OPTIMASI ATURAN ASOSIASI DENGAN SUPPORT CONFIDENCE PADA MARKET BASKET ANALYSIS UNTUK MENINGKATKAN AKURASI REKOMENDASI PRODUK

Abstract

Pemanfaatan data transaksi penjualan merupakan aspek penting dalam mendukung pengambilan keputusan bisnis berbasis data, khususnya pada sektor ritel. Setiap transaksi mencerminkan perilaku dan preferensi konsumen yang dapat dianalisis untuk menghasilkan rekomendasi produk yang lebih akurat. Namun, dalam praktiknya, data transaksi sering kali hanya disimpan sebagai arsip tanpa dianalisis secara optimal, sehingga peluang untuk meningkatkan efektivitas pemasaran dan penjualan belum dimanfaatkan secara maksimal. Salah satu pendekatan yang dapat digunakan untuk menganalisis pola pembelian konsumen adalah Market Basket Analysis (MBA) melalui pembentukan aturan asosiasi. Permasalahan utama dalam penerapan MBA adalah penggunaan nilai support dan confidence yang bersifat statis, sehingga aturan asosiasi yang dihasilkan belum tentu optimal dan kurang mencerminkan perilaku pembelian konsumen yang sebenarnya. Selain itu, evaluasi kualitas aturan asosiasi dan akurasi rekomendasi produk sering kali belum dilakukan secara komprehensif. Penelitian ini bertujuan untuk mengoptimalkan aturan asosiasi dengan melakukan penyesuaian nilai support–confidence pada Market Basket Analysis guna meningkatkan akurasi rekomendasi produk. Metode yang digunakan adalah data mining dengan algoritma FP-Growth yang diintegrasikan dalam kerangka Knowledge Discovery in Database (KDD). Data transaksi yang digunakan berasal dari Groceries Dataset yang terdiri dari 9.834 transaksi. Proses penelitian meliputi tahap seleksi data, preprocessing, transformasi data menggunakan one-hot encoding, pemodelan FP-Growth, pembentukan aturan asosiasi, serta optimasi dan evaluasi aturan menggunakan metrik support, confidence, dan lift. Hasil penelitian menunjukkan bahwa optimasi nilai support–confidence mampu menghasilkan aturan asosiasi dengan kualitas yang lebih baik. Salah satu aturan utama yang dihasilkan memiliki nilai confidence sebesar 0,51288 dan lift sebesar 2,00703, yang menunjukkan hubungan pembelian produk yang kuat dan signifikan. Temuan ini membuktikan bahwa optimasi parameter pada Market Basket Analysis dapat meningkatkan akurasi rekomendasi produk dan memberikan nilai strategis bagi pengambilan keputusan bisnis ritel.