MODEL SISTEM INFORMASI PEMASARAN SEBAGAI PENUNJANG KEPUTUSAN PROMOSI PRODUK MENGGUNAKAN ALGORITMA MAX -MINER

ICIT Journal ◽  
2020 ◽  
Vol 6 (1) ◽  
pp. 94-104
Author(s):  
Fernando Siboro ◽  
Capri Eriansyah ◽  
Muhammad Adi Sofyan
Keyword(s):  
Data Mining ◽  
Life Cycle ◽  
Market Basket Analysis ◽  
Market Basket

Teknologi informasi saat ini terus berkembang semakin cepat, membuat pola berfikir manusia berubah, dengan proses pertumbuhan yang seperti ini, generasi akan datang diharuskan mempunyai keahlian yang lebih baik di bidang pemanfaatan teknologi informasi. Kebutuhan adanya kemudahan dari segi pemasaran, saat ini dirasa sangat penting, terutama bagi perusahaan yang bergerak dibidang penjulan atau distributor guna menunjang meningkatkan akurasi dan kualitas pemasaran itu sendiri. Namun pada kenyataanya, sistem yang berjalan masih tergolong kurang efektif dan efesien dalam melayani kebutuhan pelanggan, hal ini dikarenakan sistem pemasaran produk hanya bisa diakses secara manual, dan belum adanya media informasi seputar produk yang ditawarkan, oleh sebab itu dibuatlah suatu perancangan sistem informasi yang mengatur pemasaran produk dan dapat menjadi bahan dalam pembuatan laporan sistem penunjang keputusan. Dalam perancangan ini menggunakan metode data mining market basket analysis dan Max-Miner sebagai algoritma. Serta menggunakan metode penerapan sistem waterfall atau sering dinamakan siklus hidup klasik (classic life cycle). Dengan demikian rancang bangun sistem informasi ini, mengacu kepada bagaimana cara agar pemasaran produk dapat di akses dengan mudah, cepat, dan akurat dimanapun dan kapanpun, calon customer dapat mengakses tanpa terkendala waktu dan tempat, serta menjadi wadah dalam pengambilan keputusan oleh perusahaan. Metodologi desain menggunakan uml yang melimuti usecase, activity, squence dan untuk pengelolaan basis data menggunakan mysql. Sistem ini diharapkan mampu dijadikan salah satu penunjang keputusan untuk kebutuhan promosi produk. Kata Kunci: Penunjang pemasaran, promosi produk, algoritma Max-Miner

A Hybrid Algorithm of Mining Closed Itemsets for Large Databases

2011 ◽  
Vol 145 ◽  
pp. 292-296
Author(s):  
Lee Wen Huang
Keyword(s):  
Data Mining ◽  
Association Rules ◽  
Execution Time ◽  
Hybrid Algorithm ◽  
Hybrid Approach ◽  
Market Basket Analysis ◽  
Market Basket ◽  
Large Databases ◽  
Closed Itemsets ◽  
Simulation Results

Data Mining means a process of nontrivial extraction of implicit, previously and potentially useful information from data in databases. Mining closed large itemsets is a further work of mining association rules, which aims to find the set of necessary subsets of large itemsets that could be representative of all large itemsets. In this paper, we design a hybrid approach, considering the character of data, to mine the closed large itemsets efficiently. Two features of market basket analysis are considered – the number of items is large; the number of associated items for each item is small. Combining the cut-point method and the hash concept, the new algorithm can find the closed large itemsets efficiently. The simulation results show that the new algorithm outperforms the FP-CLOSE algorithm in the execution time and the space of storage.

scholarly journals Market Basket Analysis for Determination of Consumer Behavior at XYZ Stores Using R Programming

2021 ◽  
Vol 3 (2) ◽  
pp. 0210206
Author(s):  
Kelik Sussolaikah
Keyword(s):  
Data Mining ◽  
Consumer Behavior ◽  
Market Basket Analysis ◽  
Process Data ◽  
Market Basket ◽  
Data Mining Techniques ◽  
Programming Tool ◽  
The World ◽  
R Programming

Data mining is one of the fields of science in the world of informatics which has an important role, especially with regard to data. There are many algorithms and methods that can be used to process data. The paper this time the author tries to conduct research on consumer behavior by using one of the data mining techniques, namely market basket analysis. This research uses the R Programming tool, where it is hoped that the research can be carried out effectively and efficiently. Based on the research conducted, it is known that there has been a significant purchase of several items that have been described as a plot. The tendency of consumers to buy several items followed by other items can be a consideration for arranging the layout of goods on the sales shelf or arranging product stock in a supermarket.

Concept Drift

2011 ◽  
pp. 202-206 ◽  
Author(s):  
Marcus A. Maloof
Keyword(s):  
Data Mining ◽  
Intrusion Detection ◽  
User Interfaces ◽  
Concept Drift ◽  
Market Basket Analysis ◽  
Intelligent User Interfaces ◽  
Market Basket ◽  
The Subject ◽  
Traditional Approaches ◽  
E Mail

Traditional approaches to data mining are based on an assumption that the process that generated or is generating a data stream is static. Although this assumption holds for many applications, it does not hold for many others. Consider systems that build models for identifying important e-mail. Through interaction with and feedback from a user, such a system might determine that particular e-mail addresses and certain words of the subject are useful for predicting the importance of e-mail. However, when the user or the persons sending e-mail start other projects or take on additional responsibilities, what constitutes important e-mail will change. That is, the concept of important e-mail will change or drift. Such a system must be able to adapt its model or concept description in response to this change. Coping with or tracking concept drift is important for other applications, such as market-basket analysis, intrusion detection, and intelligent user interfaces, to name a few.

scholarly journals Application of Text Message Held in Image Using Combination of Least Significant Bit Method and One Time Pad

2019 ◽  
Vol 13 (4) ◽  
pp. 323
Author(s):  
Eferoni Ndruru ◽  
Taronisokhi Zebua
Keyword(s):  
Data Mining ◽  
Association Rules ◽  
Data Hiding ◽  
Text Message ◽  
Third Party ◽  
Least Significant Bit ◽  
Market Basket Analysis ◽  
Market Basket ◽  
Sales Data ◽  
The Third

Stenography and security are one of the techniques to develop art in securing data. Stenography has the most important aspect is the level of security in data hiding, which makes the third party unable to detect some information that has been secured. Usually used to hide textinformationThe (LSB) algorithm is one of the basic algorithms proposed by Arawak and Giant in 1994 to determine the frequent item set for Boolean association rules. A priory algorithm includes the type of association rules in data mining. The rule that states associations between attributes are often called affinity analysis or market basket analysis. OTP can be widely used in business. With the knowledge of text message, concealment techniques will make it easier for companies to know the number of frequencies of sales data, making it easier for companies to take an appropriate transaction action. The results of this study, hide the text message on the image (image) by using a combination of LSB and Otp methods.

scholarly journals Market Basket Analysis Pada Mini Market Ayu Dengan Algoritma Apriori

2018 ◽  
Vol 2 (2) ◽  
pp. 472-478
Author(s):  
Erlin Elisa
Keyword(s):  
Data Mining ◽  
Market Basket Analysis ◽  
Market Basket ◽  
Item Item

Data mining merupakan teknik untuk menggali informasi baru dari gudang data, informasi dipandang sangat penting dan berharga karena dengan menguasai informasi maka dengan mudah untuk mencapai sebuah tujuan, hal ini membuat setiap orang berlomba untuk memperoleh informasi, demikian juga pada usaha perdagangan seperti minimarket Ayu di Kota Batam. Minimarket ini berlokasi dekat dengan rumah penduduk, hal ini tentunya mempengaruhi tingkat penjualan, dengan adanya kegiatan penjualan setiap hari, data transaksi penjualan akan terus bertambah, menyebabkan penyimpanan data semakin besar. Data transaksi penjualan hanya dijadikan arsip tanpa dimanfaatkan dengan baik. Pada dasarnya kumpulan data memiliki informasi yang sangat bermanfaat. Analisis keranjang pasar dengan Algoritma Apriori merupakan salah satu metoda data mining yang bertujuan untuk mencari pola assosiasi berdasarkan pola belanja yang dilakukan konsumen, sehingga bisa diketahui item-item barang apa saja yang dibeli secara bersamaan, Hasil dari penelitian ini menemukan  Nilai support dan confidence tertinggi adalah Minyak dan Susu dengan nilai support 42,85% dan confidence 85,71%.

scholarly journals Market Basket Analysis Menggunakan Algoritma Apriori: Kasus Transaksi 212 Mart Soebrantas Pekanbaru

2021 ◽  
Vol 5 (1) ◽  
pp. 31-40
Author(s):  
Deni Rizaldi ◽  
Arisman Adnan
Keyword(s):  
Data Mining ◽  
Market Basket Analysis ◽  
Market Basket ◽  
Minimum Support ◽  
Body Care

Market Basket Analysis (MBA) merupakan salah satu teknik penemuan aturan asosiasi dalam data mining. MBA memanfaatkan data transaksi pada suatu toko untuk menentukan strategi penjualan. Konsep utama analisis ini adalah menentukan barang yang dibeli secara bersamaan oleh konsumen. Penentuan asosiasi dalam MBA berdasarkan kriteria minimum support dan confidence. Penelitian ini menggunakan algoritma apriori untuk data transaksi 212 Mart Soebrantas Pekanbaru periode Januari-Desember 2020. Algoritma apriori merupakan algoritma yang efisien untuk menentukan kandidat aturan asosiasi pada data dengan jumlah besar. Aturan asosiasi yang akan dibangkitkan adalah aturan asosiasi antar kelompok item dan asosiasi antar item. Berdasarkan hasil analisis ditemukan aturan asosiasi antar kelompok yang terbaik berdasarkan nilai lift tertinggi yaitu asosiasi antara clothing care dan body care dengan support 6,1% dan confidence 45,88 %. Aturan asosiasi terbaik untuk item yaitu asosiasi Lemonilo Mie Instan Ayam Bawang 7 dan Lemonilo Mie Instan Kari Ayam dengan support 0,17% dan confidence 42,11%.

scholarly journals Aplikasi Data Mining dalam penentuan layout swalayan dengan menggunakan metode MBA

2020 ◽  
Vol 5 (2) ◽  
pp. 130
Author(s):  
Muhammad Rizki ◽  
Desi Devrika ◽  
Isnaini Hadiyul Umam ◽  
Fitriani Surayya Lubis
Keyword(s):  
Data Mining ◽  
Association Rule ◽  
Market Basket Analysis ◽  
Market Basket ◽  
Pattern Growth ◽  
Item Item

Data mining merupakan salah satu cara untuk mendapatkan informasi yang tersimpan pada dabased yang berjumlah besar. Data transaksi penjualan pada sebuah swalayan sering kali hanya digunakan sebagai laporan penjualan saja. Dalam kenyataannya, data tersebut dapat memberikan informasi yang lebioh dari sekedar laporan penjualan saja. Salah satu informasi yang dapat kita ambil dari data transaksi penjualan adalah hubungan antar item. Kita dapat mengetahui kelompok item yang cenderung dibeli bersamaan oleh pelanggan dalam satu transaksi pembelian.. Market Basket Analysis (MBA) merupakan salah satu metode untuk menentukan kelompok item yang cenderung dibeli oleh pelanggan dalam satu waktu atau dalam satu transaksi pembelian. Informasi keterkaitan antar kelompok item tersebut dapat kita jadikan sebagai referensi untuk menentukan layout, dimana item yang sering dibeli bersamaan kita dekatkan dalam penataan layoutnya sehingga pelanggan tidak perlu lagi susah payah untuk mencari item tersebut. Berdasarkan studi kasus awal pada salah satu swalayan yang berada di Pekanbaru, penataan layout per clusternya dilakukan secara acak, sehingga pelanggan kesulitan untuk mencari item-item yang biasanya dibeli dalam satu kali transaksi. Pemilik swalayan menginginkna penataan layout ulang mengikuti pola pembelian pelanggan. Pettern growth merupakan salah satu Teknik dari MBA, dimana hasil analisis dapat diketahui kelompok item yang memiliki kecendrungan untuk dibeli bersamaan oleh pelanggan. Kata Kunci:  Data mining, MBA, Association rule, pattern growth, layout                         Data mining merupakan salah satu cara untuk mendapatkan informasi yang tersimpan pada dabased yang berjumlah besar. Data transaksi penjualan pada sebuah swalayan sering kali hanya digunakan sebagai laporan penjualan saja. Dalam kenyataannya, data tersebut dapat memberikan informasi yang lebioh dari sekedar laporan penjualan saja. Salah satu informasi yang dapat kita ambil dari data transaksi penjualan adalah hubungan antar item. Kita dapat mengetahui kelompok item yang cenderung dibeli bersamaan oleh pelanggan dalam satu transaksi pembelian.. Market Basket Analysis (MBA) merupakan salah satu metode untuk menentukan kelompok item yang cenderung dibeli oleh pelanggan dalam satu waktu atau dalam satu transaksi pembelian. Informasi keterkaitan antar kelompok item tersebut dapat kita jadikan sebagai referensi untuk menentukan layout, dimana item yang sering dibeli bersamaan kita dekatkan dalam penataan layoutnya sehingga pelanggan tidak perlu lagi susah payah untuk mencari item tersebut. Berdasarkan studi kasus awal pada salah satu swalayan yang berada di Pekanbaru, penataan layout per clusternya dilakukan secara acak, sehingga pelanggan kesulitan untuk mencari item-item yang biasanya dibeli dalam satu kali transaksi. Pemilik swalayan menginginkna penataan layout ulang mengikuti pola pembelian pelanggan. Pettern growth merupakan salah satu Teknik dari MBA, dimana hasil analisis dapat diketahui kelompok item yang memiliki kecendrungan untuk dibeli bersamaan oleh pelanggan. Kata Kunci:  Data mining, MBA, Association rule, pattern growth, layout

Comparative Analysis of Association Rule Mining Algorithms in Market Basket Analysis Using Transactional Data

2020 ◽  
Vol 27 (1) ◽  
Author(s):  
AA Izang ◽  
SO Kuyoro ◽  
OD Alao ◽  
RU Okoro ◽  
OA Adesegun
Keyword(s):  
Data Mining ◽  
Association Rule ◽  
Association Rule Mining ◽  
Market Basket Analysis ◽  
Rule Mining ◽  
Business Decisions ◽  
Market Basket ◽  
Minimum Support ◽  
Support Threshold ◽  
Transactional Data

Association rule mining (ARM) is an aspect of data mining that has revolutionized the area of predictive modelling paving way for data mining technique to become the recommended method for business owners to evaluate organizational performance. Market basket analysis (MBA), a useful modeling technique in data mining, is often used to analyze customer buying pattern. Choosing the right ARM algorithm to use in MBA is somewhat difficult, as most algorithms performance is determined by characteristics such as amount of data used, application domain, time variation, and customer’s preferences. Hence this study examines four ARM algorithm used in MBA systems for improved business Decisions. One million, one hundered and twele thousand (1,112,000) transactional data were extracted from Babcock University Superstore. The dataset was induced with Frequent Pattern Growth, Apiori, Association Outliers and Supervised Association Rule ARM algorithms. The outputs were compared using minimum support threshold, confidence level and execution time as metrics. The result showed that The FP Growth has minimum support threshold of 0.011 and confidence level of 0.013, Apriori 0.019 and 0.022, Association outliers 0.026 and 0.294 while Supervised Association Rule has 0.032 and 0.212 respectively. The FP Growth and Apirori ARM algorithms performed better than Association Outliers and Supervised Association Rule when the minimum support and confidence threshold were both set to 0.1. The study concluded by recommending a hybrid ARM algorithm to be used for building MBA Applications. The outcome of this study when adopted by business ventures will lead to improved business decisions thereby helping to achieve customer retention. Keywords: Association rule mining, Business ventures, Data mining, Market basket analysis, Transactional data.

Sign in / Sign up

Export Citation Format

Share Document