Optimasi Bundling Produk Toko Roti berbasis Waktu menggunakan Algoritma FP-Growth

Abstract

Listen

Translate article

AbstrakPenelitian ini bertujuan untuk mengeksplorasi penggunaan teknik asosiasi untuk mengidentifikasi pola tersembunyi dalam data transaksi penjualan. Analisis pola pembelian pelanggan yang terkandung dalam sebuah data transaksi dilakukan pada dataset milik sebuah Toko Roti. Dataset memiliki atribut utama seperti nomor transaksi, item, kemudian variabel waktu seperti daytime, daypart dan daytype. Guna memaksimalkan hasil rekomendasi, dataset dibagi kedalam 6 bagian berdasarkan waktu pembelian dengan memanfaatkan atribut DayPart dan DayType. Selanjutnya algoritma FP-Growth dipilih karena kemampuannya mengidentifikasi sekumpulan item yang sering muncul dalam database transaksional dengan efisiensi tinggi. Berdasarkan penelitian yang telah dilakukan, penelitian ini merekomendasikan 6 rules yang diambil masing -masing dataset. Aturan-aturan yang dihasilkan ini nantinya dapat digunakan sebagai rekomendasi bundling produk pada waktu tertentu. Untuk mendapatkan rule yang kuat dalam data transaksi toko roti dimasukkan nilai minimum support berkisar diantara 0.02 (20%) – 0.06 (60%) dan nilai minimum confidence diantara 0.03 (30%) – 0.06 (60%) semua rules yang di diperoleh memiliki nilai nilai lift ratio lebih dari 1 yang menunjukkan adanya korelasi dan manfaat dari rules tersebut. Penentuan nilai minimum support dan confidence dipengaruhi dari jumlah transaksi yang terkandung pada setiap datasetKata kunci: Data Transaksi, Data Mining, Teknik Asosiasi, FP – Growth, Lift Ratio AbstractThis study aims to explore the use of association techniques to identify hidden patterns in sales transaction data. The analysis of customer purchasing patterns contained in transaction data is conducted using a dataset from a bakery. The dataset includes key attributes such as transaction number, item, and time-related variables such as daytime, daypart, and daytype. To maximize recommendation results, the dataset is divided into six segments based on purchase time using the DayPart and DayType attributes. The FP-Growth algorithm is selected due to its efficiency in identifying frequently occurring itemsets within transactional databases. Based on the conducted analysis, the study recommends six rules derived from each dataset segment. These rules can be used for product bundling recommendations at specific times. To obtain strong rules, the transaction data of the bakery includes a minimum support value ranging from 0.02 (20%) to 0.06 (60%) and a minimum confidence value ranging from 0.03 (30%) to 0.06 (60%). All obtained rules have lift ratios greater than 1, indicating a correlation and benefit of the rules. The determination of minimum support and confidence values is influenced by the number of transactions within each dataset.Keywords: Transaction Data, Data Mining, Association Techniques, FP – Growth, Lift Ratio.