Implementasi Data Mining Metode Asosiasi Algoritma FP-Growth Pada Perusahaan Ritel

Alexander Radityo Wibowo, Arief Jananto

Abstract


ABSTRAK

Toko Gunung Agung Cabang Semarang adalah salah satu perusahaan ritel yang berada di Kota Semarang, menjual buku-buku, peralatan kantor dan sekolah. Setiap transaksi penjualannya selalu dicatat dan didokumentasikan. Pendokumentasian dan catatan-catatan itu membentuk data dan tersimpan di basis data. Data-data yang tersimpan tersebut akan terus bertambah. Sehingga jumlah data yang tersimpan dalam basis data dan semakin besar ini akan dimanfaatkan dengan menggunakan ilmu data mining. Metodologi yang digunakan untuk pemecahan masalah dalam penelitian ini adalah CRISP-DM (CRoss-Industry Standard Process for Data Mining). Dan menggunakan teknik data mining association. Dari penerapan teknik asosiasi tersebut akan menghasilkan aturan asosiasi atau hubungan antar produk. Dari pengetahuan berupa rule asosiasi yang ditemukan, selanjutnya dimanfaatkan untuk menentukan tata letak barang dagangan sebagai salah satu strategi penjualan.

Dari hasil penelitian, perhitungan menggunakan algoritma FP-Growth dengan parameter minimum support 0.04 dan confidence 0.2 secara manual dan menggunakan tools Rstudio untuk 100 transaksi pertama telah menghasilkan rule asosiasi yang sama. Selanjutnya, untuk seluruh transaksi penjualan periode 1 tahun (1 September 2019 sampai 31 Agustus 2020) yaitu sebanyak 57.449 transaksi dengan 133.571 record dengan menggunakan Rstudio telah menghasilkan 6 rule. Sehingga untuk mengatur tata letak barang berdasarkan rule hasil perhitungan semua data tersebut, barang dengan kode kategori H (WRITING INSTRUMENT) harus diletakkan berdekatan dengan barang dengan kode kategori G (SCHOOL STATIONERY) dan barang dengan kategori F (OFFICE ESSENTIAL).


Keywords


Asosiasi;Data Mining;FP-Growth

Full Text:

PDF (Indonesian)

References


Maulidiya, Hita & Arief Jananto (2020). Asosiasi Data Mining Menggunakan Algoritma Apriori dan FP-Growth Sebaga Dasar Pertimbangan Penentuan Paket Sembako, Proceeding SENDIU 2020, 6 (2020), 36-42.

Kurniawan, Sigit, Windu Gata & Hari Wiyana (2018). Analisis Algoritma FP-Growth untuk Rekomendasi Produk Pada Data Retail Penjualan Produk Kosmetik (Studi Kasus: MT Shop Kelapa Gading), Seminari Nasional Teknologi Informasi dan Komunikasi 2018 (SENTIKA 2018), 8 (2018), 61-69.

Marsono (2019). Penerapan Data Mining Pengaturan Tata Letak Barang Pada Berkah Swalayan Untuk Strategi Penjualan Menggunakan Algoritma Apriori, InfoTekJar (Jurnal Nasional Informatika dan Teknologi Jaringan), 2 (3), 170-175.

Prahartiwi, Lusa Indah (2017). Pencarian Frequent Itemset pada Analisis Keranjang Belanja Menggunakan Algoritma FP-Growth, Information System For Educators And Professionals, 1 (2), 1-10.

Prasetyo, Eko (2012). DATA MINING - Konsep dan Aplikasi Menggunakan MATLAB. Yogyakarta: Andi Offset.

Salam, Abu, Junta Zeniarja, Wibowo Wicaksono & Lutfi Kharisma (2018). Pencarian Pola Asosiasi Untuk Penataan Barang Dengan Menggunakan Perbandingan Algoritma Apriori dan FP-Growth (Study Kasus Distro Epo Store Pemalang), Jurnal DINAMIK, 2 (23), 57-65.

Santosa, Budi (2007). Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu.

Shearer, Colin (2000). The CRISP-DM Model: The New Blueprint for Data Mining, Journal of DATA WAREHOUSING 2020, 4 (5), pp. 13-22.

Tan, P. et al. (2006). Introduction to Data Mining. Boston: Pearson Education.

Witten, Ian H., Erbe Frank, Mark A. Hall & Christopher J. Pal. (2017) DATA MINING: Practical Machine Learning Tools and Techniques 4th Edition. San Fransisco: Morgan Kaufmann, United States.


DOI http://dx.doi.org/10.35585/inspir.v10i2.2585
Abstract 586 kali dilihat
PDF (Indonesian) 149 kali diunduh

Refbacks

  • There are currently no refbacks.



Lisensi Creative Commons
Ciptaan disebarluaskan di bawah Lisensi Creative Commons Atribusi-NonKomersial-BerbagiSerupa 4.0 Internasional.