ANALISA DATA MINING ASSOSIASI FP-GROWTH PADA PENJUALAN PRODUK DI TOKO RITEL AGUNG
Subagja Putra Pratama
Fakultas Teknologi Informasi, Universitas Nusa Mandiri email: 14207002@nusamandiri.ac.id
Abstract
Quick decision-making based on data, facts, and knowledge has become a necessity for companies in implementing strategies to increase competitiveness. Agung's retail store sells various needs for household appliances, cafes, restaurants, and catering with more than 1000 kinds of products being sold. The purpose of this study is to make a quick strategy with measurable analysis using data mining techniques over time sales data. The research was conducted using the fp-growth association data mining method and the RapidMiner application as mining tools to process sales data for a one-year period (01 May 2022 – 30 June 2023) with a total of 23541 sales transactions and a total of 67325 records. Data mining in this study produced 42 association rules with a minimum support value of 0.001 and a minimum confidence of 0.1.
The discovery of these association rules can be used as a consideration in making product sales strategy decisions quickly and precisely in terms of product display strategies and product bundling strategies so that companies can increase sales and competitiveness.
Keywords: data mining, association, fp-growth algorithm, rapidminer, retail
1. PENDAHULUAN
Menentukan strategi bisnis bagi seorang eksekutif perusahaan diperlukan sebuah pengetahuan terkait produk yang dijualnya, kecepatan dan ketepatan dalam pengambilan keputusan dibutuhkan agar dapat unggul dari pesaing. Hal itu menjadi tantangan bagi eksekutif untuk tidak mengambil keputusan berdasarkan intuisi, namun berdasarkan data [1]. Operasional kegiatan utama pada toko ritel adalah penjualan produk, setiap transaksi penjualan dilakukan pencatatan baik dicatat secara manual pada lembar kertas ataupun dicatat dengan menggunakan alat bantu komputer. Dari waktu ke waktu jumlah data transaksi penjualan terus bertambah semakin besar membentuk kumpulan data (database). Analisis data penjualan yang besar tidak dapat secara tepat menggunakan intuisi seorang eksekutif, hal itu akan berdampak negatif seperti hilangnya peluang penting meningkatkan penjualan, mengoptimalkan strategi pemasaran, atau mengidentifikasi perubahan pasar yang signifikan. Dengan mengadposi pendekatan berbasis data seperti metode data mining, kumpulan data yang besar dan tampak seolah tidak memiliki nilai dapat
digunakan untuk penggalian pengetahuan tersembunyi pola-pola pembelian produk oleh konsumen yang dapat digunakan sebagai bahan kajian pengembangan strategi bisnis [2]. Dengan menggunakan analisis data yang objektif dan terstruktur, perusahaan dapat mengidentifikasi tren pasar, menganalisis kinerja produk secara mendalam, dan mengambil keputusan yang lebih terinformasi untuk mencapai keberhasilan bisnis yang lebih besar [3]. Hal itu dapat membantu seorang eksekutif untuk membuat strategi display produk dan bundling produk pada toko ritel Agung [4], [5].
Data Mining merupakan teknik ekstraksi data menggunakan perhitungan statistika, matematika, ataupun teknologi Artificial Intelligence (AI) yang bertujuan untuk menguraikan informasi tersembunyi pada kumpulan data yang besar [6]–[9]. Hasil yang diperoleh dari ekstrasi tersebut untuk menemukan pengetahuan baru dari pola hubungan pada setiap data. Pengetahuan yang diperoleh dapat dimanfaatkan sebagai pernyataan dalam mempertegas suatu hipotesis pada sebuah prediksi [10].
Perusahaan ritel Toko Agung Sukabumi, menjual berbagai kebutuhan peralatan rumah tangga, cafe, restoran, dan katering dengan sekitar 1000 lebih macam barang yang dijual.
Strategi penjualan produk yang dilakukan oleh eksekutif perusahaan tersebut cenderung dilakukan berdasarkan intuisi dan belum memaksimalkan analisa data-data transaksi penjualan. Beberapa penelitian sebelumnya terkait dengan pembahasan strategi penjualan barang pada toko ritel dilakukan pengkajian guna memperoleh informasi metode penelitian dan hasil-hasil penelitian yang telah dilakukan. Hal itu menjadi tolok ukur penulis dalam mengembangkan penelitian. Pada penelitian sebelumnya “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 [11].
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 [12]. 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 [13]. 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 [14]. 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 [15].
Berdasarkan kajian penelitian sebelumnya, dapat menjadi sumber referensi dalam mendukung penelitian yang dilakukan dengan tujuan penelitian untuk mendapatkan pengetahuan strategi penjualan produk yang akurat dan cepat berdasarkan pada data-data transaksi penjualan dengan menerapkan metode Data Mining Asosiasi meggunakan algoritma Frequent Pattern Growth (FP-Growth).
Gambar 1 Tahapan Data Mining 2. METODE PENELITIAN
Untuk mencapai tujuan penelitian di toko ritel Agung dengan pendekatan metode data mining, perlu dilakukan tahapan proses data mining seperti yang tampak terlihat pada Gambar 1, diawali dari seleksi data dari data sumber ke data target, tahap preprocessing untuk memperbaiki kualitas data, transformasi untuk pembentukan format data yang dibutuhkan, data mining serta tahap interpretasi dan evaluasi yang menghasilkan output berupa pengetahuan baru yang diharapkan memberikan kontribusi yang lebih baik [16]. Tahapan-tahapan tersebut dikombinasikan dengan tahapan pengumpulan data awal sebelum dilakukan proses mining, sehingga tahapan yang dilakukan pada proses
data mining pada penelitian ini seperti yang ditunjukan pada Gambar 2.
Gambar 2 Flowchart Tahapan Penelitian 2.1 Survery Lapangan
Tahap pertama yang dilakukan pada penelitian ini ialah melakukan survey lapangan pada toko ritel Agung 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 [17]. 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 [18].
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 berdasarkan data-data transaksi penjualan. Dengan data tersebut dapat digunakan sebagai landasan untuk pengambilan keputusan strategi bundling dan display produk.
2.3 Studi Literatur
Pada tahap ketiga melakukan studi literatur, menghimpun dan menganalisa informasi yang dibutuhkan untuk menunjang penelitian yang dilakukan pada penerapan Data Mining di toko ritel Agung 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 yaitu:
1) 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 [19]:
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴) = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴
𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑠𝑘𝑖 𝑥 100% (1)
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴, 𝐵) =
𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵
𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑠𝑘𝑖 𝑥 100% (2) 2) 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.
𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 (𝐴 → 𝐵)
=𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵
𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑠𝑘𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑥 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 [20]:
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴) = 𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴
𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑠𝑘𝑖 𝑥 100% (4) 𝑆𝑢𝑝𝑝𝑜𝑟𝑡 (𝐴, 𝐵) =
𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑀𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵
𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑠𝑘𝑖 𝑥 100% (5)
2.4 Pengumpulan Data
Pada tahap keempat melakukan pengumpulan data-data transaksi penjualan dari toko ritel Agung Kota Sukabumi untuk proses mining, data yang digunakan ialah data periode 1 tahun (01 Mei 2022 sampai 30 Juni 2023), data
Gambar 3 Potongan Transaksi Penjualan periode tersebut memiliki jumlah transaksi
penjualan 23.541 dengan jumlah record 67.325.
Data tersebut diperoleh dari hasil penarikan data pada database aplikasi kasir toko ritel Agung dan di eksport kedalam format excel. Berikut pada
Gambar 3 adalah potongan data transaksi hasil penarikan yang dilakukan kedalam format excel.
Penjelasan kolom transaksi penjualan dapat dilihat pada tabel 1.
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.
Gambar 4 Potongan Transaksi Setelah Dilakukan Tahap Seleksi
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 42.785, potongan data transaksi hasil proses seleksi dapat dilihat pada Gambar 4.
2.6 Transformasi Data
Pada tahap keenam peneliti beralih dari penggunaan aplikasi excel ke aplikasi RapidMiner untuk memudahkan proses transformasi data.
Gambar 5 Potongan Transformasi Data Transaksi Penjualan 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 5, 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, dan 0.001 dengan ketentuan minimal item per itemset 2. 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.
Table 1 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 54 itemsets found
4 0.001 442 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 sebanyak 54 itemset. 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.
Gambar 6 Proses Data Mining Association Rules Analisa dilakukan sama seperti pada tahap
sebelumnya, yaitu dilakukan secara berulang dan pada tahap ini nilai support yang telah di dapat dikombonasikan dengan nilai minimum confidence 1, 0.1, 0.01, dan 0.001.
Table 2 Hasil Analisa Penentuan Aturan Asosiasi
No Minimum Support
Minimum Confidence
Association Rules ditemukan
1 0.01 1 0 rules found
2 0.01 0.1 0 rules found
3 0.01 0.01 0 rules found
4 0.01 0.001 0 rules found
5 0.001 1 0 rules found
6 0.001 0.1 42 rules found
7 0.001 0.01 260 rules found
8 0.001 0.001 260 rules found
Dari hasil analisa penentuan aturan Asosiasi yang ditujukan pada Tabel 3 didapatkan sebanyak 260 aturan Asosiasi dengan nilai minimum support 0.001 dan nilai minimum confidence 0.001. Namun didapatkan juga sebanyak 42 aturan Asosiasi dengan nilai minimum support 0.001 dan minimum confidence 0.1 lebih tinggi. Hal itu dapat memberikan kesimpulan bahwa 42 aturan Asosiasi dengan nilai minimum condidence 0.1 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 Agung periode 1 tahun (01 Mei 2022 sampai 30 Juni 2023) menghasilkan 42 aturan asosiasi teratas dengan nilai minimum support 0.001 dan nilai minimum
confidence 0.1, perolehan 42 aturan asosiasi tersebut dapat dilihat pada Gambar 6.
Berdasarkan perolehan 42 aturan asosiasi teratas tersebut memiliki keakuratan lebih tinggi pada keberhasilan strategi bisnis yang hendak dilakukan yaitu penjualan produk secara bersamaan. Adapun 260 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 0.01, dan 0.001 masih dapat digunakan sebagai rujukan dalam pengambilan keputusan strategi bisnis pada penjualan produk bersamaan.
4. KESIMPULAN
Proses analisis data mining dengan metode asosiasi menggunakan algoritma FP- Growth pada data transaksi penjualan di Toko Agung selama periode satu tahun (01 Mei 2022 hingga 30 Juni 2023) mengungkapkan bahwa terdapat pola pembelian produk secara bersamaan. Hasil ini mengkonfirmasi bahwa analisis penjualan dengan metode asosiasi dapat digunakan untuk pengambilan keputusan dalam strategi bisnis. Berdasarkan pola yang ditemukan, eksekutif perusahaan dapat mengambil tindakan berikut: 1) Memastikan pemenuhan stok untuk produk yang selalu dibeli bersamaan agar pasokan tetap tersedia secara konsisten, 2) Menempatkan produk yang beriringan di gondola agar konsumen dapat dengan mudah menemukannya, yang dapat meningkatkan penjualan pada produk yang saling terkait, dan 3) Menerapkan program promosi bundling untuk produk yang saling terkait, hal itu dapat meningkatkan efektivitas promosi. Dengan memanfaatkan pengetahuan ini, perusahaan dapat meningkatkan kinerjanya dan memperkuat daya saingnya.
5. REFERENSI
[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] B. S. Eryawan, M. H. Maldini, H. S.
Pramono, and M. Usep, “Penerapan Data Mining Penjualan Plastik Pada Toko Defa Jaya Plastik Menggunakan Metode Algoritma Apriori,” vol. 3, pp. 11224–
11237, 2023.
[4] F. D. Safitri, “Strategi Bundling Produk dalam Meningkatkan Penjualan,” Aug.
2021.
[5] R. Sulistiyowati, S. Legis, D. Y. Krisna, J.
S. Informasi, and U. I. Membangun,
“PELANGGAN TERHADAP DATA
PENJUALAN MENGGUNAKAN
ALGORITMA APRIORI,” vol. 17, no.
April, 2023.
[6] E. Simanungkalit and J. S. Br Tarigan,
“Sistem Pendukung Keputusan Pemilihan Teknisi Komputer Terbaik Dengan Menggunakan Metode Weighted Product,” J. Tek. Ibnu Sina, vol. 4, no. 02, pp. 33–38, 2020, doi: 10.36352/jt- ibsi.v4i02.37.
[7] M. S. Mubarok, K. C. Widiastuti, and Adiwijaya, “Implementasi Mutual Information dan Naive Bayes untuk Klasifikasi Data Microarray,” in e- Proceeding Of Engineering, 2017, vol. 4, no. 2, pp. 3179–3186.
[8] R. Ordila, R. Wahyuni, Y. Irawan, and M.
Yulia Sari, “PENERAPAN DATA MINING UNTUK PENGELOMPOKAN DATA REKAM MEDIS PASIEN BERDASARKAN JENIS PENYAKIT
DENGAN ALGORITMA
CLUSTERING (Studi Kasus : Poli Klinik PT.Inecda),” J. Ilmu Komput., vol. 9, no.
2, pp. 148–153, Oct. 2020, doi:
10.33060/jik/2020/vol9.iss2.181.
[9] H. Annur, “Penerapan Data Mining Menentukan Strategi Penjualan Variasi Mobil Menggunakan Metode K-Means Clustering,” J. Inform. Upgris, vol. 5, no.
1, 2019, doi: 10.26877/jiu.v5i1.3091.
[10] A. H. Mirza, “MODEL DATA MINING
UNTUK MENDUKUNG STRATEGI PROMOSI PERGURUAN TINGGI ( Studi kasus Universitas Bina Darma Palembang ),” no. September, 2018.
[11] A. N. Rahmi, Y. A. Mikola, and K. Kunci,
“IMPLEMENTASI ALGORITMA
APRIORI UNTUK MENENTUKAN
POLA PEMBELIAN PADA
CUSTOMER ( STUDI KASUS : TOKO BAKOEL SEMBAKO ) Abstraksi Keywords :,” vol. 4, no. 1, 2021.
[12] W. D. Ramadana, N. Satyahadewi, and H.
Perdana, “PENERAPAN MARKET BASKET ANALYSIS PADA POLA PEMBELIAN BARANG,” vol. 11, no. 3, pp. 431–438, 2022.
[13] P. Toko, I. N. A. Menggunakan, and A.
Apriori, “PENGEMBANGAN
STRATEGI TATA LETAK BARANG,”
vol. 4, no. 1, pp. 63–76, 2022.
[14] 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.
[15] I. Musdalifah and A. Jananto, “Analisis Perbandingan Algoritma Apriori Dan FP- Growth Dalam Pembentukan Pola Asosiasi Keranjang Belanja Pelanggan,”
2022.
[16] D. Larose, Discovering Knowledge in Data : An Introduction to Data Mining.
John Willey & Sons, Inc, 2005.
[17] 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.
[18] 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.
[19] 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.
[20] 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.
