ANALISIS POLA PEMBELIAN PRODUK MAKANAN MENGGUNAKAN ALGORITMA FP-GROWTH UNTUK STRATEGI PENJUALAN
Abstract
Data penjualan sangat penting di sektor perdagangan untuk memahami perilaku konsumen dan tren penjualan produk, yang pada akhirnya menghasilkan keuntungan. PT Kusno Baso, sebuah perusahaan yang bergerak dibidang kuliner, menjual produk olahan bakso dan otak-otak. Dalam dua tahun terakhir ini yang berfokus pada penjualan tunai pabrik ada sebagian produk mengalami penuruan penjualan. Produksi olahan yang banyak serta jumlah data penjualan yang besar menjadi kendala dalam menganalisis data secara manual. Hal ini menyebabkan produk-produk yang sudah diproduksi setiap harinya menumpuk karena ada yang kurang laku terjual. Salah satu faktor yang mempengaruhi adalah belum mengetahui produk apa saja yang paling sering dibeli oleh konsumen dalam satu kali transaksi. Untuk mengatasi hal tersebut, tujuan dari penelitian ini adalah menghasilkan saran pola kombinasi pembelian produk dengan memanfaatkan algoritma FP-Growth untuk strategi cross-selling. Penelitian ini menggunakan metodologi penelitian Cross-Industry Standard Process for Data Mining (CRISP-DM). Metode pengumpulan data sekunder dilakukan pada data transaksi tunai pabrik penjualan produk olahan bakso dan otak-otak di PT Kusno Baso Ciledug pada tanggal 11 Mei 2021 sampai dengan tanggal 11 Mei 2023 yang terdiri dari 600 data transaksi dan 21 atribut yang sudah bersih tanpa ada missing value. Hasil dari penelitian ini yaitu memberikan pola asosiasi yang menjelaskan produk mana yang paling sering dibeli dalam waktu bersamaan, yang dapat dijadikan acuan dalam strategi penjualan dengan sistem cross-selling. Hasil penelitian percobaan terbaik menggunakan algoritma FP-Growth diperoleh dengan setting parameter minimum Support 20%, minimum Confidence 70% dan nilai lift ratio > 1 yang menghasilkan 9 rekomendasi aturan asosiasi dengan 11 item produk.
Downloads
References
[2] V. K. G. SuryaNarayana, G., Kamakshaiah Kolli, Mohd Dilshad Ansari, “A Traditional Analysis For Efficient Data Mining With Integrated Association Mining Into Regression Techniques,” ICCCE 2020 Proc. 3rd Int. Conf. Commun. Cyber Phys. Eng., pp. 1393–1404, 2021.
[3] R. S. P. Zahrotun, Lisna, Dewi Soyusiawaty, “The Implementation Of Data Mining For Association Patterns Determination Using Temporal Association Methods In Medicine Data,” 2018 Int. Semin. Res. Inf. Technol. Intell. Syst., pp. 668–673, 2018.
[4] I. D. Shabtay, Lior, Philippe Fournier-Viger, Rami Yaari, “A Guided FP-Growth Algorithm For Mining Multitude-Targeted Item-Sets And Class Association Rules In Imbalanced Data,” Inf. Sci. (Ny)., vol. 553, pp. 353–375, 2021.
[5] W. Y. Chee, Chin-Hoong, Jafreezal Jaafar, Izzatdin Abdul Aziz, Mohd Hilmi Hasan, “Algorithms For Frequent Itemset Mining: A Literature Review,” Artif. Intell. Rev., vol. 52, pp. 2603–2621, 2019.
[6] P. L. Kando Sihombing, U. Fatimah Sari Sitorus Pane, “Studi Sistem Informasi, and S. Triguna Dharma, “Implementasi Data Mining Dalam Menganalisa Pola Penjualan Roti Menggunakan Algoritma Fp-Growth,” J. Sist. Inf. TGD, vol. 1, no. 3, pp. 228–238, 2022.
[7] S. Syahriani, “Penerapan Data Mining Dalam Menentukan Pola Penjualan Sepatu Menggunakan Algoritma FP-Growth,” JURIKOM (Jurnal Ris. Komputer), vol. 9, no. 6, p. 1920, 2022, doi: 10.30865/jurikom.v9i6.5148.
[8] M. A. L. M. Hutasuhut, M. Gilang Suryanata, S. Kusnasari, “Data Mining Untuk Menganalisa Pola Penjualan Pestisida dengan Mengunakan Algoritma FP-Growth,” J. Ris. Komput., vol. 9, no. 6, pp. 1963–1973, 2022, doi: 10.30865/jurikom.v9i6.5200.
[9] E. H. R. Fauzi, A. W. Aranski, N. Nopriadi, “Implementasi Data Mining Pada Penjualan Pakaian dengan Algoritma FP-Growth,” JURIKOM (Jurnal Ris. Komputer), vol. 10, no. 2, p. 436, 2023, doi: 10.30865/jurikom.v10i2.5795.
[10] J. vom B. Schneider, Johannes, Stefan Seidel, Marcus Basalla, “Reuse, Reduce, Support: Design Principles for Green Data Mining,” Bus. Inf. Syst. Eng., vol. 65, no. 1, pp. 65–83, 2023.
[11] A. S. Telikani, Akbar, Amir H. Gandomi, “A Survey Of Evolutionary Computation For Association Rule Mining,” Inf. Sci. (Ny)., vol. 524, pp. 318–352, 2023.
[12] B. P. Woratschek, Herbert, Chris Horbel, “Determining Customer Satisfaction And Loyalty From A Value Co-Creation Perspective,” Serv. Ind. J., vol. 40, no. 11–12, pp. 777–799, 2020.
[13] H. A. A. Ismail, Walaa N., Mohammad Mehedi Hassan, “Context-Enriched Regular Human Behavioral Pattern Detection From Body Sensors Data,” IEEE Access, vol. 7, pp. 33834–33850, 2019.
[14] M. B. Van Atteveldt, Wouter, Mariken ACG Van der Velden, “The Validity Of Sentiment Analysis: Comparing Manual Annotation, Crowd-Coding, Dictionary Approaches, And Machine Learning Algorithms,” Commun. Methods Meas., vol. 15, no. 2, pp. 121–140, 2021.
[15] T. A. B. Wang, Yichuan, LeeAnn Kung, “Big Data Analytics: Understanding Its Capabilities And Potential Benefits For Healthcare Organizations,” Technol. Forecast. Soc. Change, vol. 126, pp. 3–13, 2018.
Copyright (c) 2023 Fachrul Prasetyo, Humisar Hasugian
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
.png)
