Implementasi Market Basket Analysis dengan Algoritma Apriori untuk Analisis Pendapatan Usaha Retail

Abstract

Pada era teknologi sekarang hampir semua bisnis ritel sudah menggunakan teknologi Point of Sale (PoS), dimana semua transaksi di rekap dalam sebuah database sistem. Data yang disimpan di dalam database dapat diolah untuk meningkatkan penjualan. Dengan mengetahui asosiasi data penjualan, aplikasi dapat memberikan rekomendasi produk yang memungkinkan pelanggan untuk membeli rekomendasi produk tersebut. Tujuan dari penelitian ini adalah mengetahui pola asosiasi yang terdapat pada sebuah toko yang sudah menerapkan teknologi PoS. Apabila pola asosiasi tersebut membentuk keterhubungan produk yang relevan dan mendatangkan keuntungan lebih maka metode yang di usulkan akan di terapkan pada aplikasi toko. Algoritma Apriori dapat menemukan pola hubungan produk antar satu atau lebih item dalam suatu dataset. Hanya saja Algoritma Apriori memiliki kelemahan dalam performa. Penerapan algoritma apriori dapat memperlambat akses transaksi, sehingga perlu pengkajian lebih dalam tentang kebermanfaatan pola asosiasi ini. Pada penelitian ini pola asosiasi dianalisis apakah berpengaruh terhadap peningkatan penjualan. Dalam penelitian ini didapatkan bahwa pola asosiasi memiliki peran penting dalam peningkatan penjualan. Didapatkan rata - rata asosiasi dengan nilai confidence tertinggi terjadi pada bulan maret, yaitu 0.61 dengan nilai minimal support 0.003. Hal ini sesuai dengan hasil penjualan tertinggi, yaitu sebesar Rp. 295.509.934 pada bulan maret, tahun 2021. Berdasarkan penelitian ini maka penggunaan algoritma apriori pada aplikasi POS perlu diterapkan.

Penerapan Market Basket Analysis (Mba) Data Mining Menggunakan Metode Asosiasi Appriori Dan Fp-Growth Pada Wan Caffeine Addict Yogyakarta

“…(Lourenco and Varde 2020) . metode apriori juga efektif dalam menemukan aturan asosiasi dalam data transaksi toko ritel online dan untuk mencari hubungan transaksi dari sebuah toko ritel online (Lestari and Hafiz 2020) penerapan data mining asosiasi dengan menggunakan metode apriori untuk toko ritel konvensional juga berhasil mengekstraksi pola transaksional di toko ritel dan kecenderungan pembelian produk yang dibeli secara bersama-sama dalam sebuah transaksi, sehingga dapat digunakan untuk membuat keputusan pemasaran yang lebih efektif dan efisien (Ashari et al 2022). Selain menggunakan apriori metode asosiasi pada data mining adalah metode FP-growth yang merupakan metode pengembangan dari metode apriori, dimana metode FP-growth tidak diperlukan generate candidate untuk memperoleh frequent itemset, sehingga membutuhkan waktu pemrosesan yang lebih cepat (Widiastuti and Sofi 2014).…”

Aplikasi Berbasis Web Menggunakan Apriori Untuk Rekomendasi Bundling Produk Sembako

“…Kemudian pada penelitian [13] menggunakan algoritma apriori untuk market basket analisis pendapatan usaha retail. Didapatkan rata -rata asosiasi dengan nilai confidence tertinggi terjadi pada bulan Maret, yaitu 0.61 dengan nilai minimal support 0.003.…”

Employee Education and Training Recommendations using the Apriori Algorithm

“…The next step is data preparation, also known as data preprocessing, which aims to remove or improve certain characteristics so that the data is ready for use in the analysis of training recommendations. Data preprocessing is performed using the Python programming language by first importing the data from Ms. Excel format to Jupyter Notebook [24].…”