scholarly journals Market Basket Analysis untuk Swalayan KSU Sumber Makmur dengan Algoritma FP Growth

2021 ◽  
Vol 2 (1) ◽  
pp. 34-39
Author(s):  
Ramadhan Ramadhan ◽  
Esther Irawati Setiawan
Keyword(s):  
Data Mining ◽  
Frequent Itemset ◽  
Frequent Pattern ◽  
Market Basket Analysis ◽  
Market Basket ◽  
Pattern Growth ◽  
Association Data

Salah satu teknik data mining yang populer digunakan adalah association data mining atau yang biasa disebut dengan istilah market basket analysis. Market basket didefinisikan sebagai suatu itemset yang dibeli secara bersamaan oleh pelanggan dalam suatu transaksi. Market basket analysis adalah suatu sarana untuk meningkatkan penjualan. Metode ini dimulai dengan mencari sejumlah frequent itemset dan dilanjutkan dengan pembentukan aturan-aturan asosiasi. Algoritma Apriori dan frequent pattern growth adalah dua algoritma yang sangat populer untuk menemukan sejumlah frequent itemset dari data-data transaksi yang tersimpan dalam basis data. Dalam penelitian ini algoritma frequent pattern growth (FP Growth) digunakan untuk menemukan sejumlah aturan asosiasi dari basis data transaksi penjualan di Swalayan KSU Sumber Makmur (Trenggalek). Dari hasil pengolahan data didapatkan pola pembelian paling kuat berupa jika membeli pasta gigi maka dimungkinkan juga akan membeli sabun dan jika membeli shampo juga akan membeli sabun dengan tingkat keyakinan (confidence) 63% dan 62%.

scholarly journals PENERAPAN DATA MINING UNTUK ANALISIS MARKET BASKET DENGAN ALGORITMA FP-GROWTH PADA PD PASAR TOHAGA

2020 ◽  
Vol 9 (1) ◽  
pp. 119
Author(s):  
Rusnandi Rusnandi ◽  
Suparni Suparni ◽  
Achmad Baroqah Pohan
Keyword(s):  
Data Mining ◽  
Frequent Pattern ◽  
Market Basket Analysis ◽  
Market Basket ◽  
Pattern Growth ◽  
Study Support ◽  
To Come ◽  
Relationship Of ◽  
The Relationship

Sales data in 3 different shops (shop, Shop Maker Fernando and Son) at Tohaga Market in the form of PD book transactions are only seen in the absence of follow-up to determine the decision on who will come. Party owner only records the transactions of products sold and only see income per month. But with that data should be utilized to strategize on sales to come. By using the method of Frequent Pattern Growth Algorithm, the store can take decisions which require goods inventory more compared to other goods, and the placement of the goods in accordance with the relationship between the goods that are usually purchased a consumer can also be determined based on a Minimum Support and Minimum Confidence. Based on Market Basket Analysis obtained from the calculation of the Association by using the method of Frequent Pattern Growth Algorithm, then search for the value of the support and confidence to use Association Rules, Rules that are generated will be test by using Software RapidMiner. Then the placement of goods and inventory items in 3 different stores can be controlled with either the service so that the consumer will be increased, which in turn can increase the sales turnover. In this study Support is determined using threshold 40% and 83% Confidence. Having regard to the relationship of support and confidence the store owner can provide and put the items to be sold

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

ANALISIS KINERJA ALGORITMA FREQUENT PATTERN GROWTH (FP-GROWTH) PADA PENAMBANGAN POLA ASOSIASI DATA TRANSAKSI

2019 ◽  
Vol 1 (1) ◽  
pp. 9-12
Author(s):  
Putri Kurnia Handayani ◽  
Nanik Susanti
Keyword(s):  
Data Mining ◽  
Frequent Itemset ◽  
Frequent Pattern ◽  
Pattern Growth

Data transaksi penjualan yang setiap hari bertambah menyebabkan banjir data dalam database. Data transaksi tersebut hanya digunakan sebagai laporan penjualan yang dicetak setiap bulannya. Data mining merupakan kegiatan menambang/menggali data untuk mengenali pola atau aturan tertentu dari sejumlah dataset yang sangat besar dan mempunyai dimensi tinggi. Asosiasi adalah teknik data mining untuk menemukan aturan suatu kombinasi item. Pola asosiasi yang berhasil diketahui dapat membantu pihak manajemen untuk mendukung pengambilan keputusan berkaitan dengan strategi penjualan, promosi produk, reward bagi pelanggan dan kendali stok. Penggalian pola asosiasi menggunakan algoritma FP-Growth melalui 3 tahap, yaitu pembangkitan conditional pattern base, conditional pattern tree dan pencarian frequent itemset. Metode perancangan sistem menggunakan UML. Tujuan penelitian ini adalah untuk menghasilkan sebuah sistem yang dapat mengenali pola asosiasi produk pada database.

Market Basket Analysis with Apriori Algorithm and Frequent Pattern Growth (Fp-Growth) on Outdoor Product Sales Data

2021 ◽  
Vol 2 (1) ◽  
pp. 132-139
Author(s):  
Wiwit Pura Nurmayanti ◽  
Hanipar Mahyulis Sastriana ◽  
Abdul Rahim ◽  
Muhammad Gazali ◽  
Ristu Haiban Hirzi ◽  
...  
Keyword(s):  
Association Rules ◽  
Association Rule ◽  
Frequent Pattern ◽  
Apriori Algorithm ◽  
Market Basket Analysis ◽  
Market Basket ◽  
Transaction Data ◽  
Pattern Growth ◽  
Product Sales ◽  
The Relationship

Indonesia is an equatorial country that has abundant natural wealth from the seabed to the top of the mountains, the beauty of the country of Indonesia also lies in the mountains that it has in various provinces, for example in the province of West Nusa Tenggara known for its beautiful mountain, namely Rinjani. The increase in outdoor activities has attracted many people to open outdoor shops in the West Nusa Tenggara region. Sales transaction data in outdoor stores can be processed into information that can be profitable for the store itself. Using a market basket analysis method to see the association (rules) between a number of sales attributes. The purpose of this study is to determine the pattern of relationships in the transactions that occur. The data used is the transaction data of outdoor goods. The analysis used is the Association Rules with the Apriori algorithm and the frequent pattern growth (FP-growth) algorithm. The results of this study are formed 10 rules in the Apriori algorithm and 4 rules in the FP-Growth algorithm. The relationship pattern or association rule that is formed is in the item "if a consumer buys a portable stove, it is possible that portable gas will also be purchased" at the strength level of the rules with a minimum support of 0.296 and confidence 0.774 at Apriori and 0.296 and 0.750 at FP-Growth.  

scholarly journals Penerapan Association Rule Mining Berbasis Algoritma Frequent Pattern Growth untuk Rekomendasi Penjualan

2020 ◽  
Vol 7 (2) ◽  
pp. 135-148
Author(s):  
Didi Supriyadi
Keyword(s):  
Data Mining ◽  
Association Rule ◽  
Association Rule Mining ◽  
Frequent Itemset ◽  
Frequent Pattern ◽  
Rule Mining ◽  
Minimum Support ◽  
Pattern Growth ◽  
Mining Association Rule

Tingkat persaingan dan kompleksitas permasalahan penjualan pada perusahaan retail, menuntut setiap perusahaan retail untuk mampu berkompetisi dengan perusahaan lain. Salah satu yang dapat dilakukan adalah melalui pengambilan keputusan terkait penjualan yang lebih tepat dan efektif. Besarnya data transaksinonal penjualan perusahaan retail dapat dilakukan ekstraksi informasi yang bermanfaat. Metode yang dapat digunakan untuk menggali informasi adalah melalui penerapan association rule mining. Association Rule Mining merupakan suatu metode data mining yang berfokus pada pola transaksi dengan cara mengekstraksi asosiasi atau hubungan suatu kejadian. Keranjang belanja yang terdapat pada perusahaan retail yang terkomputerisasi merupakan cara terbaik untuk memberikan dukungan rekomendasi keputusan secara ilmiah dengan cara menentukan hubungan antara barang yang dibeli secara bersamaan dalam setiap transaksi. Algoritma FP-growth digunakan untuk menentukan himpunan dataset yang paling sering muncul (frequent itemset) pada sekeompok data. Penelitian ini menghasilkan nilai minimum support 0,1% dan nilai minimum confidence 60% jumlah rule yang dihasilkan berjumlah 116457, nilai minimum confidence 70% jumlah rule yang dihasilkan berjumlah 84086, dan nilai minimum confidence 80% jumlah rule yang dihasilkan berjumlah 48623 dari data yang diolah sebanyak 22191. Hasil rule ini dapat digunakan untuk strategi pemasaran produk. Nilai minimum support 0,1% dimana semakin besar nilai minimum confidence maka menghasilkan rule yang semakin sedikit.

scholarly journals Market Basket Analysis for Books Sales Promotion using FP Growth Algorithm, Case Study : Gramedia Matraman Jakarta

2021 ◽  
Vol 4 (2) ◽  
pp. 383-392
Author(s):  
Firmansyah Firmansyah ◽  
Agus Yulianto
Keyword(s):  
Data Mining ◽  
Large Data ◽  
Sales Promotion ◽  
Frequent Pattern ◽  
Analysis Method ◽  
Analysis Framework ◽  
Market Basket Analysis ◽  
Market Basket ◽  
Industry Standard

For retail companies such as Gramedia stores, promotion and strategies to sell books are important, so tools are needed to analyze past sales data. Gramedia does not yet have tools to analyze shopping cart patterns that aim to carry out product promotions appropriately. To promote what books should be promoted using the market basket analysis method or shopping basket analysis. The algorithm used in the data mining process is Frequent Pattern Growth (FP Growth) because it is faster in processing large data. The data analyzed is historical data on book sales from January to March 2020 which is taken randomly (random sampling). The framework used in the data mining process is the Cross Industry Standard Process for Data Mining (CRISP-DM) and the tool used is the Rapid Miner using a market basket analysis framework. With a minimum support of 0.003 and a minimum confidence 0.3 using the FP-Growth algorithm to produce an item set of 7 rules to recommend product promotions. The algorithm results are also in accordance with the business understanding phase of CRISP-DM.

scholarly journals PENENTUAN POLA YANG SERING MUNCUL UNTUK PENJUALAN PUPUK MENGGUNAKAN ALGORITMA FP-GROWTH

2019 ◽  
Vol 9 (2) ◽  
pp. 1
Author(s):  
Chandra Eri Firman
Keyword(s):  
Data Mining ◽  
Association Rule ◽  
Frequent Itemsets ◽  
Frequent Itemset ◽  
Frequent Pattern ◽  
Pattern Growth

<p class="AbstractText">Aturan asosiasi dengan melakukan analisis suatu transaksi penjualan. Analisis transaksi penjualan bertujuan untuk merancang strategi yang efektif dengan memanfaatkan data transaksi penjualan produk pupuk yang dibeli oleh konsumen. Association rule adalah teknik data mining untuk mencari hubungan antar-item dalam suatu dataset yang ditentukan dengan menggunakan Algoritma FP-Growth. Frequent Pattern Growth (FP-Growth) adalah salah satu alternatif algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul (frequent itemset) dalam sebuah kumpulan data. Algoritma FP-Growth menggunakan konsep pembangunan tree dalam pencarian frequent itemsets. Dari perhitungan nilai confidence dari rule yang dihasilkan menggunakan  Rapidminer-studio 7.3.0.</p><p class="AbstractText"> </p><p class="AbstractText"><strong>Kata Kunci</strong> : Data Mining, Assosiation Rule, FP-Growth, Penjualan Produk</p>

scholarly journals Data Mining Untuk Menganalisa Pola Pembelian Perak Dengan Menggunakan Algoritma Fp-Growth Pada Toko Emas Dan Perak Adi Saputra Tanjung

2020 ◽  
Vol 3 (2) ◽  
pp. 96
Author(s):  
Latifa Suryani Nasution ◽  
Widiarti Rista Maya ◽  
Jufri Halim ◽  
Marsono M
Keyword(s):  
Data Mining ◽  
Frequent Itemset ◽  
Frequent Pattern ◽  
Frequent Pattern Tree ◽  
Pattern Growth

Pencatatan data transaksi pembelian perak harian pada took emas dan perak Adi Saputra Tanjung belum dilakukan dengan rapi dan data transaksinya dicatat ke dalam buku besar masih secara manual  sehingga membuat pemilik toko kesulitan dalam menentukan barang apa saja yang laris di tokonya yang mengakibatkan promosi yang digunakan untuk meningkatkan penjualan di nilai kurang maksimal.Berdasarkan penelitian sebelumnya yang ditulis oleh Agus Nuryanto yaitu Penerapan Data Mining Menggunakan Algoritma Apriori Dan K-Means Untuk Meningkatkan Penjualan Toko Perhiasan Emas Setia Kawan, peneliti menganalisa pola pembelian perak untuk penemuan pola barang yang dibeli oleh pelanggan dengan harapan hasil penelitian dapat membantu rekomendasi promosi sehingga strategi pemasaran menjadi lebih tepat sasaran. algoritma yang digunakan adalah Frequent Pattern- Growth (FP-Growth) yaitu pengembangan dari metode Apriori yang merupakan salah satu alternatif untuk menentukan himpunan data yang paling sering muncul (frequent itemset) dalam sebuah kumpulan data dengan membangkitkan struktur data Tree atau disebut dengan Frequent Pattern Tree (FP-Tree).Hasil penelitian dari tahapan yang telah dilakukan, didapatkan nilai support sebesar 9% dan nilai confidence sebesar 30%  dengan jenis perak yang dibeli konsumen yaitu cincin putar, mainan kalung, kalung nama, cincin rantai pilin dan anting. Hasilnya dapat membantu pemilik toko untuk mengambil keputusan dalam penentuan stok perak yang perlu diperbanyak sehingga meningkatkan keuntungan dan meminimalisir kerugian.

scholarly journals Implementasi Algoritma FP-Growth Untuk Strategi Pemasaran Ritel Hidroponik (Studi Kasus : PT. HAB)

2019 ◽  
Vol 10 (1) ◽  
pp. 11
Author(s):  
Adi Nugroho Susanto Putro ◽  
Richardus Indra Gunawan
Keyword(s):  
Data Mining ◽  
Open Source ◽  
Association Rule ◽  
Research Community ◽  
Frequent Itemset ◽  
Frequent Pattern ◽  
Frequent Itemset Mining ◽  
Interestingness Measure ◽  
Itemset Mining ◽  
Pattern Growth

Bisnis di bidang tanaman sayuran mengalami peningkatan yang cukup signifikan beberapa tahun belakangan ini. Salah satu cara untuk menghasilkan produk sayuran yang berkualitas tinggi secara kontinyu adalah budidaya dengan sistem hidroponik [1]. Bisnis hidroponik mempunyai peluang yang baik akan tetapi mempunyai kelemahan yaitu karena tanaman segar tanpa obat dan pengawet maka sayur dan buah hidroponik tidak dapat bertahan lama. Maka jika sayur dan buah ini tidak segera terjual akan mengakibatkan kerugian. Data mining merupakan proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. Apriori merupakan salah satu dari sepuluh algoritma yang paling berpengaruh dalam research community. Sejak algoritma Apriori pertama kali diperkenalkan, ada banyak upaya untuk merancang algoritma frequent itemset mining yang lebih efisien. Perbaikan yang paling menonjol pada Apriori menjadi sebuah metode yang disebut FP-Growth (frequent pattern growth) yang berhasil menghilangkan candidate generation [2]. Penelitian ini mengusulkan implementasi Algoritma FP-Growth dengan Software Open Source Weka untuk membantu menganalisa dan merancang katalog produk ritel hidroponik untuk mendorong buah atau sayur terjual secara bersama-sama. Dalam menentukan association rule, terdapat suatu interestingness measure (ukuran kepercayaan), yaitu support dan confidence. Penelitian ini, dengan menggunakan minimum suport 0,05 dan minimum confidence 0,9 menghasilkan 21 rule yang dapat digunakan sebagai strategi pemasaran PT. HAB.Kata Kunci: Algoritma FP-Growth, Strategi Pemasaran, Ritel Hidroponik.

scholarly journals PENERAPAN ALGORITMA FP-GROWTH DALAM MENENTUKAN KECENDERUNGAN MAHASISWA MENGAMBIL MATA KULIAH PILIHAN

2021 ◽  
Vol 6 (1) ◽  
pp. 59
Author(s):  
Muhlis Tahir ◽  
Noferianto Sitompul
Keyword(s):  
Data Mining ◽  
Frequent Itemset ◽  
Frequent Pattern ◽  
Minimum Support ◽  
Pattern Growth

<p>Mata Kuliah Pilihan adalah mata kuliah yang boleh dipilih oleh mahasiswa dari daftar yang disediakan perguruan tinggi. Ada perguruan tinggi yang mengizinkan mata kuliah pilihan dari program studi berbeda ada pula yang justru mewajibkan. Mata kuliah pilihan ini ada karena guna memenuhi SKS yang menjadi target dan untuk mendalami lebih kanjut mata kuliah yang memang diminati Salah satu permasalahan yang sering dijumpai pada persoalan penilaian mata kuliah adalah banyaknya mata kuliah pilihan yang disediakan, sehingga mahasiswa bingung dalam memilih mata kuliah yang memang cocok dengan mereka. Frequent Pattern Growth (FP Growth) adalah salah satu alternatif algoritma yang dapat digunakan untuk menentukan himpunan data yang paling sering muncul (frequent itemset) dalam sebuah kumpulan data dengan algoritma FP-Growth dalam menganalisa data mata kuliah pilihan untuk mendapatkan pola kecenderungan Mahasiswa dalam memilih mata kuliah. Untuk melakukan penggalian dari data mata kuliah pilihan, penulis menggunakan sebuah algoritma yang menjadi dasar dari algoritma-algoritma yang lain yaitu frequent pattern growth (FP-Growth). Hasil yang didapatkan akan selalu berbeda dan bergantung kepada input user pada saat pembuatan aturan. Sistem pendukung keputusan ini memproses data transaksi mata kuliah mahasiswa Program Studi Pendidikan Komputer, dan menghasilkan aturan dan yang memenuhi minimum support dan minumum confidence serta yang banyak pemilihan adalah sistem pendukung keputusan, teknologi IoT, desain grafis, sistem informasi pendidikan game edukasi, pemrograman CMS, Data Mining yaitu sebesar 100%</p>

Sign in / Sign up

Export Citation Format

Share Document