JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
Penerapan Algoritma Apriori Untuk Menentukan Pola Pembelian Konsumen Diterima:
19 Juni 2025 Revisi:
19 Juli 2019 Terbit:
25 Desember 2025 a*Nazzel Maulana Mustofa, aAhmad Muharram Alfarisi, bAbu Tholib Universitas Nusantara PGRI Kediri Universitas Nurul Jadid AbstrakAi Latar Belakang: Di era digital, bisnis ritel menghadapi tantangan dalam memahami perilaku konsumen dan menyusun strategi pemasaran yang efektif.
Market Basket Analysis (MBA) menjadi pendekatan populer untuk menganalisis pola pembelian konsumen guna mempertahankan daya saing.
Tujuan: Menemukan pola pembelian pelanggan dan mengidentifikasi aturan asosiasi antar produk yang dapat dimanfaatkan dalam strategi pemasaran seperti penempatan produk, bundling, dan Metode: Algoritma Apriori pada dataset transaksi ritel dari Kaggle yang berisi lebih dari 000 entri.
Data dianalisis setelah melalui tahap pra-pemrosesan dan transformasi dengan teknik one-hot Algoritma dijalankan dengan parameter minimum support 0,005 dan confidence 0,5.
Hasil: Hasil menunjukkan bahwa produk Au12V U1 L&G 6Ay memiliki nilai support tertinggi sebesar 2,92%.
Pasangan produk Au1.
5V IND a ALK BULKAy dan Au1.
5V IND AA ALK BULKAy menunjukkan asosiasi kuat dengan confidence 68,9% dan lift 58,46%.
Kesimpulan: Penelitian ini berhasil mengidentifikasi pola pembelian konsumen dan menghasilkan aturan asosiasi yang signifikan sebagai dasar strategi pemasaran berbasis data.
Penelitian selanjutnya disarankan mengeksplorasi algoritma lain seperti FP-Growth atau Eclat untuk membandingkan efisiensi dan akurasi.
Kata kunciAiMarket Basket Analysis.
Algoritma Apriori.
Aturan Asosiasi.
Pola Pembelian Konsumen AbstractAi Background Urgency: In todayAos digital era, retail businesses face significant challenges in understanding customer behavior and formulating effective marketing strategies.
Market Basket Analysis (MBA) is a widely used data-driven approach to uncover purchasing patterns and support competitive Objective: The objective of this study is to discover customer purchasing patterns and identify product association rules that can be applied in marketing strategies such as product placement, bundling, and personalization.
This study employs a quantitative approach using the Apriori algorithm on a retail transaction dataset sourced from Kaggle, consisting of over 90,000 entries.
The data underwent preprocessing and transformation using one-hot encoding before analysis.
The algorithm was applied with a minimum support of 0.
005 and a confidence threshold of 0.
Results: The results reveal that the product Au12V U1 L&G 6Ay has the highest support value at 2.
Additionally, the product pair Au1.
5V IND a ALK BULKAy and Au1.
5V IND AA ALK BULKAy demonstrated a strong association with a confidence of 9% and a lift of 58.
Conclusion: Conclusion: This study successfully identifies significant consumer purchasing patterns and association rules, offering valuable insights for developing data-driven marketing strategies.
Future research is encouraged to explore alternative algorithms such as FP-Growth or Eclat for comparative performance analysis.
KeywordsAiMarket Basket Analysis.
Apriori Algorithm.
Association Rules.
Consumer Purchase Patterns This is an open access article under the CC BY-SA License.
Penulis Korespondensi:
Nazzel Maulana Mustofa.
Sistem Informasi.
Universitas Nusantara PGRI Kediri.
Email: nazzelmustofa@gmail.
JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:11-30 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
PENDAHULUAN
Toko ritel melakukan banyak penjualan, sehingga mereka mengumpulkan lebih banyak data transaksi, yang dapat digunakan untuk meningkatkan bisnis mereka.
Di era informasi saat ini, proses data mining dapat digunakan untuk mengolah data.
Industri ritel elektronik menghadapi persaingan yang semakin ketat dan perilaku konsumen yang berubah-ubah, seperti yang ditunjukkan oleh banyaknya toko ritel yang berdiri sendiri.
Toko ritel elektronik harus memahami pola pembelian pelanggan mereka dengan baik jika mereka ingin tetap relevan dan berhasil dalam lingkungan bisnis yang kompetitif ini.
Metode analisis pasar adalah salah satu cara efektif untuk mengetahui pola pembelian konsumen (Brighton & Hariyanto, 2.
Untuk mencapai hal ini, proses eksplorasi data harus dilakukan, yang dapat menghasilkan informasi berguna.
Data mining adalah bidang ilmu dan teknik yang sangat cocok untuk masalah seperti ini.
Ini adalah proses mengolah kumpulan data untuk menghasilkan informasi atau pengetahuan baru.
Diharapkan bahwa penggunaan teknik ini akan membantu dan mempercepat proses pengambilan keputusan.
(Rifania et al.
, 2.
Metode data mining digunakan untuk mengekstrak informasi penting dari kumpulan data besar.
(Sari & Khoiriah, 2.
Data mining adalah proses menemukan hubungan pola dan kecenderungan dalam sejumlah besar data yang tersimpan dalam penyimpanan dengan memeriksanya dengan menggunakan teknik pengenalan pola seperti matematika dan statistik.
Pengelompokan data mining adalah teknik yang didasarkan pada tugas yang dapat dilakukan (Nur Rahmi & Yosaphat Ananda Mikola, 2.
Algoritma Apriori merupakan algoritma yang umum digunakan pada Market Basket Analysis (MBA) karena aturan asosiasi yang relevan dalam data berukuran besar (Safitry et al.
, 2.
Dalam data mining, algoritma Apriori termasuk dalam kategori aturan asosiasi.
Pada tahun 1994.
Agrawal dan Srikant mengusulkannya sebagai algoritma dasar untuk menemukan itemset sering dalam konteks aturan asosiasi boolean.
(Oktaviani, 2.
Tujuan dari algoritma apriori ini adalah untuk memberikan informasi mengenai hubungan antar basis data transaksi barang.
Proses menganalisis dan memverifikasi data yang disimpan dalam teknik pengenalan pola dikenal dengan data mining.
Dalam hal permasalahan dalam penyediaan barang,data mining adalah salah satu bentuk solusi .
Data mining adalah metode yang dapat digunakan oleh bisnis untuk mengembangkan strategi bisnis (Fitriana Dewi et al.
, 2.
Studi sebelumnya oleh Ghofur et al.
menggunakan algoritma apriori untuk menganalisis transaksi penjualan dengan tujuan mengidentifikasi kecenderungan seorang pembeli untuk membeli barang yang memiliki hubungan dalam berbelanja.
Dalam penelitian ini.
Ghofur et al.
mencari kombinasi 2-itemset dan 3-itemset dari 1-itemset yang telah dinyatakan lolos dari JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:11-30 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
minimum support.
Setelah menemukan pola frekuensi tinggi dari kombinasi ini, dibentuk aturan asosiatif untuk nilai minimum keyakinan.
Hasil pengujian yang dilakukan oleh peneliti dengan menggunakan algoritma apriori pada sistem yang dibuat menghasilkan aturan asosiatif dua pola pada kombinasi dua itemset dengan nilai minimum dukungan 40% dan nilai minimum keyakinan Pengujian ini dilakukan pada sepuluh data transaksi penjualan.
(Ghofur et al.
, 2.
Dalam penelitian lain yang dilakukan oleh Rusdianto et al.
, mereka menemukan pola belanja konsumen untuk merancang ulang tata letak barang dengan menggunakan data historis transaksi Penelitian ini menggunakan data sebanyak 125 baris dengan support dan confidence ditetapkan masing-masing 3% dan 20%, dan aturan asosiasi yang terbentuk ditunjukkan sebagai saran untuk menentukan tata letak barang.
Hasil penelitian menunjukkan bahwa tata letak barang harus diubah.
(Rusdianto et al.
, 2.
Penelitian lebih lanjut oleh Sibarani et al.
menggunakan algoritma apriori untuk mengidentifikasi hubungan antar item dalam dataset, atau sekumpulan data, yang telah ditentukan Dengan menggunakan teknik aturan hubungan, para peneliti dapat menemukan kombinasi yang mungkin dari dataset item yang sering.
Peneliti menggunakan data Apotik Pusaka Arta dengan nilai minimum dukungan 20% dan nilai minimum keyakinan 50%.
Peneliti menemukan 7 kombinasi aturan asosiasi.
(Sibarani, 2.
Namun, penelitian-penelitian tersebut masih terbatas pada skala lokal dengan data transaksi yang terbatas, serta belum memanfaatkan dataset besar yang tersedia secara terbuka.
Selain itu, penerapannya belum secara eksplisit diarahkan pada strategi bundling dan sistem rekomendasi produk dalam toko ritel elektronik berbasis data besar.
Perbedaan penelitian ini dengan penelitian sebelumnya adalah penggunaan dataset transaksi berskala besar dari situs Kaggle, yang terdiri dari lebih dari 90.
000 entri, serta fokus penelitian yang tidak hanya mencari asosiasi antar produk, tetapi juga mengeksplorasi penerapannya untuk menyusun strategi bundling dan penempatan produk secara data-driven di lingkungan toko ritel elektronik.
Penelitian ini berusaha menjawab tantangan pengelolaan produk dan perilaku belanja yang kompleks dengan pendekatan analitis berbasis algoritma Apriori.
Tujuan penelitian ini adalah untuk menganalisis dataset transaksi ritel yang diperoleh dari Kaggle guna menemukan pola pembelian konsumen dan menghasilkan aturan asosiasi antar produk yang dapat dijadikan dasar dalam strategi pemasaran, penataan produk, serta pengembangan sistem rekomendasi yang mendukung peningkatan penjualan pada toko ritel.
JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:11-30 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
II.
METODE
Metode yang digunakan untuk mengolah dataset market basket analysis yaitu algortma apriori, dengan dataset yang di peroleh dari keggle.
dataset tersebut diolah kemudian digunakan untuk menganalisis pola pembelian konsumen yang nantinya akan digunakan untuk menentukan.
yang sering dibeli, sehingga dapat digunakan untuk meningkatkan strategi penjualan.
Ada empat tahapan yang digunakan dalam proses ini, yaitu pengumpulan data, pra-pemrosesan data, transformasi data, dan penafsiran data (Gambar .
Tahapan penafsiran termasuk analisis pola frekuensi tinggi, pembentukan aturan hubungan, dan pengujian lift (Purwati & Karnila, 2.
Gambar 1.
Alur Penelitian (Fathurrahman et al.
, 2.
Pengumpulan Data Proses pengumpulan data dalam penelitian ini dilakukan secara online dengan menggunakan dataset publik yang tersedia di situs Kaggle.
Ini dilakukan karena kualitas dan kelengkapan data yang dikumpulkan akan memengaruhi hasil akhir analisis.
Pilihan Kaggle sebagai sumber data didasarkan pada fakta bahwa platform ini menyediakan berbagai dataset yang telah digunakan secara luas dalam proyek penelitian akademik dan analisis data, serta telah melalui proses kurasi Dataset yang digunakan berasal dari sektor ritel elektronik, yang mengandung 92.
catatan transaksi.
Lima komponen utama merupakan atribut atau variabel dalam dataset ini, yaitu:
Product Product Category Transaction ID Uniqe Purchases Product Revenue Data ini dikumpulkan dengan tujuan untuk mempelajari pola pembelian konsumen dan menggunakan algoritma Apriori untuk mempersiapkan informasi yang relevan untuk analisis JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:11-30 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
lebih lanjut.
Sebagaimana dijelaskan oleh (Fajri et al.
, 2.
, untuk dapat secara akurat menunjukkan perilaku pembelian pelanggan, pengumpulan data harus mempertimbangkan kelengkapan fitur transaksi.
Oleh karena itu, dataset yang dipilih dianggap sesuai dan representatif untuk tujuan penelitian ini (Gambar .
Gambar 2.
Gambar Tabel Dataset dari Kaggle Pra-pemrosesan Data Sebelum data dapat dianalisis lebih lanjut dengan algoritma Apriori, tahap pra-pemrosesan data sangat penting.
Pada tahap ini, data dibersihkan dan formatnya disesuaikan untuk menjadi konsisten, terorganisir, dan siap untuk digunakan dalam proses analisis asosiasi.
Menurut (Seniwati et al.
, 2.
, preprocessing adalah langkah penting dalam siklus pengolahan data karena bertujuan untuk menghilangkan data duplikat, mengatasi nilai kosong, dan memastikan bahwa semua variabel dalam kumpulan data memiliki format dan tipe data yang sesuai dengan algoritma yang akan digunakan.
Proses pra-pemrosesan ini bertujuan untuk memastikan bahwa data yang digunakan bersih, bebas dari kesalahan struktural, dan memiliki integritas yang baik.
Ini memungkinkan algoritma Apriori untuk meningkatkan akurasi dan keandalan hasil analisis.
Tahap ini harus dilewati karena kemungkinan kesalahan dalam proses pembentukan itemsets sering dan aturan asosiasi akan meningkat.
Data hasil pemrosesan kemudian diubah menjadi format yang sesuai dengan kebutuhan analisis.
Misalnya data diubah sesuai dengan format algoritma apriori sehingga dapat menemukan pola pembelian konsumen dan barang yang sering Visualisasi data Data yang telah dikumpulkan akan divisualisasikan menggunakan grafik atau chart.
Tujuan utama dari visualisasi ini adalah untuk mempermudah pemahaman data dan memperkuat interpretasi hasil yang diperoleh dari algoritma yang digunakan.
Melalui visualisasi, data disajikan dalam format yang lebih mudah dicerna oleh audiens.
Ini memungkinkan pengguna untuk mengidentifikasi pola, tren, dan hubungan yang mungkin sulit atau bahkan tidak terlihat jika data hanya disajikan dalam bentuk mentah atau tidak terstruktur.
Dengan demikian.
JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:11-30 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
visualisasi data berperan krusial dalam mengubah data kompleks menjadi wawasan yang jelas dan mudah dipahami.
Pembentukan Itemset Dalam analisis data transaksi, tahap pembentukan itemset merupakan tahap penting di mana sistem mengelompokkan kombinasi item yang sering muncul secara bersamaan dalam satu Tujuannya adalah untuk menemukan hubungan yang kuat antara barang dan jasa yang dibeli oleh pelanggan.
Dengan menemukan kombinasi item yang sering terjadi, peneliti atau analis dapat mengenali pola perilaku konsumen yang berulang.
Informasi ini sangat bermanfaat dalam mendukung pengambilan keputusan strategis, seperti penataan produk di rak, rekomendasi produk, atau penentuan promosi yang efektif.
Pembentukan itemset menjadi dasar utama sebelum diterapkannya algoritma untuk menemukan aturan asosiasi dalam data.
Association Rule Konsep menarik dalam data mining adalah aturan asosiasi untuk menemukan keterkaitan atau asosiasi antar data (Ulfha & Amin, 2.
Tahapan ini bertujuan untuk mengidentifikasi hubungan atau keterkaitan antar item dalam dataset transaksi.
Aturan asosiasi menghasilkan aturan yang menunjukkan bagaimana satu item berhubungan dengan item lainnya berdasarkan seberapa sering mereka bertemu dalam suatu transaksi.
Proses ini membantu mengungkap wawasan tersembunyi dalam data yang dapat digunakan untuk memahami perilaku konsumen serta mendukung pengambilan keputusan yang lebih tepat.
Sebagai contoh, aturan asosiasi dapat menunjukkan bahwa pelanggan yang membeli produk A juga cenderung membeli produk B.
Dalam penelitian ini, algoritma Apriori digunakan sebagai metode utama untuk menemukan aturan asosiasi tersebut secara sistematis dan efektif.
Dengan mempertimbangkan minimum dukungan dan minimum keyakinan, algoritmaApriori menentukan kandidat yang mungkin muncul (Saefudin & DN, 2.
HASIL DAN PEMBAHASAN
Berdasarkan format data transaksi penjualan yang telah diperoleh, dilakukan proses analisis asosiasi menggunakan algoritma Apriori untuk menemukan pola hubungan antar produk dalam satu transaksi.
Analisis ini diawali dengan menentukan nilai support, yaitu persentase jumlah transaksi yang memuat kombinasi dua item tertentu, misalnya item A dan B.
Dalam konteks ini, apabila konsumen membeli produk A, maka terdapat kemungkinan besar bahwa mereka juga akan membeli produk B.
Nilai support tersebut menjadi indikator awal seberapa sering pasangan item tersebut muncul bersamaan dalam keseluruhan data transaksi.
Proses pengolahan data dimulai dengan mengimpor file berformat CSV yang berisi data transaksi ritel sebanyak 99.
200 baris.
Setelah proses impor selesai, tahap selanjutnya adalah JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:11-30 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
melakukan encoding untuk merapikan data dan mengubahnya ke dalam format biner .
ne-hot encodin.
, sehingga setiap transaksi dapat direpresentasikan dalam bentuk kombinasi item yang siap untuk diproses lebih lanjut (Andy Hermawan et al.
, 2.
Analisis asosiasi didefinisikan sebagai suatu proses dalam data mining yang bertujuan untuk menemukan semua aturan yang memenuhi batas minimum support dan confidence.
Confidence sendiri mengukur seberapa besar kemungkinan item B dibeli ketika item A telah dibeli sebelumnya, atau dengan kata lain, menunjukkan tingkat kepercayaan pada hubungan antara dua produk.
Tabel Data Data transaksi yang digunakan dalam penelitian ini diperoleh dari dataset 99.
200 baris data transaksi yang disediakan oleh platform Kaggle.
Setiap baris data merepresentasikan satu transaksi unik dan mencakup lima atribut utama, yaitu:
Product Ae nama produk yang dibeli.
Product Category (Enhanced Ecommerc.
Ae kategori produk berdasarkan klasifikasi ecommerce.
Transaction ID Ae nomor unik dari setiap transaksi.
Unique Purchases Ae jumlah pembelian unik per produk, dan Product Revenue Ae total pendapatan dari penjualan produk dalam transaksi tersebut.
Gambar 3.
Tabel Data Transaksi .
umber google cola.
Gambar 3 menunjukkan cuplikan sebagian data yang telah berhasil dimuat menggunakan perintah pd.
read_csv() di Google Colab.
Tampak bahwa data memiliki struktur yang baik, dengan format tabel yang rapi dan kolom-kolom yang relevan untuk analisis asosiasi.
Namun, sebelum data dapat digunakan dalam proses analisis lebih lanjut, diperlukan proses pembersihan awal.
Langkah selanjutnya yang dilakukan adalah pencarian data yang hilang .
issing valu.
dan penghapusan data duplikat guna memastikan kualitas dan validitas data yang akan digunakan dalam algoritma Apriori.
Tahapan ini penting untuk mencegah hasil analisis yang bias atau tidak JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:11-30 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
Data transformation Untuk memastikan bahwa data dapat digunakan dalam proses analisis, tahap perencanaan data mencakup pembersihan dan transformasi data.
Kolom yang tidak digunakan dan data transaksi yang duplikat dihapus.
Untuk analisis basket pasar, data transaksi diubah ke format encoding satu-hot, dengan setiap produk diwakili sebagai kolom biner.
Gambar 4.
Hasil Pemeriksaan Missing Value .
umber google cola.
Tahap Data Preparation merupakan langkah penting dalam proses data mining karena berfungsi untuk memastikan bahwa data yang akan dianalisis benar-benar bersih, konsisten, dan Setelah data transaksi berhasil dimuat, dilakukan pengecekan terhadap missing value pada seluruh kolom, seperti Product.
Product Category.
Transaction ID.
Unique Purchases, dan Product Revenue.
Hasil pemeriksaan menunjukkan bahwa tidak terdapat nilai kosong pada seluruh kolom (Gambar .
, sehingga tidak diperlukan proses imputasi atau penghapusan baris berdasarkan null value.
Gambar 5.
Perhitungan Metode Interquartile Range (IQR) .
umber google cola.
Selanjutnya, dilakukan deteksi dan penghapusan outlier pada kolom Product Revenue untuk meningkatkan kualitas data sebelum dianalisis lebih lanjut (Gambar .
Interquartile Range (IQR), yang menghitung rentang antara kuartil pertama (Q.
dan ketiga (Q.
, digunakan sebagai dasar untuk menentukan batas atas dan bawah dari data yang dianggap wajar.
Nilai-nilai yang berada di bawah batas bawah atau di atas batas atas dikategorikan sebagai outlier, karena dianggap menyimpang secara signifikan dari pola umum distribusi data.
Outlier-outlier tersebut kemudian dikeluarkan dari dataset agar tidak memengaruhi hasil analisis algoritma Apriori, yang sangat bergantung pada pola frekuensi item dalam transaksi.
Proses ini penting dilakukan karena keberadaan outlier dapat menyebabkan hasil analisis menjadi bias dan kurang akurat dalam merepresentasikan perilaku konsumen secara umum.
JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:11-30 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
Gambar 6.
Hasil Perhitungan Metode Interquartile Range (IQR) Beberapa produk seperti "3.
7V 3400mah LION 12.
6WH" dan "YETI 500X PORTABLE POWER STATION" teridentifikasi sebagai outlier karena memiliki nilai Product Revenue yang jauh lebih tinggi dibandingkan dengan mayoritas produk lainnya dalam dataset (Gambar .
Nilai pendapatan yang ekstrem ini berpotensi memengaruhi hasil analisis pola pembelian karena dapat mendistorsi distribusi data dan memberikan gambaran yang kurang representatif terhadap tren umum konsumen.
Produk-produk tersebut mungkin merupakan produk premium dengan harga tinggi dan frekuensi pembelian yang rendah, sehingga tidak mencerminkan kebiasaan belanja mayoritas pelanggan.
Oleh karena itu, penghapusan data outlier seperti ini menjadi langkah penting dalam proses data cleaning, agar hasil analisis dengan algoritma Apriori dapat lebih fokus pada item yang memiliki kontribusi signifikan dan relevan secara statistik terhadap pola pembelian yang sering terjadi.
Gambar 7.
Data Setelah Dibersihkan dan Bebas dari Outlier Proses transformasi data agar siap digunakan dalam analisis yang berkaitan dengan algoritma Apriori dimulai setelah proses pembersihan dan penghapusan outlier selesai (Gambar .
Setelah data transaksi telah dibersihkan, data encoding satu panas digunakan.
Untuk menunjukkan keberadaannya dalam suatu transaksi, setiap produk diwakili dengan kolom biner berjumlah 0 Proses ini memungkinkan sistem untuk mengenali kombinasi item yang sering muncul bersamaan dalam pembelian pelanggan dengan lebih akurat dan efisien.
Kolom-kolom yang tidak relevan terhadap analisis asosiasi, seperti Transaction ID dan Product Revenue, dihapus untuk JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:11-30 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
menyederhanakan struktur data dan memfokuskan analisis pada keterkaitan antar produk.
Dengan data yang telah terstruktur dengan baik, tahap pemodelan dapat dilakukan secara optimal untuk menggali pola pembelian konsumen yang signifikan.
Visualisasi Data Visualisasi data merupakan tahap penting dalam proses analisis karena memungkinkan peneliti dan pemangku kepentingan untuk memahami pola dan kecenderungan dalam data secara lebih intuitif.
Dengan memanfaatkan grafik dan diagram, data yang kompleks dapat diterjemahkan menjadi informasi yang mudah dicerna serta membantu dalam proses pengambilan keputusan yang lebih akurat dan cepat.
Berikut Gambar 8 adalah hasil dalam beberapa kategori:
Gambar 8.
Visualisasi Berdasarkan Item yang Sering Dibeli Salah satu bentuk visualisasi yang digunakan dalam penelitian ini adalah diagram batang horizontal yang menampilkan Top 10 Frequent Itemsets by Support, seperti yang ditunjukkan pada Gambar 8.
Grafik ini memperlihatkan sepuluh produk dengan tingkat frekuensi .
tertinggi dalam data transaksi penjualan.
Produk "12V U1 L&G 6" menempati urutan teratas, diikuti oleh "6V GC2 ULTRA GOLF 12", "AGM 12V 7AH .
187 FASTON", dan seterusnya.
Gambar ini memperkuat hasil dari proses analisis sebelumnya, yang menunjukkan bahwa beberapa produk memang lebih sering muncul dalam transaksi pembelian dibanding produk Hal ini bisa menjadi dasar untuk menyusun strategi penjualan, seperti rekomendasi produk utama, promosi khusus pada item populer, atau strategi penataan produk di toko.
Gambar 9.
Lima Item Yang Sering Dibeli JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:11-30 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
Visualisasi kedua pada Gambar 9 menyajikan Top 5 Frequent Itemsets dalam bentuk diagram lingkaran .
ie char.
Visualisasi ini memberikan gambaran proporsional mengenai lima produk teratas yang paling sering muncul dalam transaksi pembelian konsumen.
Masing-masing irisan mewakili persentase frekuensi kemunculan item tertentu berdasarkan nilai support yang telah dihitung sebelumnya menggunakan algoritma Apriori.
Dari gambar tersebut terlihat bahwa produk Au12V U1 L&G 6Ay merupakan item dengan tingkat support tertinggi, yakni sebesar 30%, menunjukkan bahwa produk ini muncul pada hampir sepertiga dari seluruh transaksi yang diamati.
Di posisi kedua dan ketiga secara berurutan adalah Au6V GC2 ULTRA GOLF 12Ay dengan 20,9%, dan AuAGM 12V 7AH .
187 FASTONAy dengan 20,3%.
Sementara dua item lainnya, yaitu Au12V 18AH 310CCA AGM 12/0Ay dan Au12V 31DT DURACELL ULTRA AGM 30Ay, masing-masing mencatatkan persentase 14,9% dan 13,8%.
Penggunaan diagram pie ini mempermudah dalam memahami proporsi dominasi setiap produk dalam keseluruhan transaksi.
Semakin besar irisan, semakin sering item tersebut muncul dalam keranjang belanja pelanggan.
Dengan informasi ini, pelaku bisnis dapat mengarahkan strategi promosi atau pengelompokan produk .
roduct bundlin.
berdasarkan kecenderungan pembelian nyata di lapangan.
Gambar 10.
Kombinasi Produk Berdasarkan Itemset Gambar 11 memperlihatkan visualisasi kombinasi dua produk .
-itemse.
yang paling sering muncul secara bersamaan dalam transaksi pelanggan.
Grafik ini menunjukkan itemset kombinasi "1.
5V IND AA ALK BULK" dan "1.
5V IND a ALK BULK" sebagai kombinasi produk dengan support tertinggi, yaitu sekitar 0,0065 atau setara dengan 0,65% dari total keseluruhan Meskipun nilai support ini tampak kecil secara persentase, dalam konteks dataset besar seperti yang digunakan dalam penelitian ini .
ebih dari 90 ribu transaks.
, nilai tersebut tetap signifikan karena menunjukkan pola konsisten dalam pembelian konsumen.
Artinya, meskipun tidak terlalu sering terjadi, ketika produk a dibeli, produk AA juga sering kali ikut dibeli.
Pola ini mengindikasikan adanya preferensi pembelian berpasangan terhadap dua jenis baterai berjenis alkaline bulk tersebut.
Dengan kata lain, pelanggan cenderung membeli kedua produk ini secara bersamaan, mungkin karena keduanya digunakan dalam perangkat elektronik yang berbeda tetapi dibutuhkan secara bersamaan.
JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:11-30 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
Visualisasi ini penting dalam mendukung strategi cross-selling, yaitu dengan menempatkan dua produk tersebut secara berdampingan atau mengarahkan promosi bundling yang menyasar Dalam konteks Market Basket Analysis, pola seperti ini menjadi dasar dalam membentuk aturan asosiasi yang kuat dan relevan untuk implementasi strategi pemasaran yang lebih efektif.
Gambar 11.
Peratuan Asosiasi: Support Vs Confidence Gambar 11 menunjukkan hubungan antara dukungan dan keyakinan dari aturan asosiasi yang warna dan ukuran gelembung menunjukkan nilai lift.
Dalam grafik ini terdapat dua titik utama .
, yang masing-masing mewakili satu aturan asosiasi.
Sumbu horizontal menunjukkan nilai support .
dari aturan tersebut, sedangkan sumbu vertikal menunjukkan nilai confidence .
ingkat keyakina.
Warna gelembung dan ukurannya menunjukkan besarnya nilai lift, yang mengindikasikan kekuatan asosiasi antara produk dalam aturan tersebut.
Aturan pertama memiliki nilai support sekitar 0.
00655 dan confidence sebesar 68,9%.
Aturan kedua juga memiliki nilai support yang sama .
namun dengan confidence yang lebih rendah, yaitu sekitar 55,5%.
Kedua aturan ini memiliki nilai lift yang tinggi, berada di atas angka 58, menunjukkan bahwa korelasi antara produk dalam aturan tersebut jauh lebih kuat dibandingkan jika pembelian terjadi secara acak.
Interpretasi dari visualisasi ini menunjukkan bahwa:
Meskipun tingkat kemunculan aturan ini dalam data .
relatif kecil, aturan tersebut memiliki tingkat kepercayaan yang cukup tinggi, terutama pada aturan pertama.
Nilai lift yang tinggi memperkuat bukti bahwa ada hubungan yang sangat signifikan antara produk-produk ini, dan layak dijadikan dasar untuk strategi seperti promosi produk bundling, rekomendasi otomatis, atau penempatan produk yang dekat.
Dengan demikian, visualisasi ini membantu peneliti dan analis memahami tidak hanya seberapa sering suatu aturan muncul, tetapi juga seberapa kuat dan relevan aturan tersebut dalam konteks perilaku pembelian pelanggan.
JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:11-30 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
Pembuatan Itemset dan Aturan Asosiasi Tujuan penelitian ini adalah untuk menemukan pola pembelian konsumen dari data transaksi ritel yang telah dibersihkan dan disiapkan sebelumnya.
Untuk mencapai tujuan ini, algoritma Apriori digunakan pada tahap pemodelan data.
Tahapan ini merupakan bagian penting dari proses analisis saku pasar (MBA) karena memungkinkan untuk menemukan informasi yang tersembunyi dalam kumpulan data yang sangat besar.
Langkah pertama dalam proses ini adalah menemukan kombinasi item atau produk yang sering muncul bersama dalam suatu transaksi, yang disebut sebagai frequent itemsets.
Setelah menemukan frequent itemsets berdasarkan parameter minimum support yang telah ditentukan, proses dilanjutkan dengan membuat peraturan asosiasi berdasarkan nilai kepercayaan dan rasio Aturan asosiasi ini menggambarkan hubungan antar produk, misalnya jika produk A dibeli maka besar kemungkinan produk B juga akan dibeli dalam transaksi yang sama.
Proses ini penting untuk merumuskan strategi promosi silang .
ross-sellin.
, bundling, dan penataan produk di toko.
Sebagai gambaran awal, ditampilkan Tabel 1.
Data Sampel Transaksi, yang menyajikan lima produk berbeda yang ditemukan dalam dataset:
Tabel 1.
Data Sampel Transaksi
NO ITEM
PRODUCT
7V 3400mah LIION 12.
3V PHOTO LITHIUM
12V 11.
2AH 225CCA AGM 12/0
12V 12AH 165CCA FLOODED 6/0
12V 12AH 210CCA AGM 12/0
Tabel 1 berisi daftar produk yang menjadi bagian dari transaksi ritel.
Data ini selanjutnya dikonversi ke dalam format biner .
inary forma.
melalui proses one-hot encoding.
Setiap baris transaksi diubah menjadi representasi biner, di mana setiap kolom produk bernilai 1 jika produk tersebut ada dalam transaksi dan 0 jika tidak.
Transformasi ini memudahkan algoritma Apriori dalam menghitung frekuensi kemunculan kombinasi produk serta membangun aturan asosiasi secara otomatis dan efisien.
Dengan model ini, toko dapat mengidentifikasi kombinasi barang yang sering dibeli bersamaan dan menggunakan data ini untuk membuat keputusan yang lebih strategis berbasis data, seperti membuat rekomendasi otomatis tentang produk atau mengatur rak berdasarkan pola pembelian JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:11-30 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
Gambar 12.
Data telah di konversi dalam format biner .
umber google cola.
Gambar 12 menunjukkan hasil dari metode one-hot encoding untuk mengubah data transaksi ke dalam format biner.
Setiap baris menunjukkan sebuah transaksi, dan setiap kolom menunjukkan satu produk tertentu.
Nilai 1 menunjukkan bahwa produk tersebut ada dalam transaksi tertentu, sedangkan nilai 0 menunjukkan sebaliknya.
Representasi ini sangat penting untuk proses analisis pasar kotak (MBA) karena memungkinkan algoritma Apriori untuk menemukan pola itemset secara efisien berdasarkan kemunculan produk-produk secara bersamaan dalam suatu transaksi.
Setelah data berada dalam format biner, tahapan berikutnya adalah menjalankan algoritma Apriori untuk menggali aturan asosiasi.
Dalam penelitian ini, digunakan parameter Minimum Support sebesar 20% atau 0.
2, yang berarti hanya kombinasi produk yang muncul setidaknya pada 20% dari total transaksi yang akan dipertimbangkan sebagai pola yang signifikan.
Selain itu, ditetapkan pula Minimum Confidence sebesar 50% atau 0.
5, yang digunakan untuk mengukur tingkat kepercayaan dari hubungan antar produkAimisalnya, seberapa besar kemungkinan pelanggan yang membeli produk A juga akan membeli produk B.
Pengaturan parameter ini dirancang untuk menyeimbangkan antara jumlah aturan yang ditemukan dengan kualitas dari aturan tersebut, sehingga hanya pola yang paling relevan dan bermakna yang digunakan untuk interpretasi lebih lanjut dan pengambilan keputusan strategis.
Tabel 2.
Pembentukan 1 itemset
Product
Support
6V GC2 ULTRA GOLF 12
AGM 12V 7AH .
187 FASTON
12V 18AH 310CCA AGM 12/0
12V 31DT DURACELL ULTRA AGM
DC 12V 35AH J TERM
JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:11-30 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
Tabel 2 menampilkan hasil perhitungan itemset tunggal yang diperoleh dari penerapan algoritma Apriori pada data transaksi yang telah dibersihkan dan ditransformasikan sebelumnya.
Kolom Product menunjukkan nama produk yang teridentifikasi, sementara kolom Support .
dari masing-masing Nilai mengindikasikan proporsi kemunculan produk tersebut dalam keseluruhan transaksi.
Misalnya, produk Au6V GC2 ULTRA GOLF 12Ay memiliki nilai support sebesar 0.
020286, yang berarti produk tersebut muncul dalam sekitar 2,02% dari total transaksi.
Produk lain seperti AuAGM 12V 7AH .
187 FASTONAy dan Au12V 18AH 310CCA AGM 12/0Ay juga menunjukkan frekuensi kemunculan yang relatif tinggi, dengan support mendekati 2% dan 1,45%.
Hasil ini memberikan gambaran awal tentang produk-produk yang paling sering muncul dalam transaksi pelanggan.
Tahapan ini sangat penting karena hanya itemset dengan nilai support di atas ambang batas minimum .
alam hal ini 20%) yang akan digunakan dalam pembentukan aturan asosiasi .
ssociation rule.
Selanjutnya, algoritma Apriori akan memproses kombinasi dari itemset ini untuk menghasilkan pasangan atau grup item yang sering dibeli bersamaan .
requent Dengan demikian, tahapan selanjutnya adalah pembentukan pola association rules berdasarkan frequent itemset yang telah ditemukan.
Aturan asosiasi ini akan mengidentifikasi relasi antar produk dalam transaksi, misalnya: jika seorang pelanggan membeli produk A, maka kemungkinan besar ia juga akan membeli produk B.
Proses ini memperhitungkan nilai confidence dan lift sebagai metrik evaluasi kekuatan dan reliabilitas dari setiap aturan yang terbentuk, sehingga hasil akhirnya dapat dimanfaatkan untuk strategi pemasaran seperti rekomendasi produk, penataan display, atau bundling promosi.
Tabel 3.
Pembentukan aturan asosiasi
Antecendent Consequents 5V IND a 5V IND
ALK
AA ALK
BULK
BULK
5V IND AA
ALK BULK
Support
Confidence 5V IND
a ALK
BULK
Tabel 3 menampilkan hasil pembentukan aturan asosiasi .
ssociation rule.
yang diperoleh dari kombinasi itemset dengan dukungan kuat.
Setiap baris pada tabel merepresentasikan satu aturan asosiasi yang terdiri dari dua bagian, yaitu antecedent .
roduk yang dibeli terlebih dahul.
dan consequent .
roduk yang kemungkinan dibeli setelahny.
Metode ini bertujuan untuk JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:11-30 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
mengidentifikasi keterkaitan pembelian antar produk berdasarkan parameter support, confidence, dan lift.
Salah satu aturan yang ditemukan menunjukkan bahwa apabila seorang konsumen membeli produk Au1.
5V IND a ALK BULKAy, maka terdapat kemungkinan sebesar 68,95% .
bahwa mereka juga akan membeli produk Au1.
5V IND AA ALK BULKAy.
Nilai support sebesar 006553 menunjukkan bahwa kombinasi pembelian kedua produk tersebut muncul pada sekitar 0,66% dari seluruh transaksi dalam dataset.
Meskipun nilainya relatif kecil secara proporsi, nilai lift yang sangat tinggi, yaitu 58,464, menandakan adanya korelasi yang sangat kuat antara kedua Lift yang jauh di atas angka 1 menunjukkan bahwa pembelian kedua produk secara bersamaan tidak terjadi secara kebetulan, tetapi memiliki hubungan kuat dan konsisten.
Aturan sebaliknya juga diperoleh, yaitu ketika Au1.
5V IND AA ALK BULKAy dibeli terlebih dahulu, maka Au1.
5V IND a ALK BULKAy memiliki peluang 55,57% untuk ikut dibeli.
Walaupun nilai confidence sedikit lebih rendah, nilai lift tetap tinggi, mengindikasikan hubungan dua arah yang saling menguatkan antar produk.
Hasil ini memiliki implikasi penting dalam strategi pemasaran dan pengelolaan stok.
Kombinasi produk dengan asosiasi kuat seperti ini dapat digunakan untuk merancang strategi bundling, penempatan produk berdampingan di etalase, atau promosi silang .
ross-sellin.
Dengan memanfaatkan pola ini, toko dapat meningkatkan nilai rata-rata pembelian pelanggan serta meningkatkan efisiensi dalam menyusun produk yang berpotensi laku tinggi secara bersamaan.
Hasil analisis data transaksi yang dilakukan dengan algoritma Apriori membawa banyak temuan penting yang dapat digunakan untuk membuat strategi pemasaran yang berhasil.
Salah satu temuan utama adalah hubungan yang kuat antara produk 1.
5V IND a ALK BULK dan 5V IND AA ALK BULK, dengan nilai keyakinan 68,9% dan lift 58,46.
Ini menunjukkan bahwa konsumen yang membeli produk pertama lebih mungkin membeli produk kedua.
Oleh karena itu, sangat penting untuk menerapkan strategi cross-selling, seperti menawarkan rekomendasi otomatis melalui platform e-commerce atau menawarkan paket produk yang ditampilkan setelah konsumen melakukan pembelian.
Selain itu, data kombinasi item .
yang sering muncul bersama mengindikasikan peluang besar dalam pembuatan paket bundling.
Untuk mendorong lebih banyak pembelian, kombinasi dua produk yang sering dibeli bersamaan dapat dimasukkan ke dalam satu paket Ini dapat dilakukan dengan memberikan diskon khusus atau menampilkan label "penawaran kombinasi terbaik" di halaman produk.
Produk dengan frekuensi pembelian tertinggi seperti 12V U1 L&G 6, 6V GC2 ULTRA GOLF 12, dan AGM 12V 7AH .
187 FASTON juga sebaiknya ditempatkan secara strategis di bagian utama platform penjualan untuk menarik perhatian konsumen dan memicu pembelian lanjutan terhadap produk lain yang berkaitan.
JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:11-30 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
Lebih jauh, strategi pemasaran juga dapat diarahkan pada personalisasi promosi berdasarkan pola pembelian pelanggan.
Dengan segmentasi pelanggan berdasarkan produk yang sering dibeli, perusahaan dapat mengirimkan penawaran khusus yang relevan secara personal, seperti promosi baterai a kepada pelanggan yang sebelumnya membeli baterai tipe AA.
Hal ini dapat meningkatkan efektivitas kampanye promosi dan memperkuat loyalitas pelanggan.
Selain pendekatan personal dan bundling, promosi musiman atau berbasis volume juga menjadi strategi yang potensial.
Beberapa produk yang memiliki tingkat pembelian tinggi dapat ditawarkan dalam bentuk diskon volume atau promosi saat event tertentu, seperti awal tahun atau hari raya, untuk mendorong pembelian dalam jumlah besar.
Secara keseluruhan, strategi pemasaran berbasis data ini tidak hanya meningkatkan efisiensi penjualan, tetapi juga mampu memaksimalkan pengalaman pelanggan melalui pendekatan yang lebih tepat sasaran dan berbasis bukti nyata dari pola pembelian aktual.
Hasil penelitian menunjukkan bahwa ada hubungan yang sangat kuat antara produk 1.
5V IND
a ALK BULK dan 1.
5V IND AA ALK BULK.
dengan nilai keyakinan sebesar 68,9% dan lift sebesar 58,46, konsumen sering membeli kedua produk ini bersamaan.
Studi sebelumnya oleh Agrawal dan Srikant .
menemukan bahwa algoritma Apriori dapat mendeteksi pola asosiasi tersembunyi dalam data transaksi ritel dan dapat digunakan untuk strategi pemasaran seperti bundling dan cross-selling.
Selain itu, penelitian oleh Prasetyo et al.
menemukan bahwa menggunakannya pada data ritel dapat meningkatkan efektivitas kampanye promosi melalui Berdasarkan hasil analisis tersebut, strategi pemasaran yang dapat diterapkan antara lain adalah promosi bundling pada produk yang memiliki asosiasi tinggi, seperti 1.
5V IND a ALK BULK dan AA ALK BULK, serta penerapan sistem rekomendasi otomatis pada platform ecommerce untuk mendorong pembelian silang .
ross-sellin.
Produk-produk dengan tingkat pembelian tertinggi seperti 12V U1 L&G 6 dan 6V GC2 ULTRA GOLF 12 juga dapat diprioritaskan untuk ditampilkan dalam kampanye iklan digital atau penawaran khusus karena berpotensi menarik pembeli baru maupun mendorong pembelian ulang.
Di samping itu, penyesuaian promosi musiman dan personalisasi penawaran berdasarkan histori pembelian konsumen juga menjadi pendekatan yang potensial untuk meningkatkan loyalitas pelanggan.
Namun, penelitian ini memiliki beberapa keterbatasan.
Pertama, analisis hanya dilakukan pada data transaksi dalam satu periode waktu tanpa mempertimbangkan faktor musiman atau tren Kedua, tidak semua variabel kontekstual seperti demografi pelanggan atau jenis kanal distribusi dianalisis lebih lanjut.
Keterbatasan ini dapat mempengaruhi generalisasi hasil, sehingga perlu dilakukan penelitian lanjutan yang melibatkan data dari berbagai periode waktu.
JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer | Hal:11-30 JSITIK.
Vol.
4 No.
1 Desember 2025 ISSN: 2986-0458 (Prin.
/ 2986-044X (Onlin.
DOI: https://doi.
org/10.
53624/jsitik.
serta memperluas variabel yang dianalisis agar hasil yang diperoleh dapat lebih komprehensif dan aplikatif dalam konteks pemasaran yang lebih luas.
IV.
KESIMPULAN
Hasil penelitian menunjukkan bahwa algoritma Apriori dapat digunakan secara efektif untuk mengidentifikasi pola pembelian konsumen berdasarkan data transaksi ritel.
Aturan asosiasi yang dihasilkan mampu mengungkap hubungan antar produk yang sering dibeli bersamaan, seperti pada produk Au1.
5V IND a ALK BULKAy dan Au1.
5V IND AA ALK BULKAy yang memiliki nilai confidence sebesar 68,9% dan lift 58,46, menunjukkan hubungan asosiasi yang sangat kuat.
Temuan ini memberikan dasar yang kuat bagi toko ritel untuk menerapkan strategi penataan produk, bundling, serta promosi silang guna meningkatkan nilai transaksi rata-rata.
Namun, penelitian ini memiliki keterbatasan karena hanya menggunakan data transaksi tanpa mempertimbangkan faktor demografis atau perilaku pelanggan yang dapat mempengaruhi pola Oleh karena itu Untuk meningkatkan ketepatan hasil dan mendukung pengambilan keputusan yang lebih personal, disarankan agar metode ini dikombinasikan dengan data demografis dan perilaku pelanggan pada penelitian selanjutnya.
Integrasi data tersebut diharapkan dapat memperkaya analisis dan menghasilkan rekomendasi produk yang lebih relevan.
Selain itu, pengembangan sistem rekomendasi otomatis berbasis data transaksi real-time juga perlu dipertimbangkan agar hasil analisis dapat langsung diterapkan secara dinamis dalam operasional Dengan demikian, toko ritel dapat merespons kebutuhan pasar secara cepat dan efisien melalui pendekatan analitik berbasis data.
DAFTAR PUSTAKA