PENERAPAN METODE MARKET BASKET ANALYSIS TERHADAP RITEL ONLINE MENGGUNAKAN ALGORITMA APRIORI DAN FP-GROWTH

Abstract

Penelitian ini bertujuan untuk menganalisis pola pembelian pelanggan pada data transaksi ritel online menggunakan metode Market Basket Analysis (MBA) dengan algoritma Apriori dan FP-Growth. Dalam era digital, analisis data transaksi menjadi sangat penting untuk memahami perilaku pelanggan serta mendukung pengambilan keputusan bisnis berbasis data. Dataset yang digunakan dalam penelitian ini adalah Online Retail II yang bersumber dari Kaggle, dengan jumlah lebih dari 1 juta data transaksi. Tahapan penelitian meliputi preprocessing data, transformasi data ke dalam bentuk matriks transaksi, serta penerapan algoritma Apriori dan FP-Growth untuk menemukan frequent itemset dan aturan asosiasi. Proses pengolahan data dilakukan menggunakan bahasa pemrograman Python dengan bantuan library Pandas dan MLxtend. Hasil penelitian menunjukkan bahwa kedua algoritma menghasilkan 6 aturan asosiasi dengan nilai evaluasi yang identik, yaitu rata-rata support sebesar 0,027, confidence sebesar 0,755, lift sebesar 16,439, dan leverage sebesar 0,025. Beberapa pola asosiasi menunjukkan hubungan yang sangat kuat, seperti kombinasi PINK REGENCY TEACUP AND SAUCER dan GREEN REGENCY TEACUP AND SAUCER dengan confidence sebesar 0,838 dan lift sebesar 22,749. Selain itu, kombinasi SWEETHEART CERAMIC TRINKET BOX dan STRAWBERRY CERAMIC TRINKET BOX juga menunjukkan hubungan signifikan dengan confidence sebesar 0,710 dan lift sebesar 11,236. Dari sisi performa, algoritma Apriori memiliki waktu komputasi yang lebih cepat, yaitu 5,01 detik dibandingkan FP-Growth sebesar 17,19 detik, meskipun keduanya menghasilkan pola asosiasi yang sama. Hal ini menunjukkan bahwa efektivitas algoritma tidak hanya ditentukan oleh kompleksitas metode, tetapi juga oleh karakteristik dataset yang digunakan. Penelitian ini juga mendukung studi sebelumnya yang menyatakan bahwa Market Basket Analysis efektif dalam mengidentifikasi pola pembelian pelanggan untuk meningkatkan strategi pemasaran. Kebaruan penelitian ini terletak pada perbandingan langsung antara algoritma Apriori dan FP-Growth pada dataset yang sama dengan parameter yang identik, serta penggunaan preprocessing data yang komprehensif untuk menghasilkan pola asosiasi yang lebih valid. Implikasi praktis dari penelitian ini adalah bahwa pola asosiasi yang dihasilkan dapat dimanfaatkan dalam strategi cross-selling, product bundling, dan sistem rekomendasi produk. Dengan demikian, penerapan Market Basket Analysis dapat membantu bisnis ritel online dalam meningkatkan efektivitas pemasaran dan penjualan secara lebih terarah dan berbasis data.