IMPLEMENTASI ALGORITMA FP-GROWTH UNTUK POLA PENJUALAN DI CV LEMAN WIDJI CIREBON

Septi Amelia Putri; Nining Rahaningsih; Irfan Ali; Umi Hayati

Authors

Septi Amelia Putri STMIK IKMI Cirebon, Indonesia
Nining Rahaningsih STMIK IKMI Cirebon, Indonesia
Irfan Ali STMIK IKMI Cirebon, Indonesia
Umi Hayati STMIK IKMI Cirebon, Indonesia

Keywords:

FP-Growth, Frequent Itemset, Pola Penjualan

Abstract

Pertumbuhan industri pangan siap konsumsi yang semakin kompetitif menuntut perusahaan untuk mampu menganalisis pola penjualan secara akurat agar dapat merumuskan strategi persediaan dan promosi yang efektif. CV Leman Widji Cirebon, sebagai distributor resmi produk Cimory, menghadapi tantangan dalam memahami pola pembelian konsumen secara menyeluruh karena pencatatan transaksi yang dilakukan selama ini belum dimanfaatkan secara optimal. Data transaksi yang tersedia hanya digunakan untuk tujuan administratif, tanpa adanya upaya sistematis untuk menggali pola penjualan yang dapat dijadikan dasar pengambilan keputusan bisnis. Permasalahan utama dalam penelitian ini adalah belum diketahuinya produk yang paling sering dibeli konsumen (frequent itemset), ketiadaan informasi mengenai kombinasi produk yang berpotensi menjadi peluang cross-selling, serta belum adanya analisis terstruktur mengenai bagaimana hasil data mining dapat mendukung strategi persediaan dan pemasaran perusahaan.Penelitian ini bertujuan untuk: (1) mengidentifikasi produk dengan tingkat frekuensi penjualan tertinggi, (2) menentukan kombinasi produk yang memiliki nilai support tertinggi, serta (3) menganalisis sejauh mana hasil penerapan algoritma FP-Growth dapat membantu perusahaan dalam merumuskan strategi pengelolaan persediaan dan promosi. Metode yang digunakan mengacu pada kerangka Knowledge Discovery in Databases (KDD) yang meliputi tahapan data selection, pre-processing, transformation, modeling, dan evaluasi hasil. Dataset yang digunakan terdiri dari 13.761 transaksi penjualan produk Cimory selama bulan September 2025 dan diproses menggunakan perangkat lunak RapidMiner Studio. Algoritma FP-Growth dipilih karena memiliki kemampuan dalam mengekstraksi pola frequent itemset secara efisien tanpa menghasilkan kandidat itemset secara berulang. Hasil penelitian menunjukkan bahwa produk dengan nilai support tertinggi berasal dari kategori Cimory UHT 125 ml, yang menjadi item paling banyak muncul dalam transaksi penjualan. Namun, penelitian ini tidak menemukan adanya multi-itemset atau kombinasi produk karena seluruh transaksi dalam dataset hanya memuat satu jenis produk, sehingga FP-Growth hanya menghasilkan 48 frequent itemset tunggal. Meskipun demikian, hasil frequency analysis tetap memberikan gambaran penting mengenai pola permintaan konsumen dan dapat digunakan sebagai dasar untuk menentukan prioritas persediaan, perencanaan distribusi, serta penyusunan strategi promosi. Penelitian ini juga menegaskan bahwa struktur pencatatan transaksi yang tidak mendukung multi-item menjadi hambatan utama dalam penerapan analisis asosiasi. Oleh karena itu, penelitian merekomendasikan perbaikan sistem pencatatan transaksi agar memungkinkan analisis pola pembelian yang lebih mendalam pada masa mendatang.Temuan ini memberikan kontribusi praktis bagi perusahaan dalam mengoptimalkan pengelolaan persediaan berdasarkan pola penjualan aktual, sekaligus memberikan kontribusi akademik mengenai penerapan FP-Growth pada dataset transaksi tunggal. Dengan demikian, penelitian ini menegaskan pentingnya data mining sebagai alat pendukung keputusan yang mampu memberikan nilai tambah strategis bagi perusahaan distribusi.

References

B. Siswanto, H. Soeparno, N. F. Sianipar, and W. Budiharto, “SDFP-Growth Algorithm as a Novelty of Association Rule Mining Optimization,” Ieee Access, vol. 12, pp. 21491–21502, 2024, doi: 10.1109/access.2024.3361667.

J. Zhang, H. Sun, Z. Sun, W. Dong, Y. Dong, and S. Gong, “Reliability Assessment of Wind Power Converter Considering SCADA Multistate Parameters Prediction Using FP-Growth, WPT, K-Means and LSTM Network,” Ieee Access, vol. 8, pp. 84455–84466, 2020, doi: 10.1109/access.2020.2992089.

O. Oladipupo and S. Samuel, “A Learning Analytic Approach to Modelling Student-Staff Interaction From Students’ Perception of Engagement Practices,” Ieee Access, vol. 12, pp. 10315–10333, 2024, doi: 10.1109/access.2024.3352440.

R. Chen, S. Zhao, and M. Liu, “A Fast Approach for Up-Scaling Frequent Itemsets,” Ieee Access, vol. 8, pp. 97141–97151, 2020, doi: 10.1109/access.2020.2995719.

W. Thurachon and W. Kreesuradej, “Incremental Association Rule Mining With a Fast Incremental Updating Frequent Pattern Growth Algorithm,” Ieee Access, vol. 9, pp. 55726–55741, 2021, doi: 10.1109/access.2021.3071777.

A. D. Putri and A. Susanto, “Sistem Rekomendasi Pertemanan berdasarkan Hobi menggunakan Metode Multicriteria Decision Making,” Jurnal Informatika dan Rekayasa Perangkat Lunak, vol. 2, no. 1, p. 1, 2020, doi: 10.36499/jinrpl.v2i1.2787.

E. E. Ugwuanyi, M. Iqbal, and T. Dagiuklas, “A Novel Predictive-Collaborative-Replacement (PCR) Intelligent Caching Scheme for Multi-Access Edge Computing,” Ieee Access, vol. 9, pp. 37103–37115, 2021, doi: 10.1109/access.2021.3058769.

Md. M. Rahman, Y. Watanobe, R. U. Kiran, T. C. Thang, and I. Paik, “Impact of Practical Skills on Academic Performance: A Data-Driven Analysis,” Ieee Access, vol. 9, pp. 139975–139993, 2021, doi: 10.1109/access.2021.3119145.

D. Sen, S. Paladhi, J. Frnda, S. Chatterjee, S. Banerjee, and J. Nedoma, “Associative Classifier Coupled With Unsupervised Feature Reduction for Dengue Fever Classification Using Gene Expression Data,” Ieee Access, vol. 10, pp. 88340–88353, 2022, doi: 10.1109/access.2022.3198937.

J. Aisyiah and L. Cahyani, “Sistem Rekomendasi Program Studi Menggunakan Metode Hybrid Recommendation (Studi Kasus: MAN Sumenep),” Jurnal Eksplora Informatika, vol. 12, no. 1, pp. 59–72, 2024, doi: 10.30864/eksplora.v12i1.992.