Rekayasa Hijau: Jurnal Teknologi Ramah Lingkungan ISSN .
: 2579-4264 | DOI: https://doi.
org/10.
26760/jrh.
V8i3.
Volume 8 | Nomor 3 November 2024 Optimasi Bundling Produk Toko Roti berbasis Waktu menggunakan Algoritma FP-Growth Nur Fitrianti Fahrudin1.
Rifki Maulana1.
Mira Musrini Barmawi 1 Program studi Sistem Informasi.
Institut Teknologi Nasional.
Bandung.
Indonesia Email: nurfitrianti@itenas.
Received 2 September 2024 | Revised 8 September 2.
Accepted 15 September 2024
ABSTRAK
Penelitian ini bertujuan untuk mengeksplorasi penggunaan teknik asosiasi untuk mengidentifikasi pola tersembunyi dalam data transaksi penjualan.
Analisis pola pembelian pelanggan yang terkandung dalam sebuah data transaksi dilakukan pada dataset milik sebuah Toko Roti.
Dataset memiliki atribut utama seperti nomor transaksi, item, kemudian variabel waktu seperti daytime, daypart dan daytype.
Guna memaksimalkan hasil rekomendasi, dataset dibagi kedalam 6 bagian berdasarkan waktu pembelian dengan memanfaatkan atribut DayPart dan DayType.
Selanjutnya algoritma FP-Growth dipilih karena kemampuannya mengidentifikasi sekumpulan item yang sering muncul dalam database transaksional dengan efisiensi tinggi.
Berdasarkan penelitian yang telah dilakukan, penelitian ini merekomendasikan 6 rules yang diambil masing -masing dataset.
Aturan-aturan yang dihasilkan ini nantinya dapat digunakan sebagai rekomendasi bundling produk pada waktu tertentu.
Untuk mendapatkan rule yang kuat dalam data transaksi toko roti dimasukkan nilai minimum support berkisar diantara 0.
%) Ae 0.
%) dan nilai minimum confidence diantara 0.
%) Ae 0.
%) semua rules yang di diperoleh memiliki nilai nilai lift ratio lebih dari 1 yang menunjukkan adanya korelasi dan manfaat dari rules tersebut.
Penentuan nilai minimum support dan confidence dipengaruhi dari jumlah transaksi yang terkandung pada setiap Kata kunci: Data Transaksi.
Data Mining.
Teknik Asosiasi.
FP Ae Growth.
Lift Ratio
ABSTRACT
This study aims to explore the use of association techniques to identify hidden patterns in sales transaction The analysis of customer purchasing patterns contained in transaction data is conducted using a dataset from a bakery.
The dataset includes key attributes such as transaction number, item, and timerelated variables such as daytime, daypart, and daytype.
To maximize recommendation results, the dataset is divided into six segments based on purchase time using the DayPart and DayType attributes.
The FPGrowth algorithm is selected due to its efficiency in identifying frequently occurring itemsets within transactional databases.
Based on the conducted analysis, the study recommends six rules derived from each dataset segment.
These rules can be used for product bundling recommendations at specific times.
obtain strong rules, the transaction data of the bakery includes a minimum support value ranging from 0.
%) to 0.
%) and a minimum confidence value ranging from 0.
%) to 0.
%).
All obtained rules have lift ratios greater than 1, indicating a correlation and benefit of the rules.
The determination of minimum support and confidence values is influenced by the number of transactions within each dataset.
Keywords: Transaction Data.
Data Mining.
Association Techniques.
FP Ae Growth.
Lift Ratio.
Rekayasa Hijau Ae 297
Nur Fitrianti Fahrudin dkk
PENDAHULUAN
Seiring dengan pertumbuhan industri ritel yang pesat, memahami perilaku pembelian konsumen sangatlah penting untuk meningkatkan penjualan dan kepuasan pelanggan.
Bundling produk merupakan sebuah strategi pemasaran yang menyatukan dua atau lebih produk dalam satu paket penjualan dengan harga yang telah ditentukan .
Pendekatan ini umum diterapkan di berbagai sektor, seperti ritel, teknologi, dan jasa, dengan tujuan untuk meningkatkan volume penjualan, mengoptimalkan laba, serta menawarkan nilai tambah kepada pelanggan.
Optimasi bundling produk bertujuan untuk menentukan kombinasi produk yang paling efektif dalam menarik perhatian pelanggan sekaligus menguntungkan bagi bisnis .
Proses ini melibatkan analisis data penjualan untuk mengidentifikasi pola pembelian pelanggan, termasuk produk yang sering dibeli bersama, frekuensi pembelian, serta variabel lain seperti waktu transaksi.
Dengan pendekatan berbasis data, bisnis dapat merancang paket bundling yang relevan, menarik, dan sesuai dengan kebutuhan pasar.
Data mining menyediakan alat yang ampuh untuk mengekstraksi informasi berharga dari data transaksional .
memungkinkan bisnis mengidentifikasi pola pembelian dan mengembangkan strategi pemasaran yang lebih efektif .
Data mining melibatkan penemuan pola dalam kumpulan data besar menggunakan basis data, statistika, dan teknik pembelajaran mesin .
Data mining bertujuan untuk mengekstrak informasi yang berguna dari data dan mengubahnya menjadi informasi yang mudah dimengerti serta dapat digunakan lebih lanjut .
Data mining digunakan di berbagai industri untuk menemukan pola dan hubungan tersembunyi dalam kumpulan data, sehingga memudahkan dalam pengambilan keputusan .
Dalam lingkungan bisnis, data mining dapat digunakan untuk berbagai tujuan, termasuk perkiraan penjualan, analisis perilaku pelanggan, manajemen rantai pasokan, dan deteksi penipuan.
Teknik penambangan data yang umum digunakan meliputi klasifikasi, pengelompokan, regresi, dan asosiasi.
Market Basket Analysis (MBA) adalah contoh teknik analisis asosiasi data mining yang paling populer, terutama di industri ritel .
Market Basket Analysis (MBA) merupakan suatu teknik yang menganalisis perilaku pembelian konsumen dengan cara mengidentifikasi produk atau item yang sering dibeli secara bersamaan ketika bertransaksi .
MBA ini dapat digunakan untuk menentukan bundling produk.
Teknik ini sangat berguna dalam mengungkap hubungan tersembunyi antar produk dan membantu pengecer mengambil keputusan strategis seperti desain produk, promosi, dan rekomendasi penjualan .
Terdapat beberapa algoritma yang digunakan untuk analisis MBA, di antaranya adalah Apriori dan FP-Growth .
Algoritma Apriori merupakan salah satu algoritma pertama yang digunakan untuk menemukan aturan asosiasi .
Algoritma ini bekerja berdasarkan prinsip bahwa setiap subset dari himpunan item yang sering muncul juga harus sering muncul .
Algoritma Apriori melibatkan dua tahap utama yaitu mengidentifikasi frequent itemset dan membuat aturan asosiasi .
Algoritma Apriori adalah salah satu algoritma paling awal yang digunakan untuk menemukan aturan asosiasi dalam data .
Meskipun algoritma ini memiliki banyak keunggulan, seperti kesederhanaan dan kemampuannya untuk menghasilkan aturan asosiasi yang kuat, ada beberapa kelemahan seperti efisiensi yang rendah karena melakukan banyak pemindaian database .
, konsumsi memori yang tinggi, redudansi kandidat .
, keterbatasan dalam dalam penanganan data sparsity.
Untuk mengatasi kelemahan-kelemahan tersebut, algoritma lain seperti FP-Growth (Frequent Pattern Growt.
FP-Growth menggunakan struktur data FP-Tree (Frequent Pattern Tre.
untuk menyimpan data dalam bentuk yang lebih terkompresi dan efisien, sehingga mengurangi kebutuhan untuk menghasilkan dan memeriksa banyak kandidat itemsets .
FP-Growth hanya memerlukan dua pemindaian database dan lebih efisien dalam hal penggunaan memori dan waktu komputasi .
Algoritma Apriori memerlukan pembuatan kandidat itemset untuk menentukan itemset yang sering muncul .
FP-Growth menggunakan struktur data FP-Tree yang lebih kompak dan tidak memerlukan pembuatan kandidat itemset secara berulangulang, sehingga lebih efektif dibandingkan algoritma Apriori, terutama pada dataset yang besar.
Namun.
Rekayasa Hijau Ae 298 Optimasi Bundling Produk Toko Roti berbasis Waktu menggunakan Algoritma FP-Growth untuk dataset yang sangat besar atau dengan pola item yang sangat beragam, penggunaan memori FPTree dapat menjadi tantangan .
Hal ini membuat kinerja algoritma FP-Growth lebih cepat jika dibandingkan dengan algoritma Apriori.
Penelitian ini bertujuan untuk menganalisis pola pembelian konsumen pada transaksi penjualan toko roti menggunakan algoritma FP-Growth.
Analisis dilakukan menggunakan data transaksi yang diambil dari sumber publik guna mengidentifikasi pola-pola pembelian yang signifikan dan memberikan rekomendasi yang praktis bagi toko roti dalam meningkatkan penjualan dan efisiensi operasional.
Dataset yang digunakan dalam penelitian ini diambil dari Kaggle.
Kaggle menyediakan berbagai set data publik yang dapat diakses secara bebas untuk tujuan penelitian dan analisis.
Set data yang dipilih berisi informasi transaksi penjualan di toko roti, termasuk item-item yang dibeli, jumlah transaksi, dan waktu pembelian.
Hasil dari penelitain ini diharapkan dapat memberikan informasi berharga tentang pasangan produk apa saja yang sering dibeli pelanggan berdasarkan histori transaksi.
Dengan adanya informasi ini diharapkan dapat menjadi rekomendasi toko roti untuk mengelola strategi pemasaran produk sehingga kedepannya dapat memberikan peningkatan pendapatan karena bisa menjual banyak produk sekaligus dalam sebuah bundling produk dan juga bisa mengetahui produk mana yang harus banyak diproduksi.
METODOLOGI
Penelitian ini terbagi kedalam 4 bagian utama yaitu pengumpulan data, pre-processing, modeling, dan interpretasi hasil.
Kerangka penelitian yang disajikan dalam diagram alir pada Gambar 1 ini menunjukkan proses penelitian yang akan dilalui serta menggambarkan keseluruhan penelitian.
Adapun Metodologi Penelitian atau tahapan yang akan dijalani yaitu:
Gambar 1.
Metodologi Penelitian 1 Pengumpulan Data Tahap pertama dalam penelitian ini yaitu pengumpulan data, pengumpulan data yang dilakukan dengan cara mengambil sebuah dataset transaksi toko roti milik The Bread Basket dari situs kaggle.
Data ini mencakup menu makanan dan minuman yang dipesan oleh konsumen dalam periode 30 Oktober 2016 sampai 04 September 2017 memiliki jumlah data sebanyak 20507 data dengan transaksi sebanyak Rekayasa Hijau Ae 299 Nur Fitrianti Fahrudin dkk 9465 data transaksi dan memiliki format csv.
Berikut pada Tabel 1 merupakan penjelasan atribut pada data transaksi toko roti.
Nama Atribut TransactionNo Items DateTime Tabel 1.
Atribut Data Transaksi Keterangan Merupakan nomor unik urutan untuk setiap transaksi pelanggan.
Merupakan nama dari produk yang dibeli oleh pelanggan.
Merupakan tanggal dan waktu saat transaksi dilakukan.
(DD/MM/y HH:MM) DayPart Merupakan bagian hari saat transaksi dilakukan.
(Afternoon/Evening/Morning/Nigh.
DayType Merupakan tipe hari saat transaksi dilakukan.
(Weekend/Weekda.
Total items yang terdapat didalam dataset adalah 93 item, yang terdiri dari minuman dan makanan.
2 Preprocessing Data preprocessing bertujuan untuk mempersiapakan data set agar dapat mudah dianalisis pada tahapan selanjutnya yaitu pemodelan .
Proses ini penting dilakukan karena data set sering kali belum memiliki format yang sesuai, berikut merupakan tahapan dari preprocessing data dalam penelitian ini :
Data Selection Pada tahap ini membagi data kedalam 8 dataset, dengan menggunakan atribut DayPart dan DayType sebagai acuan.
Atribut Day Part terdiri atas 4 yaitu: Morning.
Afternoon.
Evening.
Night dan untuk atribut Day Type terdapat 2 value yaitu: Weekend.
Weekday.
Dikarenakan penulis ingin memberikan rekomendasi pasangan produk makanan berdasarkan 8 waktu periode.
Sehingga nantinya toko dapat memberikan rekomendasi pasangan produk berdasarkan waktu terjadinya transaksi pembelian seperti yang ditunjukan oleh Tabel 2.
No.
Day Part Morning Morning Afternoon Afternoon Evening Evening Night Night Tabel 2.
Pembagian Dataset Day Type Jumlah Transaksi Weekday Weekend Weekday Weekend Weekday Weekend Weekday Weekend Total Keterangan Senin Ae Jumat, 07.
Sabtu Ae Minggu, 07.
00 Ae 11.
Senin Ae Jumat, 12.
00 Ae 16.
Sabtu Ae Minggu, 12.
00 Ae 16.
Senin Ae Jumat, 17.
00 Ae 20.
Sabtu Ae Minggu, 17.
00 Ae 20.
Senin Ae Jumat, 21.
00 Ae 23.
Sabtu Ae Minggu, 21.
00 Ae 23.
Pada Tabel 2 dapat dilihat untuk dataset nomor 7 yaitu transaksi yang terjadi pada hari senin- jumat pada 59 hanya terdapat 3 transaksi dan dataset nomor 8 yaitu transaksi yang terjadi pada hari sabtu-minggu pada pukul 21.
59 hanya terdapat 9 transaksi.
Berdasarkan hasil ini penulis memutuskan untuk tidak melakukan analisis asosiasi pada kedua dataset dikarenakan jumlah transaksi yang terjadi sangat minimum sekali.
Sehingga frequent item set yang ada tidak akan membentuk pola asosiasi yang kuat.
Pemilihan Atribut Data.
Tahapan selanjutnya adalah melakukan pemilihan atribut data.
Atribut yang tidak digunakan dalam proses pemodelan, akan diseleksi atau dihapus.
Sehingga hasil akhir yang tersisa hanya atribut Ae atribut Rekayasa Hijau Ae 300 Optimasi Bundling Produk Toko Roti berbasis Waktu menggunakan Algoritma FP-Growth yang digunakan untuk pemodelan saja.
Pada tahap ini hanya diperlukan atribut AoTransactionNoAo dan AoItemsAo saja karena yang dicari adalah pola asosisasi item berdasarkan transaksinya saja.
Transformasi Data Setelah atribut data dipilih, tahap berikutnya adalah proses transformasi data menggunakan Rapid Miner.
Transformasi data ini adalah proses mengubah data yang telah diseleksi, ke dalam bentuk yang sesuai dengan teknik pemodelan asosiasi.
Dalam proses transformasi data ini terdapat 3 tahap yaitu Aggregate.
Rename, dan Set Role.
3 Modelling Algoritma FP-Growth Tahap pemodelan asosiasi dengan menggunakan algoritma FP-Growth (Frequent Pattern Growt.
terdiri atas 8 langkah .
sebagai berikut :
Menentukan Minimum Support, penentuan nilai minimum support dan minimum confidence dalam data mining sering kali disesuaikan dengan kebutuhan spesifik dan sifat dataset yang digunakan.
Menurut Daniel T.
Larose dalam bukunya Data Mining Methods and Models .
, nilai-nilai ini dapat diatur berdasarkan tujuan analisis dan karakteristik dataset, seperti ukuran data dan distribusi frekuensi item.
Hal ini untuk memastikan pola yang ditemukan relevan dan dapat digunakan untuk pengambilan keputusan yang praktis.
Sebagai contoh, bila ingin menemukan data yang memiliki hubungan asosiasi yang kuat, minimum support dan minimum confidence bisa diberi nilai yang tinggi .
Sebaliknya, bila ingin melihat banyaknya variasi data tanpa terlalu memedulikan kuat atau tidaknya hubungan asosiasi antara datanya, nilai minimumnya dapat diisi rendah.
Jangan lupa juga untuk memperhatikan jumlah item yang tersedia dalam dataset dan jumlah transaksi yang ada.
Semakin banyak item yang ada, tentunya nilai support-nya akan menjadi kecil.
Mencari Frequent Itemset.
Setelah dilakukan tranformasi data masuk ke dalam algoritma FP Ae Growth langkah awal yang di lakukan adalah mencari frequent itemset atau mencari jumlah kemunculan item yang tersedia dalam seluruh transaksi.
Proses ini dilakukan agar selanjutnya dapat memodelkan FP Ae Tree.
Menghitung Nilai Support 1-itemset.
Setelah mendapatkan daftar menu item yang sering kali dibeli oleh pelanggan, maka langkah berikutnya adalah menghitung nilai support yang dimiliki oleh masing-masing item tersebut .
Sehingga nantinya dapat diurutkan berdasarkan nilai support yang terbesar, hingga nilai support yang terkecil.
Setelah melakukan proses penghitungan support dan melakukan pengurutan item berdasarkan support atau kemunculan yang terbesar ke yang Selanjutnya melakukan proses pengurutan item dalam TID berdasarkan setiap kemunculan Berikut adalah Persamaan 1 untuk menghitung nilai support .
ycAycAycAycAycAycAycAycAycAycA ycIycIycIycIycIycIycIycIycIycIycIycIycIycI .
cUycU) = yayayayayayayayayayaEa ycycycycycycycycycycycycycycycycycyc ycycycycycycycyc ycoycoycoycoycoycoycoycoycoycoycoycoycoycoycoycoycoycoycoyco ycUycU ycNycNycNycNycNycNycNycNycNycN ycNycNycNycNycNycNycNycNycNycNycNycNycNycNycNycNycNycN Pembentukan FP-Tree.
Setelah mendapatkan data berupa TID yang terurut dan memiliki nilai berdasarkan minimum support.
Langkah selanjutnya adalah pembentukan FP Ae Tree yang nantinya akan menghasilkan sebuah pola kombinasi .
Conditional Pattern Base.
Setelah proses pembentukan FP-Tree, langkah selanjutnya yaitu mengidentifikasi conditional pattern base.
Conditional pattern base ini, dicari berdasarkan data FPTree paling terakhir.
Conditional pattern base adalah sub-database yang berisi prefix path .
intasan prefi.
dan suffix pattern .
ola akhira.
FP-Tree yang telah dibangun sebelumnya digunakan untuk membangkitkan conditional pattern base .
Conditional FP-Tree, selanjutnya adalah melakukan pembentukan Conditional FP Ae Tree.
Tahap ini dilakukan dengan melakukan pemisahan dari itemset dengan pattern base yang sudah ada.
Pada tahap ini, support count dari setiap item pada setiap Conditional pattern base perlu dijumlahkan, selanjutnya setiap item yang memiliki jumlah support count lebih besar sama dengan minimum support count akan dibangkitkan dengan Conditional FP-Tree.
Rekayasa Hijau Ae 301 Nur Fitrianti Fahrudin dkk .
Menghitung Nilai Support dan Confidence, setelah mendapatkan hasil berupa subset yang memenuhi syarat, dari proses conditional FP-Tree maka untuk tahap selanjutnya adalah menghitung nilai minimum support dan minimum confidence yang telah ditentukan sebelumnya.
Berikut adalah Persamaan 2 untuk menghitung nilai confidence:
cUycU O ycUycU) = yayayayayayayayayayaEa ycycycycycycycycycycycycycycycycycyc ycycycycycycycyc ycoycoycoycoycoycoycoycoycoycoycoycoycoycoycoycoycoycoycoyco ycUycU yccyccyccyccyccycc ycUycU yayayayayayayayayayaEa ycycycycycycycycycycycycycycycycycyc ycycycycycycycyc ycoycoycoycoycoycoycoycoycoycoycoycoycoycoycoycoycoycoycoyco ycUycU Pembentukan Rules, pada tahapan ini menjelaskan hasil dari pemodelan yang dilakukan dengan menggunakan algoritma FP-Growth, informasi berupa hubungan antar dua itemset atau lebih dari data transaksi yang ada terbentuk sehingga dapat dilihat pola pembelian para pelanggan.
4 Lift Ratio Lift ratio adalah suatu ukuran untuk mengetahui kekuatan aturan asosisasi .
ssociation rul.
yang telah Nilai lift ratio biasanya digunakan sebagai penentu apakah aturan asosiasi valid atau tidak valid .
Cara kerja metode ini adalah membagi confidence dengan expected confidence .
Nilai dari expected confidence dapat dilihat pada Persamaan 3 berikut:
yayayayayayayayayayayayayayayaya yayayayayayayayayayayayayayayayayayayaya = yayayayayayayayayayaEa ycycycycycycycycycycycycycycycycycyc ycycycycycycycyc ycoycoycoycoycoycoycoycoycoycoycoycoycoycoycoycoycoycoycoyco ycUycU yayayayayayayayayayaEa ycycycycycycycycycycycycycycycycycyc Setelah mendapatkan nilai expected confidence, selanjutnya menentukan nilai lift ratio dari hasil bagi confidence dengan expected confidence.
Nilai dari lift ratio dapat dilihat pada Persamaan 4 berikut:
yayayayayayayaya ycIycIycIycIycIycIycIycIycIycI = yayayayayayayayayayayayayayayayayayayaya yayayayayayayayayayayayayayayaya yayayayayayayayayayayayayayayayayayayaya Jika Lift Ratio dari sebuah rules adalah < 1, maka kemunculan A dengan kemunculan B memiliki korelasi negatif dan dapat disebutkan bahwa jika penjualan item A meningkat, maka penjualan B menjadi menurun.
Jika Lift Ratio bernilai 1, maka kemunculan item A dan B bersifat independen dan tidak berkorelasi satu sama lain.
Sedangkan jika Lift Ratio bernilai > 1 maka korelasi antar item bernilai positif, sehingga apabila item A dan item B akan dibeli bersaman .
4 Interpretasi Hasil Pada tahapan ini aturan atau rule yang dihasilkan dari proses asosiasi dipilih.
Analisis berdasarkan nilai confident dan nilai support.
Dilakukan analisis aturan asosiasi yang ditemukan secara detail untuk memahami hubungan antar elemen dalam konteks bisnis.
Aturan yang memiliki confidence dan lift yang tinggi dipilih, karena cenderung lebih bermakna.
Implementasi ini dilakukan menggunakan aplikasi RapidMiner dengan desain proses yang dapat dilihat pada Gambar 2.
Gambar 2.
Tahapan Market Barket Analysis menggunakan Rapid Miner
Rekayasa Hijau Ae 302
Optimasi Bundling Produk Toko Roti berbasis Waktu menggunakan Algoritma FP-Growth
HASIL DAN PEMBAHASAN
1 Inisialisasi Nilai Minimum Support dan Confidence untuk setiap dataset Langkah awal melibatkan pengaturan nilai minimum support, yang berfungsi untuk menghitung semua itemset yang sering muncul dalam dataset, serta pengaturan nilai minimum confidence, yang berfungsi untuk menghasilkan aturan asosiasi dari himpunan itemset yang sering muncul.
Berikut pada Tabel 3 nilai yang dimasukkan ke dalam masing-masing dataset, setiap dataset memiliki nilai minimum support dan minimum confidence yang beragam tergantung banyaknya jumlah transaksi dalam dataset.
Tabel 3.
Jumlah Nilai Minimum Support Dan Minimum Confidence Sample Data No Jenis Data Minimum Support Minimum Confidence Morning Ae Weekday Morning Ae Weekend Afternoon Ae Weekday Afternoon Ae Weekend Evening Ae Weekday Evening Ae Weekend Perbedaan nilai minimum support dan nilai minimum confidence pada setiap dataset terjadi karena jumlah transaksi yang ada juga beragam.
2 Aturan Asosiasi untuk setiap Dataset .
Dataset AuMorning Ae WeekdayAy Untuk proses pengujian pertama, dilakukan dengan menggunakan data transaksi Morning Ae Weekday yaitu data pembelian pelanggan di hari senin - jumat ketika pagi hari pukul 07.
00 Ae 11.
Data Sample yang digunakan merupakan data Morning Ae Weekday.
Berisikan 5174 data dengan 2648 transaksi.
Untuk sample data tersebut terlampir pada Tabel 3.
TransactionNo Tabel 3.
Sample Data Morning - Weekday Items Coffee Cake Tartine Bread Coffee Bread Bread DateTime 31/10/2016 08.
31/10/2016 08.
31/10/2016 08.
31/10/2016 08.
31/10/2016 08.
31/10/2016 08.
31/10/2016 09.
Daypart Morning Morning Morning Morning Morning Morning Morning DayType Weekday Weekday Weekday Weekday Weekday Weekday Weekday Data kemudian dimodelkan menggunakan algoritma FP-Growth.
Setelah mendapatkan hasil berupa frequent itemset atau frequency pattern growth, maka langkah berikutnya adalah menampilkan hasil berupa aturan asosiasi yang telah memenuhi minimum support 3% dan minimum confidence 30% Berikut merupakan hasil association rules Morning Ae Weekday.
Rekayasa Hijau Ae 303 Nur Fitrianti Fahrudin dkk Table 4.
Hasil Association Rules transaksi Morning Ae Weekday No Premises Conclusion Support Confidence Lift Coviction Pastry Bread Tea Coffee 3 Medialuna Coffee Pastry Coffee Cake Coffee Cookies Coffee Toast Coffee Pada Tabel 4 dapat dilihat, hasil pembentukan association rules berjumlah 7 rules.
Berdasarkan hasil analisis penulis memilih rule nomor 7 yang memiliki nilai confidence yang paling tinggi yaitu 0.
dan juga nilai lift ratio lebih dari 1 yaitu 1.
Aturan nomor 7 Toast E Coffee dapat di uraikan menjadi jika pelanggan memesan Toast, maka pelanggan juga akan memesan Coffee dengan nilai 040 atau 4% dari semua transaksi dalam database mengandung kedua item dan nilai confidence .
718 atau 71% artinya dari semua transaksi yang mengandung toast, 71% juga mengandung coffee.
Ini menunjukkan seberapa besar kemungkinan coffee akan dibeli saat toast Nilai lift ratio 1.
356 yang menunjukkan bahwa aturan yang dihasilkan memiliki korelasi positif dengan kekuatan asosiasi atau keterkaitan yang tinggi .
Untuk meningkatkan pendapatan perusahaan, representasi pengetahuan yang dapat digunakan untuk memberikan rekomendasi produk kepada pelanggan melalui pemberian product bundling dengan menu Toast & Coffee pada waktu Morning Ae Weekday atau Senin Ae Jumat pukul 07.
00 Ae 11.
Dataset AuMorning Ae WeekendAy Pengujian kedua dilakukan dengan menggunakan data transaksi Morning Ae Weekend yaitu data pembelian pelanggan di hari sabtu dan minggu ketika pagi hari pukul 07.
00 Ae 11.
Berisikan 3230 data dengan 1455 transaksi.
Dapat dilihat pada Tabel 5 dalam proses pengujian data Morning Ae Weekday ini, dilakukan pemodelan dengan algoritma FP Ae Growth dengan memasukkan nilai minimal support 04 dan memasukkan nilai minimal confidence sebesar 0.
Sehingga didapatkan hasil association rules berjumlah 3 aturan.
Tabel 5.
Hasil Association Rules transaksi Morning Ae Weekend Premises Pastry Medialuna Hot Chocolate Conclusion Coffee Coffee Coffee Support Confidence Lift Coviction Berdasarkan hasil analisis maka dipilih aturan nomor 3 yaitu Hot chocolate E Coffee yang artinya Jika pelanggan memesan Hot Chocolate, maka pelanggan juga akan memesan Coffee dengan nilai support 4% dan nilai confidence .
62% dengan nilai lift ratio 1.
274 yang menunjukkan bahwa aturan yang dihasilkan memiliki korelasi positif dengan kekuatan asosiasi atau keterkaitan yang tinggi.
Untuk meningkatkan pendapatan perusahaan, representasi pengetahuan yang dapat digunakan untuk memberikan rekomendasi produk kepada pelanggan melalui pemberian product bundling dengan menu Hot Chocolate & Coffee pada waktu Morning Ae Weekend atau Sabtu Ae Minggu pukul 07.
00 Ae 11.
Rekayasa Hijau Ae 304 Optimasi Bundling Produk Toko Roti berbasis Waktu menggunakan Algoritma FP-Growth .
Dataset AuAfternoon Ae WeekdayAy Untuk proses pengujian ketiga, dilakukan dengan menggunakan data Afternoon Ae Weekday yaitu data pembelian konsumen di hari Senin - Jumat ketika siang hari pukul 12.
00 Ae 16.
Dataset memiliki 7273 data dengan 3325 transaksi.
Dapat dilihat pada Tabel 6 dalam proses pengujian data Afternoon Ae Weekday ini, dilakukan perhitungan dengan algoritma FP Ae Growth dengan memasukkan nilai minimal support sebesar 0.
06 dan memasukkan nilai minimal confidence sebesar 0.
Sehingga akan mendapatkan hasil association rules berjumlah 2 rules.
Tabel 6.
Hasil Association Rules Afternoon Ae Weekday Premises Sandwich Cake Conclusion Coffee Coffee Support Confidence Lift Coviction Berdasarkan hasil analisis maka dipilih aturan nomor 3 yaitu Hot chocolate E Coffee yang artinya Jika pelanggan memesan Cake, maka pelanggan juga akan memesan Coffee dengan nilai support 66% dan nilai confidence .
52% dengan nilai lift ratio 1.
152 yang menunjukkan bahwa aturan yang dihasilkan memiliki korelasi positif dengan kekuatan asosiasi atau keterkaitan yang tinggi.
Untuk meningkatkan pendapatan perusahaan, representasi pengetahuan yang dapat digunakan untuk memberikan rekomendasi produk kepada pelanggan melalui pemberian product bundling dengan menu Cake & Coffee pada waktu Afternoon Ae Weekday atau Senin Ae Jumat pukul 12.
00 Ae 16.
Dataset AuAfternoon Ae WeekendAy Untuk proses pengujian ke-empat, dilakukan dengan menggunakan data Afternoon Ae Weekend yaitu data pembelian konsumen di hari Sabtu Ae Minggu ketika siang hari pukul 12.
00 Ae 16.
Dataset memiliki 4296 data dengan 1764 transaksi.
Berdasarkan Tabel 7 dalam proses pengujian data Afternoon Ae Weekend ini, dilakukan perhitungan dengan algoritma FP Ae Growth dengan memasukkan nilai minimal support sebesar 0.
05 dan memasukkan nilai minimal confidence sebesar 0.
Sehingga akan mendapatkan hasil association rules berjumlah 2 rules.
Tabel 7.
Hasil Association Rules Afternoon Ae Weekend Premises Cake Sandwich Conclusion Coffee Coffee Support Confidence Lift Coviction Berdasarkan hasil analisis maka dipilih aturan nomor 2 yaitu Sandwich E Coffee yang artinya Jika pelanggan memesan Sandwich, maka pelanggan juga akan memesan Coffee dengan nilai support 64% dan nilai confidence .
59% dengan nilai lift ratio 1.
277 yang menunjukkan bahwa rule ini memiliki korelasi positif dengan kekuatan asosiasi yang tinggi.
Untuk meningkatkan pendapatan perusahaan, representasi pengetahuan yang dapat digunakan untuk memberikan rekomendasi produk kepada pelanggan melalui pemberian product bundling dengan menu Sandwich & Coffee pada waktu Afternoon Ae Weekend atau hari Sabtu Ae Minggu pukul 12.
00 Ae 16.
Dataset AuEvening Ae WeekdayAy Untuk proses pengujian ke-lima, dilakukan dengan menggunakan data Evening Ae Weekday yaitu data pembelian konsumen di hari Senin - Jumat ketika sore hari pukul 17.
00 Ae 20.
Dataset memiliki 356 data dengan 169 transaksi.
Berdasarkan Tabel 8, dalam proses pengujian data Evening Ae Weekday ini, dilakukan perhitungan dengan algoritma FP Ae Growth dengan memasukkan nilai minimal support Rekayasa Hijau Ae 305 Nur Fitrianti Fahrudin dkk 02 dan memasukkan nilai minimal confidence sebesar 0.
Sehingga akan mendapatkan hasil association rules berjumlah 5 rules.
Tabel 8.
Hasil Association Rules Evening Ae Weekday Premises Hot Chocolate Cake Alfajores Juice Pastry Conclusion Coffee Coffee Coffee Coffee Tea Support Confidence Lift Coviction Berdasarkan hasil analisis maka dipilih aturan nomor 5 yaitu Pastry E Tea yang artinya Jika pelanggan memesan Pastry, maka pelanggan juga akan memesan Teh dengan nilai support 30% dan nilai confidence .
62% dengan nilai lift ratio 2.
780 yang menunjukkan bahwa aturan yang dihasilkan memiliki korelasi positif dengan kekuatan asosiasi atau keterkaitan yang tinggi.
Untuk meningkatkan pendapatan perusahaan, representasi pengetahuan yang dapat digunakan untuk memberikan rekomendasi produk kepada pelanggan melalui pemberian product bundling dengan menu Pastry & Tea pada waktu Evening Ae Weekday atau Senin Ae Jumat pukul 17.
00 Ae 20.
Dataset AuEvening Ae WeekendAy Untuk proses pengujian ke-enam, dilakukan dengan menggunakan data Evening Ae Weekend yaitu data pembelian konsumen di hari Sabtu - Minggu ketika sore hari pukul 17.
00 Ae 20.
Dataset memiliki 164 data dengan 92 transaksi.
Berdasarkan Tabel 9 proses pengujian data Evening Ae Weekend ini, dilakukan perhitungan dengan algoritma FP Ae Growth dengan memasukkan nilai minimal support sebesar 0.
dan memasukkan nilai minimal confidence sebesar 0.
Tabel 9.
Hasil Association Rules Evening Ae Weekend Premises Postcard Conclusion Tshirt Support Confidence Lift Coviction Berdasarkan hasil analisis maka dipilih aturan nomor 3 yaitu Postcard E Tshirt yang artinya Jika pelanggan membeli Postcard, maka pelanggan juga akan membeli T-Shirt dengan nilai support 65% dan nilai confidence .
60% dengan nilai lift ratio 2.
629 yang menunjukkan bahwa aturan yang dihasilkan memiliki korelasi positif dengan kekuatan asosiasi atau keterkaitan yang tinggi.
Untuk meningkatkan pendapatan perusahaan, representasi pengetahuan yang dapat digunakan untuk memberikan rekomendasi produk kepada pelanggan melalui pemberian product bundling dengan produk Postcard & T-Shirt pada waktu Evening Ae Weekend atau Sabtu Ae Minggu pukul 17.
00 Ae 20.
KESIMPULAN
Berdasarkan data dan hasil penelitian dapat diambil kesimpulan bahwa data mining dengan teknik asosiasi menggunakan algoritma FP-Growth dapat memberikan pengetahuan dari sekumpulan data transaksi pelanggan toko roti dengan memperlihatkan hubungan antara kombinasi item Ae item yang ada.
Adapun aturan asosiasi yang dihasilkan untuk setiap jenis dataset adalah sebagai berikut:
Morning Ae Weekday, jika memesan Toast maka akan memesan Coffee dengan nilai support 040 .
%) dan nilai confidence 0.
%).
Morning Ae Weekend, jika memesan Hot Chocolate maka akan memesan Coffee dengan nilai 042 .
%) dan nilai confidence 0.
Rekayasa Hijau Ae 306 Optimasi Bundling Produk Toko Roti berbasis Waktu menggunakan Algoritma FP-Growth Afternoon Ae Weekday, jika memesan Cake maka akan memesan Coffee dengan nilai support 066 .
%) dan nilai confidence 0.
%).
Afternoon Ae Weekend, jika memesan Sandwich maka akan memesan Coffee dengan nilai 064 .
%) dan nilai confidence 0.
%).
Evening Ae Weekday, jika memesan Pastry maka akan memesan Coffee dengan nilai support 066 .
%) dan nilai confidence 0.
%).
Evening Ae Weekend, jika membeli Postcard maka akan membeli Tshirt dengan nilai support 065 .
%) dan nilai confidence 0.
%).
Untuk semua rules yang di pilih memiliki nilai lift ratio lebih dari 1 yang menunjukkan adanya korelasi dan manfaat dari rules tersebut.
Adapun hasil aturan yang di dapat berdasarkan percobaan yang telah dilakukan menggunakan minimum support dan minimum confidence yang berbeda tentunya menghasilkan jumlah aturan asosiasi yang berbeda.
Dalam rangka menampilkan aturan asosiasi yang kuat tentunya nilai minimum support dan nilai minimum confidence sangat berpengaruh, semakin tinggi maka hasil aturan asosiasi yang dibentuk akan semakin sedikit dan memiliki hubungan asosiasi yang Dengan membagi dataset pelanggan berdasarkan waktu pembelian, diketahui bahwa pola pembelian pada waktu tertentu ini berbeda beda.
Hal ini dapat memberikan wawasan tentang preferensi konsumen dan kebiasaan belanja mereka.
Dengan memanfaatkan algoritma FP-Growth, proses analisis data transaksi dapat dilakukan secara efisien untuk mengidentifikasi pola asosiasi antar produk, sehingga dapat mengoptimalkan bundling produk yang lebih tepat sasaran.
DAFTAR PUSTAKA