Penerapan Data Mining Dalam Menentukan Pola Penjualan Sepatu Menggunakan Algoritma FP-Growth

(1)

Penerapan Data Mining Dalam Menentukan Pola Penjualan Sepatu Menggunakan Algoritma FP-Growth

Syahriani

Informatika, Universitas Nusa Mandiri, Jakarta, Indonesia Email: [email protected]

Email Penulis Korespondensi : [email protected] Submitted 20-11-2022; Accepted 14-12-2022; Published 30-12-2022

Abstrak

Perusahaan PT Global Vision merupakan perusahaan supplier sepatu kekinian, dimana produk-produk sepatunya banyak digemari para kaula muda, anak-anak ataupun orang tua. Perusahaan ini menyediakan produk-produk sepatu import dan juga lokal. Pemilik dari perusahaan PT Global Vision menginginkan perusahaan ini terus berlanjut dan bertahan ditengah persaingan yang semakin sengit dan menurunnya daya beli masyarakat. Perlu diketahui pula, bahwa perusahaan ini belum memiliki acuan ataupun pedoman khusus dalam meningkatkan omset perusahaan melalui strategi bisnis yang diterapkannya, dengan kata lain perusahaan ini masih mengandalkan perkiraan saja. Oleh sebab itu, penelitian ini dibuat dengan tujuan agar perusahaan PT Global Vision dapat mengetahui tentang sistem kerja transaksi penjualan sepatu menggunakan algoritma FP-Growth. Dimana Data transaksi penjualan sepatu digunakan untuk mendapatkan produk yang dibeli secara bersamaan. Kemudian Algoritma FP-Growth digunakan untuk mendapatkan kombinasi pola produk. Sedangkan FP-Tree digunakan bersamaan dengan algoritma FP-Growth untuk menentukan frequent itemset dari sebuah database. Untuk metode Association rule itu sendiri digunakan untuk pencarian pola keterkaitan produk untuk strategi penjualan dalam kebijakan pengambilan keputusan, dimana nanti dapat diketahui merk sepatu apa saja yang sering dibeli oleh konsumen. Hal itu dapat dijadikan pedoman oleh perusahaan PT Global Vision dalam menentukan strategi pemasaran untuk periode berikutnya.

Kata Kunci: FP-Growth; Data Mining; Penjualan Sepatu

Abstract

The company PT Global Vision is a contemporary shoe supplier company, where its shoe products are very popular with young people, children or the elderly. This company provides imported and local shoe products. The owner of the PT Global Vision company wants this company to continue and survive in the midst of increasingly fierce competition and declining people's purchasing power. It should also be noted that this company does not yet have a specific reference or guideline in increasing the company's turnover through the business strategy it implements, in other words, this company still relies on estimates. Therefore, this research was made with the aim that the company PT Global Vision can find out about the working system of shoe sales transactions using the FP-Growth algorithm.

Where shoe sales transaction data is used to obtain products that are purchased simultaneously. Then the FP-Growth Algorithm is used to get a combination of product patterns. Meanwhile, FP-Tree is used in conjunction with the FP-Growth algorithm to determine frequent itemset from a database. For the Association rule method itself, it is used to search for patterns of product linkages for sales strategies in decision-making policies, where later it can be known what shoe brands are often purchased by consumers. This can be used as a guideline by PT Global Vision in determining marketing strategies for the next period.

Keywords: FP-Growth; Data Mining; Shoe Sales

1. PENDAHULUAN

Tabiat konsumen didalam berbelanja dizaman ini sudah mengalami perubahan, sehingga para pemilik perusahaan harus segera melakukan trobosan baru didalam pembaharuan aspek penjualannya[1]. Selain itu adanya permintaan konsumen yang meroket, dimana perusahaan dituntut harus dapat mengimbanginya dengan teknologi. Hal ini dilakukan guna mempercepat dan memperlancar dalam melakukan proses penjualan dan pelaporan hasil penjualannya[2]. Perusahaan PT Global Vision telah menerapkan teknologi informasi dalam kelancaran usahanya. Tetapi, hal tersebut hanya dijadikan sebagai laporan agar perusahaan mengetahui produk yang telah terjual dan omset perusahaan yang didapatkan saja. Data- data dari transaksi penjualan yang terjadi pada perusahaan ini pada periode-periode sebelumnya, belum dijadikan sebagai sumber informasi yang dapat lebih menguntungkan perusahaan. Data transaksi penjualan yang telah menumpuk tersebut akhirnya menjadi data yang tidak bernilai sama sekali[3][4]. Supaya, data transaksi penjualan memiliki manfaat yang lebih besar bagi perusahaan, maka kita memerlukan metode data mining yaitu algoritma FP-Growth. Algoritma FP- Growth ini digunakan agar dapat menentukan himpunan data yang sering muncul pada kumpulan data dengan struktur FP-Tree[5][6]. Selain itu, algoritma ini termasuk kedalam metode Association Rule Mining yaitu metode yang mencari pola keterkaitan antar data dalam database yang dikenal dengan Market Basket Analisys[7]. Market Basket Analysis ialah suatu metode yang dimanfaatkan untuk mengetahui perilaku konsumen yang lebih spesifik dengan memanfaatkan titik awal pencarian pengetahuan dari suatu transaksi data. Ada 2 parameter yang dipakai dalam menentukan association rule yaitu support dan confidence[8][9]. Hasil penghitungan yang telah dilakukan menggunakan algoritma FP-Growth, nantinya dapat dijadikan sebagai acuan ataupun pedoman khusus untuk mempersiapkan strategi pemasaran bisnis berikutnya. Strategi pemasaran bisnis yang dapat meningkatkan pundi-pundi keuangan perusahaan serta meminimalisir terjadinya penumpukan stok sepatu. Karena sudah dapat diketahui merk sepatu apa saja yang laku dipasaran.

Penelitian yang menggunakan algoritma FP-Growth sudah banyak sekali yang melakukannya, seperti penelitian yang dilakukan oleh Supinah, dkk (2022) mengenai prediksi pola penjualan produk herbal menggunakan algoritma FP- Growth, dimana pola peletakan produk herbal dari HNI Bussiness Centre 2 Batam yang sudah ada akan diperbaharui

(2)

dengan menggunakan algoritma ini. Hasil dari penelitian ini, dapat membantu perusahaan dalam memprediksi kebutuhan customer kedepannya dengan membuat pola peletakan produk penjualan yang saling berkaitan [10].

Penelitian yang dilakukan oleh Pranata, dkk (2020) mengenai penerapan data mining algoritma FP-Growth untuk persediaan sparepart pada bengkel motor Sinar Service, dimana pada bengkel ini data transaksi penjualan alat bengkel belum terolah dengan baik. Data transaksi tersebut hanya dibiarkan begitu saja, sehingga terjadinya penumpukan data yang sangat banyak. Tak ada informasi yang dapat diambil didalamnya untuk kemajuan bengkel. Akhirnya, dilakukanlah penelitian dengan metode association rule guna menemukan pola kombinasi yang terjadi antar item set pada data transaksi penjualan alat bengkel. Berdasarkan pola kombinasi yang telah ditemukan, pemilik bengkel dapat melihat kecenderungan penjualan alat bengkel untuk pengingkatan performa pelayanan yang sering dijual pada bengkel Sinar Service[2].

Penelelitian yang dilakukan oleh Fitria, dkk (2017) juga menggunakan algoritma FP-Growth untuk penentuan pola hubungan kecelakaan lalu lintas. Kecelakan lalu lintas yang jumlahnya semakin tinggi, mengharuskan pihak kepolisian mengetahui faktor-faktor penyebab terjadinya kecelakaan. Tujuan dari penelitian yang dilakukan oleh Fitria, dkk adalah untuk mendapatkan informasi tentang pola yang digunakan sebagai petunjuk dalam pengambilan keputusan pihak kepolisian. Pada struktur data tree digunakan supaya mengetahui pola kecelakaan lalu lintas [11].

Setyo, dkk (2019) melakukan penelitian dengan metode yang sama yaitu FP-Growth. penelitian tersebut dilakukan, karena CV Cahaya Setya belum mampu mengolah data penjualan yang ada menjadi informasi yang bermanfaat dan memiliki nilai besar untuk kemajuan usahanya. Data penjualan yang terjadi di CV Cahaya Setya, akhirnya diolah kembali dengan teknik data mining menggunakan algoritma FP-Growth. algoritma ini digunakan untuk mendapatakan item-set yang sering muncul dari data transaksi penjualan. Hasilnya, memberikan penglihatan mengenai pola yang keterkaitan pada data transaksi penjualan[12].

Kemudian penelitian yang dilakukan oleh Wijaya dan Jananto (2018) mengenai pencarian pola pembelian konsumen dengan algoritma FP-Growth. Data transaksi penjualan Toko Kita yang menumpuk setiap harinya, belum dilakukan penggalian untuk mendapatkan informasi yang lebih berharga. Setelah menggunakan algoritma FP-Growth, pemilik toko dapat melihat keterkaitan antar produk yang dibeli oleh konsumen. Hal itu, dapat dijadikan acuan pemilik toko didalam peletakan produk-produknya didalam etalase[13].

PT Global Vision merupakan supplier perusahaan yang bergerak dibidang jual beli sepatu. Setiap harinya, perusahaan ini banyak melakukan transaksi penjualan. Data transaksi penjualan tersebut semakin lama, semakin bertambah dan terjadinya penumpukan data yang tak berguna. Selain itu, PT Global Vision mengalami kendala didalam penentuan ketersediaan stok untuk periode-periode berikutnya, karena tidak memiliki panduan khusus didalam penganalisaan strategi pemasaran bisnisnya. Pemilik PT Global Vision ataupun Kepala Supervisornya hanya mengandalkan pemikiran-pemikiran mereka saja. Oleh sebab itu, algoritma FP-Growth dihadirkan dengan tujuan untuk membantu para pemegang keputusan didalam menganalisa produk-produk sepatu yang laku dan tidak laku dipasaran.

Selain itu, untuk dapat meminimalisir adanya penumpukan stok sepatu dan untuk meningkatkan omset penjualan sepatu serta dapat menciptkan strategi baru didalam pemasaran bisnis.

2. METODOLOGI PENELITIAN

2.1 Definisi Algoritma FP-Growth

Algoritma ini merupakan algoritma yang sering dimanfaatkan untuk menentukan itemset yang sering muncul dalam satu set data[14]. Algoritma ini dapat dikatakan algoritma terbaik dalam menemukan frequent pattern yang ada pada data besar ataupun kecil dibandingkan dengan pendahulunya yaitu algoritma apriori. Selain itu, tidak memerlukan iterasi yang dilakukan secara berulang. Algoritma FP-Growth menggunakan struktur tree untuk pencarian frequent itemset yang dikenal dengan FP-Tree. Adanya FP-Tree ini dapaat membuat algoritma FP-Growth dapat mengesktrak frequent itemset secara langsung[15]. Selain itu, algoritma FP-Growth ini dapat digunakan untuk mengatasi kelemahan dari algoritma apriori (scanning data berulang-ulang dan jumlah kombinasi itemset yang membengkak)

FP-Growth memiliki tahpan dasar yaitu conditional pattern base, conditional FP-Tree dan frequent pattern.

Kemudian tahapan-tahapan dalam algoritma FP-Growth yaitu: 1) menentukan nilai support dari tiap-tiap itemset, 2) itemset yang mendapatan nilai support lebih dari nilai minimum support diurutkan secara menurun, 3)lakukan scan database yang kedua untuk membentuk FP-Tree, 4) pembangkitan conditional pattern base berisikan prefix path dan suffix pattern, 5) jumlahkan nilai support dari setiap item pada conditional pattern base, lalu item yang mempunyai nilai support lebih besar sama dengan dari minimum support akan dibangkitkan dengan conditional FP-tree[16].

2.2 Data Mining

Data mining merupakan metode yang prosesnya memanfaatkan teknik statistik, matematika, machine learning dan kecerdasan buatan untuk mengolah data berskala besar [17] didalam mengektraksi dan melakukan proses mengindentifikasi informasi serta pengetahuan yang terkait basis data agar menjadi suatu informasi yang memiliki nilai lebih[2].

2.3 Tahapan Penelitian

Adapun tahapan-tahapan yang digunakan dalam melakukan proses penelitian ini dengan menggunakan algoritma FP- Growth, sebagai berikut:

(3)

a. Penyiapan Dataset

Merupakan kumpulan data yang berasal dari informasi-informasi pada masa sebelumnya yang telah siap dikelola menjadi sebuah informasi baru, yang akan dimanfaatkan sebagai sistem prediksi sebagai acuan pendukung keputusan.

Dataset yang digunakan dalam penelitian ini adalah transaksi penjualan PT Global Vision selama 1 tahun yaitu diperiode 2017.

b. Pencarian Frequent Itemset

Selanjutnya melakukan pencarian dari frequent itemset atau item-item yang sering muncul. Dapat dikatakan seberapa banyak nilai frekuensi dari masing-masing atribut pembelian produk yang dilakukan oleh setiap customer.

c. Dataset diurutkan berdasarakan priority

Dataset yang telah diolah, kemudian diurutkan berdasarkan prioritasnya (barang yang dibeli oleh customer) d. Pembuatan FP-Tree berdasarkan item yang sudah diurutkan

Melakukan pembuatan FP-Tree berdasarakan item yang sudah diurutkan pada langkah 3.

e. Pembangkitan Conditiona PatternBase

Merupakan subdatabase berisikan prefix path dan berisi suffix pattern, conditional pattern ini diperoleh dari FP-Tree yang sudah dibangun sebelumnya.

f. Pembangkitan Conditonal FP-Tree

Support count yang ada pada setiap item dari conditional pattern base dijumlahkan, kemudian item yang mempunyai jumlah support count lebih besar atau sama dengan minimum support count akan dibangkitkan dengan conditional FP-Tree

g. Pembangkitan Frequent Pattern

Melakukan pembangkitan dari frequent pattern-nya h. Mencari Support

Minimum support ialah parameter yang dimanfaatkan untuk menentukan pola dalam data mining untuk menemukan statistik dari pola-pola yang signifikan. Rumusnya adalah:

Suppot(A,B)=P(AnB)=Jumlah transaksi yang mengandung A dan B

Total Transaksi (1)

i. Mencari Confidence

Tahapan ini merupakan suatu ukuran yang menunjukan hubungan antar dua item secara conditional (berdasarkan suatu kondisi)

Confidence(A|B)= ^P(AnB)

P(A) =Jumlah transaksi mengandung A dan B

Jumlah transaksi yang mengandung A (2)

3. HASIL DAN PEMBAHASAN

3.1 Pengolahan Dataset 3.1.1 Dataset

Dataset yang digunakan dalam penelitian ini adalah transaksi penjualan dari PT Global Vision tahun periode 2017.

Tabel 1. Dataset Transaksi Penjualan PT Global Vision 2017 Bulan Canvas Jubang V-Kids Vitamori Fontana Vitorufolo

1 1 1 1 0 0 0

2 1 0 1 1 0 0

3 1 0 1 1 0 0

Penyiapan Dataset

Pencarian Frequent Itemset (item yang sering muncul)

Dataset diurutkan berdasarkan priority

Pembuatan FP-Tree berdasarkan item yang sudah diurutkan

Pembangkit an Conditional PatternBas e

Pembangkit an Conditional FP-Tree

Pembangkit an Frequent Pattern

Mencari Support

Mencari Confidence

(4)

4 1 0 1 1 0 0

5 1 0 1 1 0 0

6 0 1 1 1 0 0

7 0 0 1 1 1 0

8 0 0 1 1 1 0

9 1 0 1 1 0 0

10 0 0 0 1 1 1

11 0 0 1 1 0 1

12 0 0 1 1 1 0

Keterangan pada tabel:

1 = pada bulan tersebut ada transaksi 0 = pada bulan tersebut tidak ada transaksi 3.1.2 Pencarian Frekuensi Itemset

Dari dataset yang telah disiapkan, selanjutnya kita kelola untuk mencari nilai frekuensi dari itemset yang sering muncul. Dilihat dari tabel 2, hasil yang diperoleh bahwa sepatu dengan merk canvas muncul sebanyak 6, sepatu dengan merk jubang sebanyak 2, sepatu dengan merk v-kids sebanyak 11, vitamori sebanyak 11, fontana sebanyak 4 dan vitorufolo sebanyak 2.

Tabel 2. Frekuensi Itemset yang Sering Muncul

Bulan Canvas Jubang V-Kids Vitamori Fontana Vitorufolo

1 1 1 1 0 0 0

2 1 0 1 1 0 0

3 1 0 1 1 0 0

4 1 0 1 1 0 0

5 1 0 1 1 0 0

6 0 1 1 1 0 0

7 0 0 1 1 1 0

8 0 0 1 1 1 0

9 1 0 1 1 0 0

10 0 0 0 1 1 1

11 0 0 1 1 0 1

12 0 0 1 1 1 0

frekuensi 6 2 11 11 4 2

3.1.3 Pengurutan Berdasarkan Priority

Selanjutnya dataset tersebut diurutkan berdasarkan prioritasnya dari data yang terbesar ke yang terkecil. Lihat tabel 3, urutan pertama diduduki oleh sepatu dengan merk v-kids, prioritas kedua diduduki oleh vitamori, prioritas ke 3 diduduki oleh canvas, prioritas ke 4 diduduki oleh fontana, prioritas ke 5 diduduki oleh jubang dan prioritas ke diduduki oleh vitorufolo.

Tabel 3. Dataset Diurutkan Berdasarkan Priority Nama Barang Frekuensi

V-Kids 11

Vitamori 11

Canvas 6

Fontana 4

Jubang 2

Vitorufolo 2

3.1.4 Pembuatan FP-Tree

Untuk diagram FP-Treenya dapat dilihat pada gambar 2 dibawah ini. Diagram pohon ini terbentuk berdasarkan item yang sudah diurutkan pada tabel 3.

(5)

3.1.5 Pembangkitan Conditional Pattern Base

Selanjutnya adalah proses pembangkitan conditional pattern base, yang dapat dilihat pada tabel 4 yang telah disajikan dibawah ini.

Tabel 4. Conditional Pattern Base

Vitorufolo {V-Kids, Vitamori : 1},{Vitamori, Fontana : 1}

Jubang V-Kids, Canvas : 1},{V-Kids, Vitamori : 1}

Fontana {V-Kids, Vitamori : 3},{Vitamori : 1}

Canvas {V-Kids : 6}

Vitamori {V-Kids : 10}

3.1.6 Pembangkitan Conditional FP-Tree

Langkah berikutnya adalah melakukan pembangkitan conditional FP-Tree yang dapat dilihat pada tabel 5 yang telah disajikan dibawah ini.

Tabel 5. Conditional FP-Tree Vitorufolo {Vitamori :2}

Jubang {V-Kids : 2}

Fontana {Vitamori : 2}

Canvas {V-Kids :6}

Vitamori {V-Kids : 10}

3.1.7 Pembankitan Frequent Pattern

Langkah berikutnya adalah melakukan pembangkitan conditional FP-Tree yang dapat dilihat pada tabel 5 yang telah disajikan dibawah ini.

Tabel 6. Frequent Pattern

Vitorufolo {Vitamori, Vitorufolo :2}

Jubang {V-Kids, Jubang :2}

Fontana {Vitamori, Fontana : 2}

Canvas {V-Kids, Canvas : 6}

Vitamori {V-Kids, Vitamori : 10}

3.1.8 Frequent 2 Itemset

Langkah selanjutnya adalah menemukan kombinasi 2 itemset dan mencari 2 itemset support-nya, dapat dilihat pada tabel 7 dan 8. Hasil penghitungan nilai support dari tabel 8 telah dilakukan pembulatan keatas.

Tabel 7. Frequent 2 Itemset

frequent 2 itemset V-Kids Vitamori Canvas Fontana Jubang Vitorufolo

V-Kids 11 10 6 3 2 1

Vitamori 10 11 5 4 1 2

Canvas 6 5 6 0 1 0

Fontana 3 4 0 4 0 1

(6)

Jubang 2 1 1 0 2 0

Vitorufolo 1 2 0 1 0 2

Tabel 8. 2 Itemset Support

V-Kids 0.9 0.8 0.5 0.3 0.2 0.1

Vitamori 0.8 0.9 0.4 0.3 0.1 0.2

Canvas 0.5 0.4 0.5 0.0 0.1 0.0

Fontana 0.3 0.3 0.0 0.3 0.0 0.1

Jubang 0.2 0.1 0.1 0.0 0.2 0.0

Vitorufolo 0.1 0.2 0.0 0.1 0.0 0.2

3.1.9 Pencarian Confidence

Langkah terakhir adalah kita mencari nilai confidence-nya, dapat dilihat pada tabel 9 yang telah disajikan dibawah ini.

Hasil penghitungan nilai confidence yang terdapat pada tabel 9, telah dilakukan pembualatan keatas.

Tabel 9. Nilai Confidence

V-Kids 1.0 0.9 0.5 0.3 0.2 0.1

Vitamori 0.9 1.0 0.5 0.4 0.1 0.2

Canvas 1.0 0.8 1.0 0.0 0.2 0.0

Fontana 0.8 1.0 0.0 1.0 0.0 0.3

Jubang 1.0 0.5 0.5 0.0 1.0 0.0

Vitorufolo 0.5 1.0 0.0 0.5 0.0 1.0

Untuk data yang diberikan warna background kuning bahwa data tersebut melebihi nilai convidence diatas atau

sama dengan angka 0,5. Kemudian didalam kombinasi 2 itemset tersebut didapatkan data yang confidence yaitu:

(V-Kids, Vitamori), (V-Kids, Canvas) dan (Vitamori, Canvas).

3.2 Implementasi dengan Rapid Miner

Dataset yang sudah ada, kemudian diolah pula menggunakan aplikasi RapidMiner 7.6. Dataset yang telah disiapkan dalam bentuk Excel, kemduian dimasukan kedalam rapidminer dengan menggunakan atribut read excel, lalu atribut read excel dihubungkan ke atribut numerical to binomial untuk mengubah tipe data numerik menjadi tipe data binomial.

Setelah itu atribut tersebut dihubungkan ke atribut FP-Growth untuk penghitungan dengan algoritma FP-Growth-nya.

Langkah terakhir atribut FP-Growth dihubungkan dengan atribut Create Association Rule sebagai atribut yang akan menghasilkan hubungan keterkaitan antar itemset. Dapat dilihat pada gambar 3.

Gambar 3. Atribut-atribut Pada RapidMiner

Setelah itu, ketika aplikasi tersebut dirunning akan menghasilkan item-item yang saling memiliki keterkaitan satu dengan yang lainnya. Lihat gambar 4 yang telah disajikan.

(7)

Selain itu, hasil penghitungan yang diperoleh dari aplikasi RapidMiner juga dapat menampilkan aturan-aturan yang saling berkaitan antara item yang satu dengan yang lainnya. Lihat gambar 5 yang telah disajikan.

Gambar 5. Association Rule

Dapat dilihat dari gambar 5, bahwa merk sepatu jubang memiliki keterkaitan dengan merk sepatu vitamori dengan nilai confidence sebesar 0.5, merk sepatu vitorufolo memiliki keterkaitan dengan merk sepatu v-kids dengan nilai confidence sebesar 0.5. kemudian merk sepatu jubang memiliki keterkaitan dengan merk sepatu canvas dengan nilai confidence sebesar0.5 dan lainya.

(8)

4. KESIMPULAN

Berdasarkan hasil dari pemaparan yang telah dijabarkan pada bagian atas, dapat disimpulkan bahwa penggunaan algoritma FP-Growth dapat membantu pihak Pimpinan dan Kepala Supervisor dalam menentukan suatu keputusan. Selain itu, hasilnya dapat dijadiakn acuan untuk dapat menentukan seberapa banyak ketersediaan stok sepatu diperiode berikutnya. Supaya stok yang disediakan tidak berlebihan ataupun menimbulkan kelangkaan pasokan. Kemudian hasil dari penghitungan nilai convidence dengan nilai diatas atau sama dengan 0.5 dari kombinasi 2 itemset didapatkan merk sepatu V-Kids berkaitan dengan merk sepatu Vitamori sebesar 0.9, merk sepatu V-Kids memeiliki keterkaitan dengan merk sepatu Canvas dengan nilai 0.5 dan merk sepatu Vitamori memiliki keterkaitan dengan merk sepatu Canvas sebesar 0.5. Dalam proses pengolahan datanya, pengujian ini menggunakan nilai minimum support 0.2 dan nilai confidence-nya adalah 0.5. Besaran nilai minimum support dan confidence tersebut menghasilkan association rule sebanyak 32 aturan.

Besar ataupun kecilnya nilai support dan confidence yang diberikan akan berengaruh terhadap jumlah pola yang didapat.

Untuk penelitian selanjutnya, diharapkan sumber data yang dipakai memiliki jumlah data yang banyak atau besar, agar association rule yang terbentuk akan lebih bervariasi. Kemudian selain menggunakan aplikasi RapidMiner, penelitian selanjutnya dapat menggunkan aplikasi datamining lainnya seperti Weka ataupun Tanagra sebagai perbandingan untuk melihat keakuratan dalam proses penghitungannya. Lalu diharapkan pula, dapat menerapkan algoritma asossiasi yang lainnya seperti eclat.

REFERENCES

[1] A. Junaidi, “Implementasi Algoritma Apriori dan FP-Growth Untuk Menentukan Persediaan Barang,” J. Sisfokom (Sistem Inf.

dan Komputer), vol. 8, no. 1, pp. 61–67, 2019, doi: 10.32736/sisfokom.v8i1.604.

[2] B. S. Pranata and D. P. Utomo, “Penerapan Data Mining Algoritma FP-Growth Untuk Persediaan Sparepart Pada Bengkel Motor (Study Kasus Bengkel Sinar Service),” Bull. Inf. Technol., vol. 1, no. 2, pp. 83–91, 2020.

[3] S. Syahriani, “Penerapan Data Mining Untuk Menentukan Pola Penjualan Sepatu Menggunakan Metode Algoritma Apriori,”

Bina Insa. Ict J., vol. 9, no. 1, p. 43, 2022, doi: 10.51211/biict.v9i1.1758.

[4] S. Suhada, D. Ratag, G. Gunawan, D. Wintana, and T. Hidayatulloh, “Penerapan Algoritma Fp-Growth Untuk Menentukan Pola Pembelian Konsumen Pada Ahass Cibadak,” Swabumi, vol. 8, no. 2, pp. 118–126, 2020, doi: 10.31294/swabumi.v8i2.8077.

[5] A. Maulana and A. A. Fajrin, “Penerapan Data Mining Untuk Analisis Pola Pembelian Konsumen Dengan Algoritma Fp-Growth Pada Data Transaksi Penjualan Spare Part Motor,” Klik - Kumpul. J. Ilmu Komput., vol. 5, no. 1, p. 27, 2018, doi:

10.20527/klik.v5i1.100.

[6] A. Ardianto and D. Fitrianah, “Penerapan Algoritma FP-Growth Rekomendasi Trend Penjualan ATK Pada CV. Fajar Sukses Abadi,” J. Telekomun. dan Komput., vol. 9, no. 1, p. 49, 2019, doi: 10.22441/incomtech.v9i1.3263.

[7] Y. P. Bunda, “Algoritma Fp-Growth Untuk Menganalisa Pola Pembelian Oleh-Oleh (Studi Kasus Di Pusat Oleh-Oleh Ummi Aufa Hakim),” Riau J. Comput. Sci., vol. 06, no. 01, pp. 34–44, 2020.

[8] S. G. Setyorini, Mustakim, J. Adhiva, and S. A. Putri, “Penerapan Algoritma FP-Growth dalam Penentuan Pola Pembelian Konsumen,” Semin. Nas. Teknol. Informasi, Komun. dan Ind., pp. 180–186, 2020.

[9] Y. D. Lestari, “Penerapan Data Mining Menggunakan Algoritma Fp-Tree Dan Fp-Growth Pada Data Transaksi Penjualan Obat,”

Snastikom, no. Snastikom, pp. 60–65, 2015.

[10] Supinah, R. E. Putra, and M. Iqbal, “Prediksi Pola Penjualan Produk Herbal Menggunakan Algoritma FP-Growth,” J. Inf. dan Teknol., vol. 4, pp. 14–18, 2022, doi: 10.37034/jidt.v4i1.167.

[11] A. M. Bachtiar and M. Rivki, “Jurnal Sistem Informasi ( Journal of Information Systems ). 2/3 ( 2017 ), 90-96,” Tantangan Dan Hambatan Implementasi Prod. Uang Elektron. Di Indones. Stud. Kasus Pt Xyz, vol. 13, no. 1, pp. 38–48, 2017, [Online].

Available: https://jsi.cs.ui.ac.id

[12] W. N. Setyo and S. Wardhana, “Implementasi Data Mining Pada Penjualan Produk Di Cv Cahaya Setya Menggunakan Algoritma Fp-Growth,” Petir, vol. 12, no. 1, pp. 54–63, 2019, doi: 10.33322/petir.v12i1.416.

[13] A. R. Wijaya and A. Jananto, “Mencari Pola Pembelian Konsumen Menggunakan Algoritma Fp-Growth,” Din. Inform., vol. 10, no. 1, pp. 1–7, 2018.

[14] R. Aditiya, S. Defit, and G. W. Nurcahyo, “Prediksi Tingkat Ketersediaan Stock Sembako Menggunakan Algoritma FP-Growth dalam Meningkatkan Penjualan,” J. Inform. Ekon. Bisnis, vol. 2, pp. 67–73, 2020, doi: 10.37034/infeb.v2i3.44.

[15] Tarigan Fahrul, Azanuddin, and Yanti Nur, “Implementasi Data Mining Menentukan Pola Penjualan Produk Toko Perabot Dua Bersaudara Kutalimbaru Dengan Menggunakan Fp-Growth,” vol. 1, no. 2, pp. 115–129, 2021, [Online]. Available:

https://ojs.trigunadharma.ac.id/

[16] L. Indah Prahartiwi, S. Informasi, S. Nusa Mandiri, J. Damai No, and W. Jati Barat Jakarta Selatan DKI Jakarta, “Pencarian Frequent Itemset pada Analisis Keranjang Belanja Menggunakan Algoritma FP-Growth,” Inf. Syst. Educ. Prof., vol. 2, no. 1, pp.

1–10, 2017.

[17] D. Melati and T. S. Wahyuni, “Association Rule Dalam Menentukan Cross-Selling Produk Menggunakan Algoritma Fp- Growth,” Voteteknika (Vocational Tek. Elektron. dan Inform., vol. 7, no. 4, p. 102, 2020, doi: 10.24036/voteteknika.v7i4.106499.