersebut digunakan data transaksi penjualan terdahulu sebanyak 200 transaksi selama 1 bulan, terbentuk 10 aturan pola pembelian barang oleh konsumen yang dapat dijadikan acuan dalam menyusun tata letak pada penyimpanan barang yang dijual [5]. Kajian berikutnya yang dilakukan pada penelitian yang berjudul “PENGEMBANGAN STRATEGI TATA LETAK BARANG PADA TOKO “INA 2”
MENGGUNAKAN ALGORITMA APRIORI” dalam penelitian tersebut digunakan data transaksi penjualan terdahulu selama 15 bulan, terbentuk 5 aturan asosiasi yang dapat digunakan untuk mengatur tata letak barang [6]. Kajian berikutnya yang dilakukan pada penelitian yang berjudul “IMPLEMENTASI DATA MINING METODE ASOSIASI ALGORITMA FP- GROWTH PADA PERUSAHAAN RITEL” penelitian tersebut data transaksi yang digunakan ialah data selama periode 1 tahun yaitu sebanyak 57.449 transaksi dengan 133.571 record terbentuk 6 aturan asosiasi yang dapat digunakan sebagai acuan dalam mengatur tata letak barang [7]. Kajian berikutnya yang dilakukan pada penelitian yang berjudul “ANALISA PERBANDINGAN ALGORITMA APRIORI DAN FP-GROWTH DALAM PEMBENTUKAN POLA ASOSIASI KERANJANG BELANJA PELANGGAN” pada penelitian tersebut dihasilkan kesimpulan bahwa algoritma FP-Growth berkinerja lebih baik dalam menghasilkan aturan asosiasi jika dibandingkan dengan algoritma Apriori [8].
Berdasarkan kajian penelitian sebelumnya, hal itu menjadi sumber referensi dalam mendukung penelitian yang dilakukan dengan tujuan penelitian untuk mendapatkan pengetahuan strategi penjualan produk dengan pola pembelian produk secara bersamaan
423 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 421-431 E-ISSN 2503-2933
berdasarkan pada data-data transaksi penjualan dengan menerapkan metode Data Mining Asosiasi meggunakan algoritma Frequent Pattern Growth (FP-Growth).2. METODE PENELITIAN
Gambar 1 Flowchart Tahapan Penelitian
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 421-431 E- ISSN 2503-2933 424
Dalam pelaksanaan penelitian, telah dilakukan tahapan-tahapan proses data mining seperti yang ditunjukan pada Gambar 1 untuk mencapai tujuan penelitian.2.1 Survery Lapangan
Tahap pertama yang dilakukan pada penelitian ini ialah melakukan survey lapangan pada toko ritel Berkah yang beralamatkan di Jalan Lingkar Selatan, Sindangsari Kec.
Lembursitu Kota Sukabumi untuk tujuan mencari informasi adanya permasalahan yang dihadapi terkait strategi penjualan produk. Dari survey tersebut ditemukan beberapa kendala strategi penjualan produk diantaranya, display produk, dan bundling. Display produk ialah penataan barang dagangan pada gondola atau rak produk dengan tujuan menarik daya beli konsumen, efisiensi konsumen dalam mencari, melihat serta memilih dan akhirnya membeli produk atau barang yang dijual [9]. Sedangkan bundling adalah strategi yang dilakukan dengan cara mengemas beberapa produk atau layanan yang mereka miliki menjadi satu unit gabungan, produk yang di gabung biasanya memiliki keterkaitan satu sama lain [10].
2.2 Identifikasi Masalah
Pada tahap kedua merumuskan masalah yang hendak dijadikan bahan penelitian dari permasalahan-permasalahan yang didapatkan pada hasil survey lapangan. Dari hasil perumusan tersebut didapatkan kesimpulan bagaimana cara mendapatkan strategi yang akurat mengenai penjualan produk bersamaan berdasarkan data-data transaksi penjualan. Dengan data tersebut dapat digunakan sebagai landasan untuk pengambilan keputusan strategi bundling dan display produk.
2.3 Studi Literatur
Paha tahap ketiga melakukan studi literatur, menghimpun dan menganalisa informasi yang dibutuhkan untuk menunjang penelitian yang dilakukan pada penerapan Data Mining di toko ritel Berkah Kota Sukabumi. Informasi-informasi tersebut di dapatkan dari buku, jurnal, prosiding, dan website. Berdasarkan hasil studi literatur, dimana untuk dapat menggali pengetahuan yang hendak dicapai yaitu menggali informasi pola pembelian produk dengan kombinasi item atau hubungan antar atribut dapat dilakukan dengan metode analisa keranjang belanja (Association Rule Mining) menggunakan algoritma FP-Growth.
2.3.1 Asosiasi Data Mining
Merupakan satu diantara metode yang dapat digunakan pada proses data mining, untuk mendapatkan aturan asosiasi pada kombinasi item atau hubungan antar atribut. Melakukan proses ekstraksi data untuk menemukan pola pembelian pada data transaksi penjualan di sebuah toko dan mempresentasikan dalam bentuk aturan asosiasi yang sering muncul. Proses analisis asosiasi dibagi menjadi dua tahap. Tahap pertama, dilakukan analisa pola frekuensi tinggi yaitu mencari kombinasi item yang memenuhi syarat minimum dari nilai support. Rumus untuk menghitung nilai support ditunjukan pada rumus 1 dan rumus 2 [11]:
=
100% (1)
, $ = %
100% (2)
425 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 421-431 E-ISSN 2503-2933
Gambar 2. Potongan Transaksi Penjualan
Tahap kedua, dilakukan pembentukan aturan asosiasi, yaitu mencari kombinasi item yang memenuhi syarat minimum dari nilai confidence. Dengan rumus confidence dapat ditulis seperti pada rumus 3.
&'()*+',+ → $ =./012 31'4154) 6+'71'*'7 *1' $
310 31'4145) 6+'71'*'7 100% 3
2.3.2 Algoritma Frequent Pattern Growth (FP-Growth)
FP-Growth adalah satu diantara algoritma yang dapat digunakan dalam proses data mining asosiasi. Digunakan untuk menemukan items yang sering muncul (frequent itemset) dalam kumpulan data dengan menentukan nilai minimum support. Menggunakan formula yang sama untuk menghitung nilai support yaitu dengan menggunakan rumus seperti tampak pada rumus 4 dan rumus 5 [12]:
=
100% (4)
, $ = %
100% (5) 2.4 Pengumpulan Data
Pada tahap keempat melakukan pengumpulan data-data transaksi penjualan dari toko ritel Berkah Kota Sukabumi untuk proses mining, data yang digunakan ialah data periode 1 tahun (01 Juni 2021 sampai 31 Mei 2022), data periode tersebut memiliki jumlah transaksi penjualan 13.734 dengan jumlah record 49.360. Data tersebut diperoleh dari hasil penarikan data pada database aplikasi kasir toko ritel Berkah dan di eksport kedalam format excel. Berikut pada Gambar 2 adalah potongan data transaksi hasil penarikan yang dilakukan kedalam format excel.
Penjelasan kolom transaksi penjualan dapat dilihat pada tabel 1.
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 421-431 E- ISSN 2503-2933 426
Tabel 1. Keterangan Kolom Transaksi Penjualan No Judul
Kolom Keterangan Judul Kolom 1 No. Trans Nomor unik pada setiap
transaksi penjualan
2 Kode Barang Nomor unik pada setiap produk yang dibeli
3 Barang Nama produk yang dibeli 4 Qty Jumlah setiap produk yang
dibeli
5 Qty+ Jumlah setiap penambahan produk yang dibeli
6 Harga Harga setiap produk
7 Discount Ketentuan diskon pada setiap barang yang dibeli
8 Jumlah
Keterangan jumlah harga pada setiap produk yang dibeli dikalikan dengan jumlah barangnya (qty) 9 Keterangan Keterangan pada setiap
produk yang dibeli 10 Sub Total
Jumlah harga seluruh pembelian produk yang dibeli pada setiap transaksi 11 Disc. Nota Jumlah diskon produk yang
dibeli pada setiap transaksi 12 PPN Nilai Pajak yang dikenakan
pada setiap transaksi 13 Grand Total Total pembayaran setiap
transaksi 2.5 Seleksi Data
Pada tahap kelima setelah data terkumpul maka dilakukan seleksi data, tahapan ini termasuk pada bagian preprocessing data mining. Tujuan seleksi data yaitu untuk menentukan atribut atau kolom beserta record data yang hendak digunakan pada proses mining selanjutnya agar memudahkan proses analisa data dan memastikan kualitas data. Seleksi data tersebut adalah data kolom dan record yang tidak berkaitan dengan analisa yang hendak dilakukan [2], meliputi:
1. Menghapus kolom Kode barang, Qty, Qty+, Harga, Diskon, Jumlah, Keterangan, Subtotal, Disc Nota, PPN, Grand Total.
2. Menghapus record atau baris tanggal transaksi
3. Merubah nama kolom “No. Trans” menjadi “kdtransaksi”, dan kolom “Barang” mejadi
“items”
Proses seleksi tersebut mengurangi record data menjadi 35.656, potongan data transaksi hasil proses seleksi dapat dilihat pada Gambar 3.
427 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 421-431 E-ISSN 2503-2933
Gambar 3. Potongan Transaksi Setelah Dilakukan Tahap Seleksi 2.6 Transformasi Data
Pada tahap keenam peneliti beralih dari penggunaan aplikasi excel ke aplikasi RapidMiner untuk memudahkan proses transformasi data. Pada tahap ini setelah melalui proses seleksi data berikutnya dilakukan transformasi data yang bertujuan untuk membentuk format data sesuai dengan format mining algoritma FP-Grwoth. Proses transformasi menggunakan teknik Aggregation dan Set Role. Tujuan penggunaan teknik tersebut untuk membentuk kelompok data transaksi berdasarkan nomor transaksinya sebagai “id”. Visualisasi hasil dari proses transformasi ini dapat dilihat pada Gambar 4, format data berubah menjadikan setiap detil produk transaksi ada pada satu record, sehingga apabila dalam satu transaksi terdapat pembelian produk lebih dari satu macam maka data detil produk yang dibeli digabungkan pada record dan kolom yang sama dan dipisahkan dengan tanda “|”.
2.7 Penerapan Algoritma FP-Growth
Pada tahap ketujuh, melakukan proses penentuan items yang paling sering muncul (frequent itemset) pada sebuah kumpulan data menggunakan algoritma FP-Growth. Analisa dilakukan secara berulang dengan menggunakan data periode 1 tahun transaksi dan menerapkan nilai minimum support berbeda setiap proses analisanya dari nilai minimum support 1, 0.1, 0.01, 0.001. Semakin tinggi nilai support menunjukan produk yang sering muncul pada setiap transaksi. Berikut pada Table 2 ialah hasil analisa yang dilakukan dengan bantuan aplikasi RapidMiner.
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 421-431 E- ISSN 2503-2933 428
Gambar 4. Potongan Transformasi Data Transaksi Penjualan
Tabel 2 Hasil Analisa Frequent Itemset Menggunakan Algoritma FP-Growth No Nilai Minimum
Support
Jumlah Frequent Itemset ditemukan
1 1 0 itemsets found
2 0.1 0 itemsets found
3 0.01 9 itemsets found
4 0.005 58 itemsets found
5 0.001 853 itemsets found
Hasil analisa Frequent Itemset menggunakan alogritma FP-Growth yang ditunjukan pada Table 2 menunjukan terdapatnya items yang sering muncul, dengan nilai tertinggi minimum support 0.01 jumlah itemsets yang ditemukan 9. Semakin tinggi nilai minimum support maka semakin kuat data himpunan yang sering muncul.
2.8 Membuat Aturan Asosiasi
Pada tahapan kedelapan atau tahapan terakhir dari proses mining yang dilakukan ialah menentukan aturan asosiasi (Association Rules). Hasil dari proses asosiasi ini memberikan pengetahuan terkait produk yang biasa dibeli secara bersamaan. Setelah mendapatkan frequent itemset dari nilai minimum support yang telah ditentukan berikutnya menentukan nilai minimum confidence untuk mendapatkan aturan asosiasi. Analisa dilakukan sama seperti pada tahap sebelumnya, yaitu dilakukan secara berulang dan pada tahap ini akan dikombonasikan dengan nilai minimum confidence 1, 0.1, 0.5, 0.01, 0.001
429 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 421-431 E-ISSN 2503-2933
Table 3. Hasil Analisa Penentuan Aturan Asosiasi No Minimum
Support
Minimum Confidence
Association Rules ditemukan
1 0.01 1 0 rules found
2 0.01 0.5 0 rules found
3 0.01 0.1 0 rules found
4 0.01 0.01 0 rules found
5 0.01 0.001 0 rules found
6 0.005 1 0 rules found
7 0.005 0.5 0 rules found
8 0.005 0.1 0 rules found
9 0.005 0.01 0 rules found
10 0.005 0.001 0 rules found
11 0.001 1 0 rules found
12 0.001 0.5 6 rules found
13 0.001 0.1 31 rules found
14 0.001 0.01 42 rules found
15 0.001 0.001 42 rules found
Dari hasil analisa penentuan aturan Asosiasi yang ditujukan pada Tabel 3 didapatkan sebanyak 42 aturan Asosiasi dengan nilai minimum support 0.001 dan nilai minimum confidence 0.01. Namun didapatkan juga sebanyak 6 aturan Asosiasi dengan nilai minimum support 0.001 dan minimum confidence 0.5 lebih tinggi. Hal itu dapat memberikan kesimpulan bahwa 6 aturan Asosiasi dengan nilai minimum condidence 0.5 bernilai lebih akurat dan dapat mempertegas seorang eksekutif dalam menentukan strategi bisnis pada penjualan paket produk atau produk yang dijual secara bersamaan.
3. HASIL DAN PEMBAHASAN
Pada uraian tahapan mining yang dilakukan telah dikemukakan sebelumnya dengan penerapan metode Asosiasi menggunakan algoritma FP-Growth dan dibantu dengan aplikasi RapidMiner pada analisa data transaksi penjualan di Toko Berkah periode 1 tahun (01 Juni 2021 sampai 31 Mei 2022) menghasilkan 6 aturan asosiasi teratas dengan nilai minimum support 0.001 dan nilai minimum confidence 0.5, perolehan 6 aturan asosiasi tersebut dapat dilihat pada Gambar 5.
Gambar 5. Hasil Proses Data Mining Association Rules
Jatisi ISSN 2407-4322
Vol. 10, No. 1, Maret 2023, Hal. 421-431 E- ISSN 2503-2933 430
Berdasarkan perolehan 6 aturan asosiasi teratas tersebut memiliki keakuratan lebih tinggi pada keberhasilan strategi bisnis yang hendak dilakukan yaitu penjualan produk secara bersamaan. Adapun 31 aturan dan 42 aturan asosiasi lainnya yang ditemukan memiliki pola hubungan asosiasi lebih rendah dan keakuratan lebih rendah pada keberhasilan strategi bisnis yang hendak dilakukan dengan nilai minimum confidence yaitu 0.1, dan 0.01 masih dapat digunakan sebagai rujukan dalam pengambilan keputusan strategi bisnis pada penjualan produk bersamaan.4. KESIMPULAN
Dari proses analisa data mining metode asosiasi yang telah dilakukan dengan algoritma FP-Growth menggunakan aplikasi RapidMiner pada data transaksi penjualan di Toko Berkah periode 1 tahun (01 Juni 2021 sampai 31 Mei 2022) didapatkan informasi bahwa aturan asosiasi yang dihasilkan menunjukan adanya produk penjualan yang biasa dibeli secara bersamaan. Hal itu mengkonfirmasi bahwa analisa penjualan dengan metode data mining asosiasi dapat digunakan untuk mencapai pengambilan keputusan pada strategi bisnis yang dihadapi yaitu pencarian pola pembelian produk secara bersamaan, sehingga dari informasi tersebut dapat dikembangkan menjadi pengetahuan dengan melihat pola yang ada yang akan digunakan untuk pengambilan keputusan dengan tepat oleh eksekutif perusahaan dalam menentukan:
1) Dari aspek pemenuhan stok untuk produk yang selalu dibeli bersamaan harus selalu diperhatikan agar pasokannya selalu ada secara bersamaan, karena jika tidak maka akan mempengaruhi penjualan produk lainnya.
2) Dari aspek display produk pada gondola harus diletakan berdekatan sehingga hal ini akan membantu konsumen dalam menemukan produk yang beriringan akan selalu dibeli oleh konsumen, selain meningkatkan pelayanan juga dapat meningkatkan angka penjualan kedua produk tersebut.
3) Dari aspek promosi produk kedua produk tersebut dapat menjadi informasi yang berarti untuk dilakukan bundling program promosi oleh departemen marketing perusahaan, yang tentunya akan meningkatkan efektifitas promosi yang dilakukan.
Dengan ketiga manfaat diatas maka penelitian yang kami lakukan dapat membantu perusahaan dalam meningkatkan kinerja perusahaan dengan konsep Analisa Data Mining yang dimana dari data transaksi penjualan selama 1 tahun yang ada, didapat informasi produk dan selanjutnya dihasilkan pengetahuan untuk menentukan 3 proses bisnis diatas yang tentunya menjadikan keuntungan tersendiri bagi perusahaan dalam meningkatkan daya saing.
5. SARAN
Pengujian Data Mining ini dapat menghasilkan nilai yang berbeda apabila pengujiannya menggunakan algortima yang berbeda atau aplikasi mining yang berbeda sehingga diperlukan lebih banyak pengujian untuk menguatkan hasil penelitian yang telah dilakukan.
431 Jatisi ISSN 2407-4322 Vol. 10, No. 1, Maret 2023, Hal. 421-431 E-ISSN 2503-2933
DAFTAR PUSTAKA
[1] Z. A. Priyo Sutopo, Dedi Cahyadi, “Sistem Informasi Eksekutif Monitoring,” J. Inform.
Mulawarman, Vol. 11, No. 1, pp. 1–6, 2016.
[2] Anggada Maulana, “Konsep Dasar Data Mining,” Konsep Data Min., Vol. 1, pp. 1–16, 2018.
[3] A. H. Mirza, “Model Data Mining Untuk Mendukung Strategi Promosi Perguruan Tinggi (Studi Kasus Universitas Bina Darma Palembang),” No. September, 2018.
[4] A. N. Rahmi, Y. A. Mikola, and K. Kunci, “Implementasi Algoritma Apriori Untuk Menentukan Pola Pembelian pada Customer (Studi Kasu : Toko Bakoel Sembako) Abstraksi Keywords :,” Vol. 4, No. 1, 2021.
[5] W. D. Ramadana, N. Satyahadewi, and H. Perdana, “Penerapan Market Basket Analysis Pada Pola Pembelian Barang,” Vol. 11, No. 3, pp. 431–438, 2022.
[6] P. Toko, I. N. A. Menggunakan, and A. Apriori, “Pengembangan Strategi Tata Letak Barang,” Vol. 4, No. 1, pp. 63–76, 2022.
[7] A. R. Wibowo, A. Jananto, P. Studi, S. Informasi, F. T. Informasi, and U. Stikubank,
“Implementasi Data Mining Metode Asosiasi Algoritma Fp-Growth pada Perusahaan Ritel,” Vol. 10, pp. 200–212, 2020.
[8] I. Musdalifah and A. Jananto, “Analisis Perbandingan Algoritma Apriori dan FP-Growth Dalam Pembentukan Pola Asosiasi Keranjang Belanja Pelanggan”.
[9] I. K. D. Kertiana and I. G. A. K. S. Artini, “Pengaruh Visual Merchandising, Atmosfer Toko, dan Display Produk Terhadap Impulse Buying Pelanggan Ramayana Denpasar,”
E-Jurnal Manaj. Univ. Udayana, Vol. 8, No. 11, p. 6533, 2019, doi:
10.24843/ejmunud.2019.v08.i11.p08.
[10] Hendu and E. Supariyani, “Pengaruh Bundling Pricing dan Odd Pricing Terhadap Citra Toko Ritel Pengaruh Bundling Pricing dan Odd Pricing Terhadap Citra Toko Ritel Carrefour Cibinong,” J. Manaj. dan Bisnis BENEFIT, Vol. 4, No. 1, pp. 156–166, 2019.
[11] N. Devita Sari and S. Khoiriah, “Penerapan Metode Asosiasi pada Toko Afifa Dengan Algoritma Apriori,” Teknol. Inf. Komputer), Vol. 1, No. 1, pp. 8–17, 2022.
[12] M. M. Fp-growth, F. Kana, M. Ramadhan, and R. Mahyuni, “Implementasi Data Mining Menganalisa Pola Penjualan Rempah-Rempah,” Vol. 1, pp. 557–564, 2022.
