Teknologi semakin berkembang dan canggih dari masa ke masa bahkan untuk setiap detiknya, sehingga dengan ini perusahaan perlu memanfaatkan teknologi untuk menjambatani usaha ke pelanggan sehingga mempermudah dalam mengelola bisnis. Pertumbuhan bisnis khususnya dikota Nusa Tenggara Barat (NTB) sangat berkembangan persaingan bisnis dalam perdagangan sangat ketat sehingga membutuhkan strategi yang matang dalam mengelola usaha. Pada penelitan ini peneliti melakukan penelitian disalah satu perusahaan di Nusa Tenggara Barat dimana toko tersebut menjual berbagai jenis aksisoris. Toko yang dijadikan sebagai studi kasus ini merupakan toko yang terkenal oleh masyarakat sekitar sehingga bisa memiliki banyak pelanggan. Pada penelitian ini peneliti melakukan analisis bertujuan untuk mencari kemiripan barang berdasarkan item pembelian dijadikan sebagai acuan dalam tata letak barang dan mengidintifikasi kesamaan barang yang dibeli ketika menambah stok barang. Untuk mengidentifikasi tujuan pada penelitian ini peneliti melakukan proses perhitungan menggunakan dua metode yaitu apriori dan FP-Growth dan melakukan pengujian dengan 2 pengujian yaitu pengujian hasil dan rasio adapun hasil pengujian didapatkan FP-Growth menghasilkan rule yang lebih baik dibandingkan dengan algoritma apriori dengan total rule sebanyak 6, sedangakan algoritma apriori menghasilkan 4 rule, dan untuk pengujian dengan evaluasi hasil rule dari masing masing algoritma, algritma FP-Growth memiliki hasil yang terbaik dengan lift ratio 1.27908.

COVID-19 has become a global pandemic that causes many deaths, so medical treatment for COVID-19 patients gets special attention, whether hospitalized or self-isolated. However, the problem in medical action is not easy, and the most frequent mistakes are due to inaccuracies in medical decision-making. Meanwhile, machine learning can predict with high accuracy. For that, or that's why this study aims to propose a data mining classification method as a machine learning model to predict the treatment status of COVID-19 patients accurately, whether hospitalized or self-isolated. The data mining method used in this research is the Random Forest (RF) and Support Vector Machine (SVM) algorithm with Confusion Matrix and k-fold Cross Validation testing. The finding indicated that the machine learning model has an accuracy of up to 94% with the RF algorithm and up to 92% with the SVM algorithm in predicting the COVID-19 patient's treatment status. It means that the machine learning model using the RF algorithm has more accurate accuracy than the SVM algorithm in predicting or recommending the treatment status of COVID-19 patients. The implication is that RF machine learning can help/replace the role of medical experts in predicting the patient's care status.