E-ISSN: 2623-064x | P-ISSN: 2580-8737
Analisis Pola Pembelian di Lathansa Cafe & Ramen dengan Menggunakan Algoritma FP-Growth Berbantuan RapidMiner
Eling Che Vidiya1, Gusmelia Testiana2
1 Pendidikan Matematika, Fakultas Ilmu Tarbiyah dan Keguruan, Universitas Islam Negeri Raden Fatah Palembang, Indonesia
2 Sistem Informasi, Fakultas Sains dan Teknologi, Universitas Islam Negeri Raden Fatah Palembang, Indonesia
Informasi Artikel ABSTRAK
Riwayat Artikel Diserahkan : 12-06-2023 Direvisi : 26-06-2023 Diterima : 03-07-2023
Pola pembelian pelanggan merupakan informasi berharga yang dapat digunakan oleh bisnis untuk meningkatkan strategi pemasaran, mengoptimalkan persediaan produk, dan meningkatkan kepuasan pelanggan. Penelitian ini bertujuan untuk menganalisis pola pembelian di Lathansa Cafe & Ramen menggunakan algoritma FP- growth yang diimplementasikan melalui platform RapidMiner.
Metode penelitian ini melibatkan pengumpulan data transaksi pembelian dari Lathansa Cafe & Ramen dan menerapkan algoritma FP-growth untuk mengidentifikasi itemset frekuensi tinggi dan aturan asosiasi. Hasil analisis pola pembelian ini adalah Dengan hasil aturan asosiasi yaitu dengan nilai support 0.320 atau 32% dan nilai confidence 0,941 atau 94,1%. Dari hasil pengujian tersebut, pelanggan yang membeli martabak sayur maka pasti membeli paket hemat A.
Harapan peneliti yaitu dapat memberikan wawasan yang berharga bagi Lathansa Cafe & Ramen dalam merencanakan strategi pemasaran dan pengelolaan persediaan produk serta dapat dijadikan sumber bacaan peneliti lain.
Kata Kunci: ABSTRACT
Data Mining; Algoritma FP-Growth; Pola Pembelian.
Customer purchasing patterns are valuable information that can be used by businesses to improve marketing strategies, optimize product inventory, and increase customer satisfaction. This research aims to analyze purchasing patterns at Lathansa Cafe & Ramen using the FP-growth algorithm implemented through the RapidMiner platform. This research method involves collecting purchase transaction data from Lathansa Cafe & Ramen and applying the FP-growth algorithm to identify high-frequency itemsets and association rules. The results of this purchase pattern analysis are with the results of association rules, namely with a support value of 0.320 or 32% and a confidence value of 0.941 or 94.1%. From the test results, customers who buy vegetable martabak then definitely buy a saving package A. The hope of researchers is that it can provide valuable insight for Lathansa Cafe & Ramen in planning marketing strategies and managing product inventory and can be used as a source of reading for other researchers.
Keywords :
Data Mining, FP-Growth Algorithm, Purchase Pattern.
Corresponding Author : Eling Che Vidiya
Pendidikan Matematika, Fakultas Ilmu Tarbiyah dan Keguruan, Universitas Islam Negeri Raden Fatah Palembang, Indonesia
Jl. Prof. K. H. Zainal Abidin Fikri, Kota Palembang Email: [email protected]
PENDAHULUAN
Dalam dunia bisnis yang kompetitif, pemahaman tentang perilaku pelanggan sangat penting bagi perusahaan untuk mencapai keunggulan kompetitif. Salah satu aspek penting dari perilaku pelanggan adalah pola pembelian mereka. Pola pembelian mengacu pada kombinasi item yang cenderung dibeli bersama-sama oleh pelanggan. Dengan memahami pola pembelian ini, perusahaan dapat mengambil langkah-langkah strategis untuk meningkatkan penjualan, meningkatkan kepuasan pelanggan, dan mengoptimalkan persediaan produk. Terutama pada cafe-cafe yang cenderung diminati banyak remaja-remaja menjadi tempat santai atau ruang temu.
Cafe merupakan tempat yang populer bagi masyarakat untuk bersantai, berkumpul, atau bekerja sambil menikmati hidangan dan minuman (Michael & Abdul Rahman, 2022). Dalam industri cafe, pemahaman yang mendalam tentang preferensi konsumen dan pola pembelian dapat menjadi kunci keberhasilan bisnis. Dengan menganalisis data transaksi pembelian, pemilik cafe dapat mengidentifikasi pola pembelian yang relevan, mengoptimalkan penawaran menu, dan meningkatkan kepuasan konsumen.
Lathansa Cafe & Ramen merupakan salah satu cafe yang digemari oleh masyarakat dikarenakan menu yang disuguhkan berupa makanan yang jarang dibuat oleh rumahan. Selain itu, Lathansa Cafe & Ramen adalah sebuah restoran yang terkenal dengan hidangan ramen.
Restoran ini ingin memahami pola pembelian pelanggannya untuk meningkatkan layanan dan pengalaman pelanggan. Menu merupakan daftar hidangan dan minuman yang ditawarkan oleh cafe kepada konsumen. Menentukan menu yang menarik dan sesuai dengan preferensi konsumen dapat menjadi tantangan bagi pemilik cafe.
Data mining adalah proses ekstraksi informasi yang berharga dan berarti dari dataset yang besar dan kompleks. Data mining adalah metode yang diterapkan untuk mengolah dan menganalisis data (Kurniana et al., 2023). Dalam konteks cafe, data mining digunakan untuk menggali wawasan bisnis dari data transaksi pembelian, seperti pola pembelian, asosiasi menu, dan preferensi konsumen. Dengan memanfaatkan teknik data mining seperti algoritma FP- Growth, pemilik cafe dapat mengoptimalkan operasi bisnis, meningkatkan kepuasan konsumen, dan mengambil keputusan yang lebih baik berdasarkan informasi yang ditemukan dari data. Di dalam data mining terdapat algoritma FP-Growth yang merupakan perkembangan dari algortima Apriori (Yang et al., 2022).
Algoritma FP-Growth adalah algoritma yang menerapkan teknik untuk menemukan hubungan antar item yang sering muncul dengan memadatkannya menjadi FP-Tree. FP-Growth adalah cara untuk menggambarkan pola pembelian konsumen dan item yang sering muncul secara bersamaan terutama yaitu item yang sering dibeli oleh konsumen sehingga dapat dianalisis data dengan menentukan pola asosiasi (Achmad et al., 2023). Algoritma FP-growth (Frequent Pattern-growth) adalah algoritma data mining yang digunakan untuk mengidentifikasi itemset frekuensi tinggi dalam dataset transaksi (Dewi Anisa Istiqomah et al., 2022). Algoritma ini berfokus pada struktur pohon yang disebut FP-tree (Frequent Pattern tree) untuk menghasilkan itemset frekuensi tinggi dengan cepat.
RapidMiner adalah perangkat lunak yang dikembangkan oleh Dr. Markus Hofmann dan Ralf Klinkenberg dari Institut Teknologi Blanchardstown dan memfasilitasi pemrograman berbasis GUI (Graphical User Interface). Perangkat lunak tersebut berbasis open source, ditulis dengan bahasa pemrograman Java dan RapidMiner, serta dapat digunakan pada sistem operasi apa saja (Wijaya & Pratama, 2022). Saat menggunakan RapidMiner, tidak diperlukan keterampilan pemrograman khusus untuk menggunakan RapidMiner, karena semua model tersedia. Rapid Miner digunakan untuk penambangan data. Ini juga menyediakan banyak model yang cukup lengkap, seperti: B. Bayesian Models, Modeling, Tree Induction, Neural Networks, dll. RapidMiner menyediakan berbagai metode klasifikasi, pengelompokan, asosiasi, dll.
RapidMiner adalah platform analisis data yang populer yang menyediakan antarmuka grafis untuk membangun alur kerja analisis data.
Oleh karena itu, analisis asosiasi menu dapat membantu pemilik cafe dalam mengidentifikasi kombinasi menu yang sering dibeli bersama-sama oleh konsumen, sehingga dapat memperkuat penawaran menu yang menarik dan strategi pemasaran yang efektif. Pada penelitian terdahulu oleh Fajrin et al (2018) yang menjelaskan bahwa dengan dilakukan pengujian FP-Growth maka dapat membantu perusahaan mengetahui pola pembelian konsumen dan transaksi penjualan spare part. Adapun penelitian lain yaitu oleh Sihombing et al (2022) dengan menerapkan algoritma FP-Growth pada analisa pola penjualan roti untuk membantu meningkatkan strategi penjualan. Dalam penelitian ini, peneliti menggunakan algoritma FP- Growth, sebuah metode data mining yang efektif untuk mengidentifikasi pola pembelian yang signifikan dalam dataset transaksi. Dalam penelitian ini, peneliti menggunakan RapidMiner untuk menerapkan algoritma FP-growth pada dataset transaksi Lathansa Cafe & Ramen.
RapidMiner menyediakan modul yang dapat digunakan untuk membangun model FP-growth dan menganalisis pola pembelian (Aprilla Dennis, 2013).
METODE PENELITIAN
Penelitian ini menggunakan metode data mining pada algoritma FP-Growth dalam menganalisis data transaksi pola pembelian dan asosiasi itemset menu pada Lathansa Café &
Ramen dalam jangka waktu satu bulan yaitu pada bulan Mei 2023. Algoritma FP-growth efisien dalam menangani dataset transaksi yang besar dan memiliki kinerja yang lebih baik daripada algoritma lain seperti Apriori. Dukungan aturan koneksi dengan representasi gabungan beberapa item.
(𝑋, 𝑌) = 𝑃(𝑋 ∩ 𝑌) =𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑦𝑎𝑛𝑔 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵
𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 (1)
Pada penelitian ini adapun tahapannya yang meliputi, (1) tahap pengumpulan data, (2) tahap preprocessing data, (3) tahap penerapan algoritma Fp-Growth, dan (4) Pengujian Association Rule.Adapun tahapan tersebut dapat dijelaskan sebagai berikut:
1) Tahap Pengumpulan Data:
Pada tahap ini, peneliti mengumpulkan data yang diperlukan untuk analisis pola pembelian di Lathansa Cafe & Ramen. Data diperoleh pengambilan data dari sistem transaksi atau database, atau menggunakan data historis yang telah tersedia. Data yang diperoleh merupakan data sekunder sebanyak 50 data. Data sekunder ini berupa data transaksi pembelian yang mencakup informasi seperti identitas pelanggan/konsumen, item-menu yang dibeli dan tanggal pembelian. Pengolahan data dilakukan dengan berbantuan Rapidminer. Data yang dikumpulkan dapat berupa daftar pembelian, termasuk detail produk atau menu yang dibeli oleh pelanggan.
2) Tahap Preprocessing Data:
Tahap ini melibatkan langkah-langkah untuk membersihkan dan mempersiapkan data agar siap digunakan dalam analisis. Proses preprocessing data dapat meliputi:
• Penghapusan data yang tidak relevan atau duplikat.
• Penanganan nilai yang hilang atau tidak lengkap.
• Standarisasi format data, misalnya, mengubah teks menjadi huruf kecil atau mengganti kata yang sama dengan kata yang seragam.
• Konversi data ke format yang sesuai untuk algoritma FP-growth di RapidMiner.
3) Tahap Penerapan Algoritma FP-growth:
Pada tahap ini, algoritma FP-growth diterapkan menggunakan perangkat lunak RapidMiner. FP-growth adalah algoritma yang digunakan untuk menemukan pola-pola itemset yang sering muncul dalam kumpulan data transaksi. Dengan menggunakan algoritma ini, peneliti dapat mengidentifikasi pola pembelian yang umum terjadi di Lathansa Cafe & Ramen.
Langkah-langkah yang dilakukan dalam tahap ini antara lain:
• Memasukkan data yang telah di-preprocessing ke dalam RapidMiner.
• Mengatur parameter algoritma FP-growth, seperti support threshold (batas dukungan) yang digunakan untuk menentukan seberapa sering pola harus muncul untuk dianggap penting.
• Menjalankan algoritma FP-growth untuk menghasilkan pola-pola pembelian yang relevan.
4) Pengujian Association Rule:
Setelah pola-pola pembelian dihasilkan oleh algoritma FP-growth, tahap selanjutnya adalah pengujian association rule. Association rule digunakan untuk menemukan hubungan atau keterkaitan antara item atau menu yang dibeli oleh pelanggan. Langkah-langkah dalam pengujian association rule meliputi:
• Menghitung ukuran-ukuran penting dalam association rule, seperti support (dukungan), confidence (kepercayaan), dan lift (kenaikan).
Terdapat dua pengukuran penting di dalam menerapkan metode asosiasi yaitu support dan confidence. Support yaitu seberapa sering nilai item tersebut muncul terhadap keselurahan data. Misalkan item yang dimaksud adalah X maka dapat dirumuskan:
𝑠𝑢𝑝𝑝𝑜𝑟𝑡 (X) =𝑓𝑟𝑒𝑘𝑢𝑒𝑛𝑠𝑖(𝑋)
𝑁 (2) atau jika untuk 2 item maka,
𝑠𝑢𝑝𝑝𝑜𝑟𝑡 (X → Y) =𝑓𝑟𝑒𝑘𝑢𝑒𝑛𝑠𝑖(𝑋, 𝑌)
𝑁 (3)
Adapun Confidence merupakan banyaknya transaksi yang berisikan X ∪ Y terhadap keseluruhan data transaksi yang berisikan X. Sehingga dapat dirumuskan:
Confidence (X → Y) =Frekuensi(X,Y) Frekuensi (X) (4)
Lift ratio (Tingkat peningkatan) merupakan ukuran keefektifan aturan asosiasi yang diperoleh dengan perbandingan antara keyakinan aturan dan nilai keyakinan dasar. Tolok ukur kepercayaan itu sendiri adalah perbandingan antara semua kuantitas item untuk hasil total transaksi. Untuk menghitung nilai Benchmark confidence digunakan rumus sebagai berikut.
𝐵𝑒𝑛𝑐𝑚𝑎𝑟𝑘 =𝐹𝑟𝑒𝑘𝑢𝑒𝑛𝑠𝑖(𝑌)
𝑁 (5)
Perhitungan yang digunakan pada persamaan datum sama dengan nilai support, sehingga dapat disimpulkan bahwa datum tersebut merupakan support untuk produk selanjutnya. Sedangkan untuk menghitung lift ratio digunakan rumus berikut.
𝐿𝑖𝑓𝑡 𝑟𝑎𝑡𝑖𝑜 =𝑐𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒(X → Y)
support(Y) (6)
• Menentukan aturan asosiasi yang signifikan berdasarkan ukuran-ukuran tersebut.
• Menafsirkan dan menganalisis aturan asosiasi yang ditemukan, misalnya, menentukan menu yang sering dibeli bersama atau pola pembelian yang umum terjadi.
HASIL DAN PEMBAHASAN
Dalam menganalisis data menurut metode asosiasi dengan algoritma FP-Growth perlu diketahui data yang digunakan adalah data yang telah dikumpulkan dari lapangan penelitian atau studi litaratur lainnya. Berdasarkan pada tahap pertama, menghasilkan data sebagai berikut.
Sebelum mengolah data adapun data yang berhasil dikumpulkan dapat dilihat pada tabel 1 sebagai berikut:
Tabel 1. Data Transaksi Pembelian Pada Bulan Mei 2023 Transaksi
Item-Menu 1 Paket Hemat A, green tea 2 Paket Hemat B, kentang goreng 3 Green tea, Chocolate
4 Nasi katsu, salad buah 5 Martabak sayur, green tea
6 Paket Hemat A, kentang goreng, salad buah 7 Nasi katsu, green tea
8 Salad buah, Chocolate
9 Paket Hemat B, kentang goreng, green tea 10 Green tea, martabak sayur, Chocolate 11 Paket Hemat A, salad buah
12 Nasi katsu, Chocolate
13 Kentang goreng, green tea, martabak sayur 14 Paket Hemat B, green tea, salad buah 15 Nasi katsu, martabak sayur, Chocolate 16 Kentang goreng, green tea
17 Green tea, Chocolate salad buah
18 Paket Hemat A, green tea, kentang goreng, salad buah
19 Nasi katsu, martabak sayur
20 Paket Hemat B, green tea, Chocolate, kentang goreng
… …
50 Paket Hemat A, nasi katsu
(Sumber: Lathansa Café & Ramen)
Berdasarkan tabel 1 bahwa data item-menu tersebut sebanyak 50 data transaksi dengan delapan jenis item meliputi paket hemat A, paket hemat B, chocolate, nasi katsu, salad buah, martabak sayur, greentea dan kentang goreng. Adapun pada tabel 2 adalah data transaksi yang telah diolah atau dikonversikan ke dalam bentuk binomial yang dihasilkan dari tahapan kedua.
Tabel 2. Data Transaksi dalam Binomial
ID Transaksi Paket Hemat A Paket hemat B Chocolate Nasi katsu …Item X
1 1 0 0 0 …
2 0 1 0 0 …
3 0 0 1 0 …
4 0 0 0 1 …
5 0 0 0 0 …
6 1 0 1 0 …
7 0 0 0 1 …
8 0 0 1 0 …
9 0 1 0 0 …
10 0 0 1 0 …
11 1 0 0 0 …
12 0 0 1 1 …
13 0 0 0 0 …
14 0 1 0 0 …
15 0 0 1 1 …
16 0 0 0 0 …
17 0 0 1 0 …
18 1 0 0 0 …
19 0 0 0 1 …
20 0 0 1 0 …
… … … … … …
50 1 0 0 1 …
(Sumber: Diolah Juni 2023) Pada tabel 3 dapat dilihat bahwa Frequent Pattern Growth (FP-Growth) adalah frekuensi kemunculan di setiap item dari data transaksi (Boy et al., 2022).
Tabel 3. Frequent Pattern Growth (FP-Growth) ID Transaksi Item-Menu Frekuensi
1 Paket Hemat A 10
2 Paket Hemat B 8
3 Chocolate 22
4 Nasi Katsu 16
5 Salad Buah 20
6 Martabak Sayur 17
7 Green tea 27
8 Kentang Goreng 20
(Sumber: Diolah Juni 2023)
Berdasarkan tabel 3 tersebut frekuensi terbanyak yaitu pada item Green tea dan Chocolate. Dari 8 item tersebut frekuensi item yang paling sedikit yaitu paket hemat B.
Selanjutnya akan dilakukan penerapan model pada RapidMiner dapat dilihat pada gambar 1 berikut ini yang merupakan hasil dari tahapan ketiga.
Gambar 1. Proses Penerapan Model dengan RapidMiner
Dengan menggunakan operator Retrieve data yang telah di import pada aplikasi RapidMiner. Operator ini mempunyai kegunaan berupa meng-input data-data yang telah melalui pre-processing data yang kemudian di proses pada aplikasi RapidMiner. Jenis/style data yang digunakan adalah Binomial karena data dikonversikan dari suatu objek dari true (1) dan false (2) dengan kolom ID transaksi di beri label ID. Kemudian operator FP-Growth dihubungkan pada operator sebelumnya. untuk membuat aturan asosiasi maka operator tadi harus dihubungkan dengan operator Create Association Rule, hal ini dapat digunakan untuk menentukan nilai support dan confidence suatu item data. Hal ini didapatkan sesuai pada tahap keempat dengan menggunakan rumus (3), (4) dan (6).
Tabel 4. Nilai Support dan Confidence
No. Premises Conclusion Support Confidence
61 Chocolate Paket hemat A 0,360 0,818
55 Greentea Paket hemat A 0,340 0,739
59 Kentang goreng Paket hemat A 0,320 0,800
60 Salad buah Paket hemat A 0,320 0,800
65 Martabak sayur Paket hemat A 0,320 0,941
64 Nasi katsu Paket hemat A 0,300 0,938
Berdasarkan tabel 4 dapat dilihat bahwa nilai confidence terbesar yaitu 0,941 atau 94,1%
dan dengan nilai support 0.320 atau 32%. Dalam hal ini, nilai minimum support yang diterapkan adalah 0,2 atau 20% dan nilai minimun confidence nya 0,5 atau 50%. Kemudian jika dilihat pada penerapan FP-Tree pada gambar 2 berikut ini.
Gambar 2. Penerapan FP-Tree
Setelah dilakukannya perhitungan nilai support dan confidence maka dapat dilakukan pengujian Association Rule pada RapidMiner dapat dilihat pada gambar 3 dan gambar 4 berikut ini yang juga merupakan bagian dari tahapan keempat.
Gambar 3. Pengujian Association Rule
Gambar 4. Pengujian Association Rule dengan nilai Support dan Confidence Tertinggi Berdarkan gambar 4 dapat dijelaskan bahwa pelanggan yang membeli martabak sayur maka juga membeli paket hemat A. Dalam hal ini terdapat “premise” dan “conclusion”. Premise yang menunjukkan kombinasi item yang muncul sebelum kesimpulan terjadi.
KESIMPULAN DAN SARAN Kesimpulan
Berdasarkan hasil dari penerapan dan pengujian maka dapat disimpulkan bahwa algoritma FP-Growth dapat menganalisis pola pembelian pelanggan di Lathansa Café & Ramen.
Dengan hasil aturan asosiasi yaitu dengan nilai support 0.320 atau 32% dan nilai confidence 0,941 atau 94,1%. Dengan nilai support dan confidence yang tinggi maka memiliki dukungan dan kepastian yang sangat baik. Dari hasil pengujian tersebut, pelanggan yang membeli martabak sayur maka pasti membeli paket hemat A.
Saran
Saran dari penelitian ini perlu untuk dikaji kembali pada data-data serupa untuk meningkatkan kegunaan dari suatu penelitian. Diharapkan pada penelitian selanjutnya untuk menggunakan data-data yang lebih banyak dan dapat dipadukan dengan perhitungan secara manual.
UCAPAN TERIMA KASIH
Peneliti mengucapkan terimakasih kepada Lathansa Café & Ramen karena telah bersedia membantu dalam memberikan data transaksi sebagai bahan penelitian ini.
REFERENSI
Achmad, F., Nurdiawan, O., & Wijaya, Y. A. (2023). Analisa Pola Transaksi Pembelian Konsumen Pada Toko Ritel Kesehatan Menggunakan Algoritma Fp-Growth. Jurnal Mahasiswa Teknik Informatika, 7(1), 168–175. www.researchgate.net
Aprilla Dennis. (2013). Belajar Data Mining dengan RapidMiner. In Innovation and Knowledge Management in Business Globalization: Theory & Practice, Vols 1 and 2 (Vol. 5, Issue 4).
http://esjournals.org/journaloftechnology/archive/vol1no6/vol1no6_6.pdf%5Cnhttp:/
/www.airccse.org/journal/nsa/5413nsa02.pdf
Boy, A. F., Yakub, S., Ishak, I., & Azmi, Z. (2022). Implementasi Data Mining Pada Pengaturan Distribusi Barang Dengan Menggunakan Algoritma Fp-Growth. Journal of Science and Social Research, 5(2), 431. https://doi.org/10.54314/jssr.v5i2.947
Dewi Anisa Istiqomah, Yuli Astuti, & Siti Nurjanah. (2022). Implementasi Algoritma FP- Growth dan Apriori Untuk Persediaan Produk. Jurnal Informatika Polinema, 8(2), 37–42.
https://doi.org/10.33795/jip.v8i2.845
Fajrin, A. A., Maulana, A., Informatika, T., Batam, U. P., & Soeprapto, J. R. (2018).
Penerapan_Data_Mining_Untuk_Analisis_Pol. Kumpulan Jurnal, Ilmu Komputer, 05(01), 27–36.
Kurniana, T., Lestari, A., & Oktaviyani, E. D. (2023). Penerapan Algoritma Apriori untuk Mencari Pola Transaksi Penjualan Berbasis Web pada Cafe Sakuyan Side. Konvergensi Teknologi Dan Sistem Informasi, 3(1), 13–23.
Michael, & Abdul Rahman. (2022). Kafe dan Gaya Hidup: Studi pada Pengunjung Kafe di Wilayah Barombong Kota Makassar. Jurnal Multidisiplin Madani, 2(10), 3796–3806.
https://doi.org/10.55927/mudima.v2i10.1548
Sihombing, L. K., Tugiono, T., & Sari, U. F. (2022). Implementasi Data Mining Dalam Menganalisa Pola Penjualan Roti Menggunakan Algoritma Fp-Growth. Jurnal Sistem
Informasi Triguna Dharma (JURSI TGD), 1(3), 228.
https://doi.org/10.53513/jursi.v1i3.5288
Wijaya, K. T., & Pratama, I. (2022). Penerapan Algoritma FP-Growth Untuk Analisis Data Transaksi Penjualan Di Internet Learning Cafe Kaliurang. Jurnal Nasional Komputasi Dan Teknologi Informasi (JNKTI), 5(4), 642–651. https://doi.org/10.32672/jnkti.v5i4.4585 Yang, E. D., Pakpahan, P. E., Pamungkas, C. A., & Zakiyah, W. (2022). Analisis Perilaku
Pembelian Konsumen Menggunakan Algoritma Pertumbuhan FP Untuk Meningkatkan Penjualan di Orchid Mart Manokwari. G-Tech : Jurnal Teknologi Terapan, 6(2), 295–305.
