ANALISIS POLA PEMBELIAN PELANGGAN  MENGGUNAKAN ALGORITMA FP-GROWTH   UNTUK MENDUKUNG STRATEGI PEMASARAN  PADA DATA TRANSAKSI RETAIL

Rizky Nugraha; Nana Suarna; Agus Bahtiar; Fathurrohman .

Authors

Rizky Nugraha STMIK IKMI Cirebon, Indonesia
Nana Suarna STMIK IKMI Cirebon, Indonesia
Agus Bahtiar STMIK IKMI Cirebon, Indonesia
Fathurrohman . STMIK IKMI Cirebon, Indonesia

Keywords:

FP-Growth, Association Rule Mining, Data Sparsity, Analitik Ritel, Strategi Pemasaran

Abstract

Meningkatnya kompleksitas data transaksi dalam sektor ritel modern, diperlukan pendekatan analitik yang lebih canggih untuk secara efektif mengekstraksi pola tersembunyi, khususnya dalam kondisi data yang sangat jarang (sparse). Penelitian ini bertujuan untuk mengidentifikasi pola pembelian pelanggan serta menghasilkan aturan asosiasi yang signifikan menggunakan algoritma Frequent Pattern Growth (FP-Growth) guna mendukung strategi pemasaran berbasis data. Dengan mengatasi kesenjangan penelitian pada metode konvensional yang kesulitan menangani data ritel yang sparse, studi ini menekankan optimalisasi ekstraksi aturan asosiasi yang tidak hanya valid secara statistik, tetapi juga bernilai praktis. Metode yang diusulkan mengimplementasikan FP-Growth menggunakan RapidMiner pada dataset yang terdiri dari 10.000 data, yang merepresentasikan 1.991 transaksi dalam 68 kategori produk. Tahap praproses mencakup transformasi dataset ke dalam format keranjang (basket) menggunakan teknik pivoting serta konversi atribut menjadi bentuk binominal. Parameter minimum support (0,04) dan minimum confidence (0,12) ditentukan berdasarkan karakteristik distribusi data yang menunjukkan tingkat sparsity sebesar 94,1%. Hasil penelitian menunjukkan bahwa algoritma FP-Growth berhasil menghasilkan 16 aturan asosiasi yang signifikan dengan nilai lift lebih dari 1, yang menunjukkan adanya korelasi positif yang bermakna antar produk. Secara khusus, produk Energy Drink teridentifikasi sebagai pusat asosiasi (association hub) dengan hubungan kuat terhadap beberapa produk lain seperti Gula, Tomat, Kentang, dan Daging Sapi. Selain itu, ditemukan pola asosiasi yang kuat dan tidak intuitif antara Deterjen → Earphone, dengan nilai lift tertinggi sebesar 1,850, yang mengungkap peluang pemasaran lintas kategori yang sebelumnya belum teridentifikasi. Kontribusi utama penelitian ini terletak pada kemampuannya dalam mengatasi tantangan data ritel yang sparse sekaligus menghasilkan wawasan yang dapat ditindaklanjuti untuk pengambilan keputusan bisnis. Implikasi praktis meliputi optimalisasi strategi penempatan produk, perancangan skema bundling produk yang efektif, serta peningkatan performa cross-selling. Oleh karena itu, penelitian ini memberikan kontribusi baik secara metodologis maupun praktis dalam konteks analitik ritel berbasis data.

References

S. Hashad, T. Y. Wah, A. Alnoor, and J. Chew, “Comparative study of Apriori and FP-Growth algorithms for large-scale retail POS data analysis,” International Journal of Advanced Computer Science and Applications, vol. 15, no. 2, pp. 210–222, 2024.

D. Yanti, F. Maradjabessy, A. Qurtubi, and R. Rachmadewi, “Association rule mining for customer behavior analysis in retail data using FP-Growth algorithm,” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 11, no. 2, pp. 178–189, 2024.

R. S. Hashad, T. Y. Wah, A. S. Alnoor, and B. K. Chew, “A comparative study of Apriori and FP-Growth algorithms for retail market basket analysis,” Computers, vol. 13, no. 5, pp. 95–109, 2024, doi: 10.3390/computers13050095.

H. Jang, “Region-aware FP-Growth for spatial retail transaction analysis,” Information Sciences, vol. 577, pp. 353–370, 2021, doi: 10.1016/j.ins.2021.07.029.

A. Varu, J. Christino, and F. Paulovich, “ARMatrix: Interactive visualization and interpretation of large association rule sets for merchandising decisions,” Information Visualization, vol. 21, no. 1, pp. 52–70, 2022, doi: 10.1177/14738716211057123.

C. Chen and H. Li, “Next-basket recommendation via hybrid pattern prediction and association learning,” Expert Systems with Applications, vol. 186, p. 115763, 2021, doi: 10.1016/j.eswa.2021.115763.

A. Alawadh and A. Barnawi, “Integrating clustering and association rule mining for large-scale retail transaction analysis,” Journal of Big Data, vol. 11, no. 2, pp. 77–95, 2024, doi: 10.1186/s40537-024-00987-1.

S. C. Lin, Y. Y. Chuang, C. L. Chuang, and Y. C. Chang, “Integrating big data pipelines and association learning for product recommendation systems,” Applied Sciences, vol. 11, no. 19, p. 9092, 2021, doi: 10.3390/app11199092.