BULLETIN OF COMPUTER SCIENCE RESEARCH
ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1139-1147 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
Prediksi Jumlah Kebutuhan Biji Kopi Berdasarkan Pola Konsumsi Konsumen dengan Algoritma Apriori Ridwan Sutri.
Billy Hendrik.
Rini Sovia* Fakultas Teknologi Informasi.
Magister Teknik Informatika.
Universitas Putra Indonesia YPTK Padang.
Padang.
Indonesia Email: 1ridwansutri24@gmail.
com, 2billy_hendrik@upiyptk.
id, 3,*rini_sovia@upiyptk.
Email Penulis Korespondensi: rini_sovia@upiyptk.
AbstrakOePrediksi biji kopi diperlukan untuk pengelolaan inventaris yang optimal agar efisiensi terjaga.
Pengelompokan data ini diambil dari pola konsumsi belanja pelanggan.
Berdasarkan penelitian bertujuan untuk memprediksi jumlah kebutuhan biji kopi berdasarkan pola konsumsi konsumen dengan menerapkan algoritma Apriori.
Pemanfaatan data transaksi yang diolah dapat memberikan langkah apa yang harus diambil untuk kedepannya.
Berdasarkan hal tersebut maka penelitian ini bertujuan untuk prediksi jumlah kebutuhan biji kopi berdasarkan pola konsumsi konsumen dengan algoritma Apriori.
Algoritma Apriori membentuk aturan asosiasi berdasarkan kombinasi indikator data yang digunakan.
Indikator data ini bersumber dari Freehand Coffee.
Berdasarkan penggunaan algoritma Apriori dalam memprediksi kebutuhan biji kopi berdasarkan pola konsumsi konsumen didapati hasil bahwa algoritma Apriori mampu memberikan rekomendasi produk dalam bentuk asosiasif atau pola transaksi konsumen dengan cara mengumpulkan data transaksi lalu dengan eksperimen indikator data yang sudah ada.
Kontribusi penelitian ini dapat membantu Freehand Coffee untuk memperkirakan kebutuhan biji kopi dan pengoptimalan manajemen stok, penelitian ini juga membantu dalam pemilihan minuman berdasarkan konsumsi konsumen.
Kata Kunci: Prediksi.
Biji Kopi.
Data Mining.
Algoritma Apriori.
Pola Konsumsi AbstractOeCoffee bean prediction is needed for optimal inventory management to maintain efficiency.
This data grouping is taken from customer shopping consumption patterns.
Based on the research aims to predict the amount of coffee bean needs based on consumer consumption patterns by applying the Apriori algorithm.
Utilization of processed transaction data can provide what steps should be taken in the future.
Based on this, this study aims to predict the amount of coffee bean needs based on consumer consumption patterns with the Apriori algorithm.
The Apriori algorithm forms association rules based on a combination of data indicators used.
These data indicators are sourced from Freehand Coffee.
Based on the use of the Apriori algorithm in predicting coffee bean needs based on consumer consumption patterns, the results showed that the Apriori algorithm is able to provide product recommendations in the form of associative or consumer transaction patterns by collecting transaction data and then experimenting with existing data indicators.
The contribution of this research can help Freehand Coffee to estimate coffee bean needs and optimize stock management, this research also helps in selecting drinks based on consumer consumption.
Keywords: Prediction.
Coffee Beans.
Data Mining.
Apriori Algorithm.
Consumption Patterns PENDAHULUAN Perkembangan industri kopi di Indonesia mengalami pertumbuhan pesat, terutama dengan semakin banyaknya kedai kopi yang bermunculan, salah satunya adalah Freehand Coffee .
Keberadaan kedai kopi sebagai fenomena kultural yang hidup dikalangan remaja telah menjadi sarana publik untuk berinteraksi dan berdiskusi yang terus berkembang menjadi tempat berkumpulnya kalangan remaja dalam melakukan aktivitas kesehariannya dengan latar belakang pengguna yang begitu beragam .
Namun, eksistensi kemunculan kedai kopi saat ini bukan hanya sekedar tempat bagi penikmat kopi saja, akan tetapi sebagai memiliki fungsi beragam mulai dari sebagai tempat nongkrong, tempat menyantap makanan dan minuman, tempat berkumpul dengan kerabat dan sahabat, tempat berdiskusi dan bersendu gurau dalam diskusi ringan, penyelesaian urusan kerja atau bisnis yang tidak bisa diselesaikan di kantor, dan beragam aktivitas lainnya .
Namun, masih jarang penelitian yang mengkaji bagaimana pola konsumsi konsumen dapat digunakan sebagai dasar dalam prediksi kebutuhan stok biji kopi menggunakan pendekatan analisis data.
Padahal, pengelolaan inventaris bahan baku seperti biji kopi merupakan faktor penting dalam menjaga kelancaran operasional kedai kopi.
Kekurangan stok dapat menghambat pelayanan, sementara kelebihan stok dapat menyebabkan kerugian akibat bahan baku yang tidak terpakai.
Dalam menentukan biji kopi yang paling diminati di Roastery Warkop Langgano.
Penelitian ini menunjukkan bahwa Apriori tidak hanya efektif untuk pola bundling, tetapi juga mampu menyoroti preferensi konsumen terhadap jenis biji kopi tertentu, yang dekat dengan tujuan tesis untuk prediksi kebutuhan biji kopi .
Bukti bahwa pemanfaatan algoritma Data Mining seperti Apriori tidak hanya relevan dalam sektor retail berskala besar, tetapi juga sangat aplikatif pada bisnis F&B seperti coffee shop yang memiliki dinamika permintaan yang cepat berubah .
Analisis pola pembelian konsumen melalui algoritma Apriori tidak hanya membantu dalam memahami preferensi pelanggan, tetapi juga mendukung pihak manajemen dalam merancang strategi pemasaran yang lebih efektif dan berbasis data.
Implementasi dari konsep data mining dapat menyelesaikan masalah memprediksi jumlah kebutuhan biji kopi berdasarkan pola konsumsi konsumen .
Penerapan algoritma Apriori memungkinkan identifikasi hubungan antarproduk yang sering dibeli bersamaan, sehingga strategi pengadaan stok dapat lebih tepat sasaran .
Dengan analisis ini, manajemen dapat mengantisipasi fluktuasi permintaan dan mengurangi risiko pemborosan bahan baku .
Selain itu, pola pembelian yang terdeteksi dapat dimanfaatkan untuk perancangan promosi atau bundling menu yang sesuai preferensi pelanggan .
Metode yang digunakan adalah algoritma Apriori yang sangat populer di data mining.
Algoritma ini bekerja dengan mencari frequent itemset pada data transaksi dan membentuk aturan asosiasi berdasarkan nilai support dan Copyright A 2025 The Author.
Page 1139 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1139-1147 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
Keunggulan metode ini adalah kemampuannya mengungkap pola pembelian yang tersembunyi secara sederhana namun efektif, sehingga mudah diinterpretasikan untuk pengambilan keputusan bisnis .
Riwayat penelitian terdahulu menunjukkan bahwa penerapan algoritma Apriori berhasil menghasilkan aturan asosiasi utama berupa kombinasi Robusta Dampit dan Arabica Wonosalam dengan nilai support sebesar 50% dan confidence mencapai 100%.
Artinya, setengah dari total transaksi melibatkan pembelian kedua jenis biji kopi tersebut secara bersamaan, dan setiap pembelian Robusta Dampit selalu diikuti oleh pembelian Arabica Wonosalam .
Selain itu, ditemukan pula kombinasi lain yang signifikan, seperti Robusta Dampit dengan Hoseblend, serta Arabica Wonosalam dengan Hoseblend, yang memiliki nilai support antara 66,6% hingga 83,3% dan confidence minimal 80%.
Hasil ini mengindikasikan adanya pola preferensi konsumen yang kuat terhadap pasangan jenis biji kopi tertentu, yang dapat dimanfaatkan untuk pengaturan stok, strategi pemasaran, maupun pengembangan paket promosi berbasis bundling .
Riwayat penelitian menunjukkan Penelitian yang dilakukan di Anak Panah Coffee.
Salatiga, bertujuan untuk menganalisis pola pembelian konsumen guna mendukung strategi pemasaran yang lebih tepat sasaran .
Menggunakan algoritma Apriori pada data transaksi lapangan, analisis dilakukan dengan parameter minimum support sebesar 30% dan confidence minimal 60%.
Hasil penelitian menemukan dua aturan asosiasi utama, yaitu apabila konsumen membeli Sunny Go Coffee, maka kemungkinan besar juga akan membeli Mushroom Crispy dengan nilai support sebesar 50% dan confidence sebesar 56%, serta apabila konsumen membeli Mushroom Crispy, maka kemungkinan besar juga akan membeli Sunny Go Coffee dengan nilai support sebesar 50% dan confidence sebesar 71% .
Berdasarkan penjelasan sebelumnya, maka penelitian ini akan melakukan prediksi kebutuhan biji kopi berdasarkan pola konsumsi konsumen menggunakan algoritma Apriori .
Proses analisis dikembangkan dengan memanfaatkan data transaksi penjualan Freehand Coffee yang memuat informasi penting seperti jenis minuman, jumlah pembelian, serta frekuensi pemesanan .
Data tersebut diolah melalui tahapan pre-processing untuk memastikan kualitas dan konsistensinya sebelum diterapkan ke algoritma Apriori .
Hasil yang diharapkan tidak hanya berupa prediksi jumlah kebutuhan biji kopi yang akurat, tetapi juga rekomendasi praktis bagi manajemen dalam mengelola persediaan secara optimal, mengurangi risiko kelebihan maupun kekurangan stok, serta meningkatkan efisiensi operasional .
Dengan demikian, penelitian ini diharapkan dapat memberikan kontribusi nyata dalam penerapan teknologi data mining di Freehand Coffee.
METODOLOGI PENELITIAN
Penelitian ini bertujuan untuk menerapkan algoritma Apriori, salah satu metode data mining yang banyak digunakan dalam analisis pola asosiasi, untuk memprediksi jumlah kebutuhan biji kopi pada Freehand Coffee.
Pemilihan algoritma Apriori didasarkan pada keunggulannya dalam menemukan pola hubungan antar item dalam data transaksi yang besar, sehingga dapat membantu pihak manajemen dalam pengambilan keputusan strategis, khususnya dalam mengelola stok bahan baku agar sesuai dengan pola konsumsi konsumen.
Dalam konteks penelitian ini.
Apriori dipilih karena memiliki kemampuan untuk menemukan pola keterkaitan antara jenis biji kopi dengan menu yang dipesan konsumen.
Dengan demikian, hasil analisis dapat digunakan sebagai dasar untuk memprediksi kebutuhan stok bahan baku, sehingga membantu manajemen dalam merencanakan inventaris secara lebih tepat dan efisien .
Kerangka kerja dalam penelitian ini merupakan alur sistematis yang dirancang untuk mencapai tujuan penelitian, yaitu memprediksi kebutuhan biji kopi di Freehand Coffee menggunakan algoritma Apriori.
Kerangka kerja ini menggambarkan tahapan-tahapan penting yang dimulai dari pengumpulan data, pra-pemrosesan data, hingga analisa data untuk menghasilkan rekomendasi yang dapat digunakan oleh manajemen dalam perencanaan stok.
Dapat dilihat pada Gambar 1.
Gambar 1.
Tahapan Penelitian Gambar 1 menjelaskan alur kerja sistem prediksi kebutuhan biji kopi dengan menggunakan algoritma Apriori.
Langkahlangkah nya dijelaskan sebagai berikut :
Copyright A 2025 The Author.
Page 1140 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1139-1147 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
Prosesnya dimulai dari tahap Analisa Data, yaitu tahap awal untuk memahami data penjualan dan pola konsumsi yang Setelah itu dilakukan Pra-pemrosesan Data yang terdiri dari tiga langkah penting :
Pembersihan Data (Data Cleanin.
Pada tahap ini, dilakukan penghapusan data duplikat, perbaikan data yang tidak konsisten, serta penanganan missing values pada atribut transaksi.
Misalnya, jika terdapat transaksi dengan kode yang tidak lengkap atau jenis produk yang kosong, maka data tersebut diperbaiki atau dihapus agar tidak mempengaruhi hasil analisis.
Seleksi Data (Data Selectio.
Dari keseluruhan data penjualan, hanya atribut yang relevan dengan analisis prediksi kebutuhan biji kopi yang Atribut yang digunakan meliputi kode transaksi, jenis biji kopi, jumlah pembelian, dan tanggal transaksi.
Data di luar lingkup tersebut tidak disertakan untuk mengurangi kompleksitas dan fokus pada informasi yang Transformasi Data (Data Transformatio.
Data transaksi kemudian diubah ke dalam format yang dapat diproses oleh algoritma Apriori, seperti mengonversi setiap transaksi menjadi bentuk biner .
inary matri.
Dalam format ini, nilai 1 menandakan bahwa suatu produk dibeli dalam transaksi tersebut, sedangkan nilai 0 menandakan sebaliknya.
Proses ini memungkinkan algoritma untuk lebih mudah mengidentifikasi frequent itemset dan membentuk association rules.
Tahap berikutnya adalah Prediksi Biji Kopi, yang dilakukan dengan Algoritma Apriori.
Dalam tahap ini terdapat tiga proses inti :
Menentukan Frequent Itemset : Mengidentifikasi kombinasi item yang sering dibeli bersamaan.
Menentukan Support dan Confidence : Mengukur seberapa sering kombinasi tersebut terjadi .
yang digunakan 40% dan seberapa kuat hubungan antar item .
yang digunakan 70%.
Association Rules : Membentuk aturan asosiasi yang dapat digunakan untuk memprediksi pola pembelian di masa Hasil dari penerapan algoritma kemudian melalui tahap pengujian untuk mengevaluasi tingkat akurasi, efektivitas, dan reliabilitas model.
Pengujian ini memastikan bahwa model yang dibangun mampu memberikan prediksi yang sesuai dengan kondisi nyata.
Tahap terakhir adalah hasil, yang berisi temuan akhir dari analisis dan prediksi, sehingga dapat dimanfaatkan untuk mendukung pengambilan keputusan strategis, seperti pengelolaan persediaan biji kopi dan perencanaan pembelian bahan baku secara lebih optimal.
HASIL DAN PEMBAHASAN
Berdasarkan hasil implementasi sistem, penerapan algoritma Apriori terbukti mampu mengidentifikasi pola pembelian konsumen melalui pembentukan association rules yang menggambarkan keterkaitan antar produk berdasarkan nilai support dan confidence yang telah ditentukan.
Proses ini diawali dengan pencarian frequent itemset, dilanjutkan dengan perhitungan support untuk mengukur tingkat kemunculan kombinasi produk, serta confidence untuk menentukan kekuatan hubungan antar item.
Hasil analisis menunjukkan adanya kombinasi jenis minuman yang memiliki hubungan pembelian yang kuat, sehingga dapat dimanfaatkan untuk perencanaan stok biji kopi dan strategi pemasaran.
Dengan langkah-langkah tersebut, sistem mampu mengungkap pola transaksi yang konsisten dan relevan, memberikan rekomendasi pengadaan bahan baku yang lebih tepat sasaran, serta membantu manajemen dalam menyusun strategi bundling atau promosi berbasis data historis penjualan.
1 Analisa Data Data penelitian merupakan informasi yang didapat dari proses pengumpulan data transaksi di Freehand Coffee yang akan digunakan untuk melakukan uji coba algoritma Apriori.
Tabel 1.
Data Penelitian A Invoice INV-7EC4307A
INV-E8513645
INV-A869D24E
INV-C5933220
INV-DA217DEB
INV-B07BECFB
INV-0A4B9851
INV-779321EF
INV-EF9D897C
INV-EB4E2C6E
INV-4D79185C
Kode Transaksi
TRX-0043
TRX-0142
TRX-0347
TRX-0387
TRX-0049
TRX-0167
TRX-0303
TRX-0393
TRX-0086
TRX-0083
TRX-0048
Jenis Item americano, kopi susu, latte americano, kopi susu, latte kopi susu americano, kopi susu, latte kopi susu americano, kopi susu americano, kopi susu, latte kopi susu americano, kopi susu, latte americano, latte A americano, kopi susu, latte Copyright A 2025 The Author.
Page 1141 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1139-1147 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
Invoice INV-A3f4A1
INV-B62F7FF9
INV-0B7B42EC
INV-5CCBCA24
INV-6622A8C8
INV-26e8A2
INV-A7D408B0
INV-E7B177D2
INV-98E524E4
Kode Transaksi
TRX-0012
TRX-0381
TRX-0386
TRX-0007
TRX-0261
TRX-0173
TRX-0013
TRX-0378
TRX-0344
Jenis Item americano, kopi susu, latte americano, kopi susu, latte americano, kopi susu, latte americano, kopi susu, latte americano, kopi susu, latte americano, kopi susu kopi susu, latte Tabel 1 data penelitian yang digunakan dalam studi ini berasal dari tempat penelitian yang digunakan untuk menentukan Freequent 1-Itemset.
Freequent 2-Itemset.
Freequent 3-Itemset, dan Association Rules.
Variabel yang digunakan terdiri dari Invoice.
Kode Transaksi, dan Jenis Item.
2 Pra-Premprosesan Data Melalui rangkaian tahap pra-pemrosesan ini, data transaksi yang pada awalnya bersifat bervariasi, tersebar, dan tidak terstruktur berhasil diubah menjadi kumpulan data yang bersih, konsisten, serta terstandarisasi.
Proses pembersihan dan penyeragaman format ini memastikan bahwa setiap elemen data memiliki kejelasan dan keterbacaan yang baik, sehingga meminimalkan kemungkinan terjadinya noise atau bias dalam proses analisis.
Dengan kualitas data yang lebih terjamin, algoritma Apriori dapat bekerja secara optimal dalam mengidentifikasi frequent itemset serta membentuk aturan asosiasi yang akurat dan relevan dengan pola pembelian konsumen.
Sebelum dilakukan analisis menggunakan algoritma Apriori, data transaksi penjualan Freehand Coffee terlebih dahulu disajikan dalam bentuk tabel biner.
Tabel ini berisi informasi mengenai nomor transaksi, kode invoice, kode transaksi, serta item kopi yang dibeli pelanggan.
Format biner digunakan untuk menunjukkan apakah suatu item dibeli .
itandai dengan angka .
atau tidak dibeli .
itandai dengan angka .
Data yang sudah dilakukan pra-premprosesan data akan diperlihatkan pada Tabel 2.
Tabel 2.
Tabel Pra-Pemprosesan Data
Invoice INV-7EC4307A
INV-E8513645
INV-A869D24E
INV-C5933220
INV-DA217DEB
INV-B07BECFB
INV-0A4B9851
INV-779321EF
INV-EF9D897C
INV-EB4E2C6E
INV-4D79185C
INV-A3f4A1
INV-B62F7FF9
INV-0B7B42EC
INV-5CCBCA24
INV-6622A8C8
INV-26e8A2
INV-A7D408B0
INV-E7B177D2
INV-98E524E4
Kode Transaksi
TRX-0043
TRX-0142
TRX-0347
TRX-0387
TRX-0049
TRX-0167
TRX-0303
TRX-0393
TRX-0086
TRX-0083
TRX-0048
TRX-0012
TRX-0381
TRX-0386
TRX-0007
TRX-0261
TRX-0173
TRX-0013
TRX-0378
TRX-0344
Americano Kopi Susu Latte A Tabel 1 menunjukkan data transaksi penjualan kopi selama periode penelitian.
Dari tabel tersebut terlihat bahwa dalam satu transaksi, pelanggan dapat membeli lebih dari satu jenis kopi sekaligus.
Misalnya, pada transaksi nomor 1 (INV-7EC4307A.
TRX-0.
, pelanggan membeli tiga jenis kopi sekaligus yaitu Americano.
Kopi Susu, dan Latte.
Sementara pada transaksi nomor 3 (INV-A869D24E.
TRX-0.
, pelanggan hanya membeli satu jenis kopi yaitu Kopi Susu.
Data biner ini kemudian diproses menggunakan algoritma Apriori untuk menemukan pola keterkaitan antar menu kopi berdasarkan frekuensi kemunculannya.
3 Prediksi Biji Kopi.
Menggunakan Algoritma Apriori Berdasarkan hasil penerapan algoritma Apriori pada data transaksi penjualan Freehand Coffee, diperoleh sekumpulan aturan asosiasi .
ssociation rule.
yang merepresentasikan keterkaitan antarproduk dalam dataset.
Proses analisis diawali dengan pencarian frequent itemset berdasarkan nilai minimum support yang telah ditentukan, untuk mengidentifikasi Copyright A 2025 The Author.
Page 1142 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1139-1147 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
kombinasi item yang sering muncul bersama dalam transaksi.
Itemset yang memenuhi ambang batas support tersebut kemudian diproses lebih lanjut untuk menghitung nilai confidence, sehingga dapat diketahui tingkat kekuatan hubungan antar item.
Aturan asosiasi yang dihasilkan inilah yang menjadi dasar dalam memprediksi pola pembelian konsumen dan membantu perencanaan kebutuhan biji kopi secara lebih akurat.
1 Frequent 1-Itemset Analisis frequent 1-itemset juga dilakukan secara lebih rinci berdasarkan data transaksi penjualan per bulan.
Perhitungan dilakukan dengan menggunakan nilai minimum support sebesar 40% dan minimum confidence sebesar 70%.
Hasil perhitungan untuk setiap itemset pada periode Januari hingga Desember dapat dilihat pada Tabel 3 berikut.
Tabel 3.
Hasil Frequent 1-Itemset
Bulan Januari Februari Maret
April
Mei
Juni
Juli
Agustus
September Oktober
November Desember Itemset
Americano
Kopi Susu
Latte Americano
Kopi Susu
Latte Americano
Kopi Susu
Latte Americano
Kopi Susu
Latte Americano
Kopi Susu
Latte Americano
Kopi Susu
Latte Americano
Kopi Susu
Latte Americano
Kopi Susu
Latte Americano
Kopi Susu
Latte Americano
Kopi Susu
Latte Americano
Kopi Susu
Latte Americano
Kopi Susu
Latte Jumlah Itemset
Support (%) 71,0% 68,0% 72,0% 69,7% 67,5% 72,8% 71,0% 68,0% 58,3% 62,0% 64,8% 64,1% 71,3% 69,2% 67,5% 74,0% 71,5% 68,4% 66,0% 67,2% 72,1% 72,1% 68,5% 72,6% 68,1% 66,9% 72,3% 72,6% 71,5% 71,5%
70,7%
72,3%
70,5%
73,1%
72,0%
72,0%
Berdasarkan Tabel 3, dapat dilihat bahwa ketiga itemset (Americano.
Kopi Susu, dan Latt.
secara konsisten memenuhi nilai minimum support Ou 40% hampir di setiap bulan.
Nilai support tertinggi ditunjukkan pada bulan Juni untuk Americano sebesar 74,0%, sedangkan nilai terendah terdapat pada Latte bulan Maret sebesar 58,3%.
Secara umum, tren ini menunjukkan bahwa Americano.
Kopi Susu, dan Latte merupakan produk yang stabil dalam penjualan bulanan dan berpotensi kuat untuk dijadikan dasar dalam pembentukan frequent itemset tingkat selanjutnya .
-itemset dan 3itemse.
2 Frequent 2-Itemset Analisis frequent 2-itemset dilakukan untuk menemukan kombinasi dua produk yang sering muncul secara bersamaan dalam transaksi penjualan.
Sama seperti tahap sebelumnya, perhitungan dilakukan dengan menggunakan nilai minimum support sebesar 40% dan confidence 70%.
Hasil analisis frequent 2-itemset dari bulan Januari hingga Desember dapat dilihat pada Tabel 4.
Copyright A 2025 The Author.
Page 1143 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1139-1147 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
Tabel 4.
Hasil Frequent 1-Itemset Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember 2 Itemset Latte.
Americano Americano.
Latte Kopi Susu.
Americano Kopi Susu.
Latte Latte.
Americano Americano.
Latte Kopi Susu.
Americano Kopi Susu.
Latte Latte.
Americano Americano.
Latte Kopi Susu.
Americano Kopi Susu.
Latte Latte.
Americano Americano.
Latte Kopi Susu.
Americano Kopi Susu.
Latte Latte.
Americano Americano.
Latte Kopi Susu.
Americano Kopi Susu.
Latte Latte.
Americano Americano.
Latte Kopi Susu.
Americano Kopi Susu.
Latte Latte.
Americano Americano.
Latte Kopi Susu.
Americano Kopi Susu.
Latte Latte.
Americano Americano.
Latte Kopi Susu.
Americano Kopi Susu.
Latte Latte.
Americano Americano.
Latte Kopi Susu.
Americano Kopi Susu.
Latte Latte.
Americano Americano.
Latte Kopi Susu.
Americano Kopi Susu.
Latte Latte.
Americano Americano.
Latte Kopi Susu.
Americano Kopi Susu.
Latte Latte.
Americano Americano.
Latte Kopi Susu.
Americano Kopi Susu.
Latte Jumlah Itemset
Support (%) 52,8% 52,8% 49,0% 49,0% 51,7% 51,7% 48,9% 48,9% 52,8% 52,8% 49,0% 49,0% 37,3% 37,3% 38,0% 37,3% 46,6% 46,6% 47,7% 44,2% 46,7% 46,7% 45,6% 41,8% 41,5% 41,5% 39,1% 38,3% 52,6% 52,6%
52,9%
48,4%
48,2%
48,2%
46,3%
47,0%
47,1%
47,1%
49,1%
46,9%
45,2%
45,2%
45,4%
44,7%
44,4%
44,0%
44,0%
43,4%
Berdasarkan Tabel 4, terlihat bahwa kombinasi Latte dan Americano serta Kopi Susu dan Americano merupakan frequent 2-itemset yang paling sering muncul pada sebagian besar bulan dengan nilai support di atas 40%.
Nilai support tertinggi ditemukan pada bulan Januari dan Maret untuk kombinasi LatteAeAmericano sebesar 52,8%, sedangkan nilai terendah terjadi pada bulan April untuk kombinasi Kopi SusuAeLatte sebesar 37,3% yang tidak memenuhi syarat minimum Secara umum, hasil ini menunjukkan bahwa terdapat hubungan yang cukup kuat antar produk kopi, terutama antara Americano dan Latte yang konsisten menjadi kombinasi favorit konsumen.
Hal ini dapat dijadikan dasar untuk membentuk association rules pada tahap analisis selanjutnya.
Copyright A 2025 The Author.
Page 1144 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1139-1147 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
3 Frequent 3-Itemset Analisis frequent 3-itemset dilakukan untuk mengetahui kombinasi tiga produk yang sering dibeli secara bersamaan oleh konsumen dalam satu transaksi.
Proses ini tetap menggunakan nilai minimum support sebesar 40% dan confidence 70%.
Hasil perhitungan frequent 3-itemset dari bulan Januari hingga Desember dapat dilihat pada Tabel 5.
Tabel 5.
Hasil Frequent 3-Itemset Bulan Januari Februari Maret April Mei Juni Juli Agustus September Oktober November Desember 3 Itemset Americano.
Kopi Susu.
Latte Latte.
Kopi Susu.
Americano Latte.
Americano.
Kopi Susu Americano.
Kopi Susu.
Latte Latte.
Kopi Susu.
Americano Latte.
Americano.
Kopi Susu Americano.
Kopi Susu.
Latte Latte.
Kopi Susu.
Americano Latte.
Americano.
Kopi Susu Americano.
Kopi Susu.
Latte Latte.
Kopi Susu.
Americano Latte.
Americano.
Kopi Susu Americano.
Kopi Susu.
Latte Latte.
Kopi Susu.
Americano Latte.
Americano.
Kopi Susu Americano.
Kopi Susu.
Latte Latte.
Kopi Susu.
Americano Latte.
Americano.
Kopi Susu Americano.
Kopi Susu.
Latte Latte.
Kopi Susu.
Americano Latte.
Americano.
Kopi Susu Americano.
Kopi Susu.
Latte Latte.
Kopi Susu.
Americano Latte.
Americano.
Kopi Susu Americano.
Kopi Susu.
Latte Latte.
Kopi Susu.
Americano Latte.
Americano.
Kopi Susu Americano.
Kopi Susu.
Latte Latte.
Kopi Susu.
Americano Latte.
Americano.
Kopi Susu Americano.
Kopi Susu.
Latte Latte.
Kopi Susu.
Americano Latte.
Americano.
Kopi Susu Americano.
Kopi Susu.
Latte Latte.
Kopi Susu.
Americano Latte.
Americano.
Kopi Susu
Jumlah Itemset
Support (%) 40,3% 40,3% 40,3% 39,6% 39,6% 39,6% 40,3% 40,3% 40,3% 26,8% 26,8% 26,8% 36,4% 36,4% 36,4% 35,6% 35,6% 35,6% 31,5% 31,5% 31,5% 38,9% 38,9% 38,9% 38,8% 38,8% 38,8% 38,9% 38,9% 38,9%
35,5%
35,5%
35,5%
34,2%
34,2%
34,2%
Berdasarkan Tabel 5, kombinasi tiga produk utama yaitu Americano.
Kopi Susu, dan Latte hanya memenuhi nilai minimum support sebesar 40% pada bulan Januari dan Maret, dengan masing-masing nilai support 40,3%.
Pada bulanbulan lainnya, nilai support cenderung berada di bawah ambang batas minimum, misalnya pada bulan Februari sebesar 39,6% dan bahkan turun hingga 26,8% pada bulan April.
Hal ini menunjukkan bahwa meskipun ketiga produk tersebut sering dipesan secara individual maupun berpasangan, kombinasi ketiganya secara bersamaan relatif jarang terjadi dalam transaksi.
Dengan demikian, frequent 3itemset kurang signifikan untuk dijadikan dasar association rule, sehingga analisis lebih tepat difokuskan pada frequent 2-itemset yang telah memenuhi ambang batas minimum di sebagian besar bulan.
4 Pembentukan Aturan Asosiasi Sebagai hasil dari proses analisis menggunakan algoritma Apriori, terbentuk sejumlah aturan asosiasi yang menggambarkan hubungan antar item minuman kopi berdasarkan data transaksi.
Aturan asosiasi ini menjadi dasar untuk memahami kecenderungan konsumen dalam memilih kombinasi minuman yang sering dibeli secara bersamaan.
Berdasarkan hasil implementasi Frequent Itemset, terbentuk beberapa aturan asosiasi dari Tools Data Mining yang yang dikelompokkan berdasarkan bulan seperti Gambar 2.
Copyright A 2025 The Author.
Page 1145 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1139-1147 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
Gambar 2.
Hasil Aturan Assosiasi Pada Gambar 2.
Hasil Aturan Asosiasi ditampilkan tujuh aturan utama yang berhasil diekstraksi dari data transaksi penjualan di Freehand Coffee.
Misalnya, aturan dengan confidence tertinggi .
,14%) menunjukkan bahwa jika pelanggan membeli kopi susu dan latte, maka kemungkinan besar pelanggan juga akan membeli americano.
Hal ini menunjukkan adanya pola keterkaitan yang kuat antara pembelian kopi susu, latte, dan americano.
Selain itu, terdapat pula aturan dengan nilai support tertinggi yaitu sebesar 52,75%, yang menyatakan bahwa jika pelanggan membeli americano, maka mereka cenderung juga membeli latte.
Artinya, kombinasi pembelian kedua menu ini relatif sering muncul dalam data transaksi.
Dengan demikian, pola-pola asosiasi yang dihasilkan dapat dimanfaatkan untuk membantu pengelolaan persediaan bahan baku, khususnya biji kopi robusta dan arabica yang digunakan untuk menyajikan menu-menu tersebut.
4 Pengujian Pengujian dilakukan dengan menggunakan parameter minimum support dan minimum confidence yang telah ditentukan pada tahap analisis.
Proses ini bertujuan untuk mengevaluasi sejauh mana data transaksi penjualan mampu menghasilkan association rules yang relevan.
Berdasarkan hasil pengolahan data, diketahui bahwa pada periode April hingga Agustus tidak ditemukan association rules yang memenuhi ambang batas .
nilai support dan confidence yang telah Tidak ditemukannya aturan asosiasi pada periode tersebut mengindikasikan bahwa pola pembelian konsumen selama rentang waktu AprilAeAgustus cenderung acak atau tidak memiliki kecenderungan kombinasi produk yang kuat.
Hal ini dapat disebabkan oleh beberapa faktor, seperti variasi preferensi konsumen yang tinggi, promosi yang tidak konsisten, atau distribusi pembelian yang merata pada berbagai jenis produk.
Kondisi ini menunjukkan bahwa periode tersebut tidak menghasilkan frequent itemset yang signifikan, sehingga tidak dapat membentuk aturan asosiasi yang memenuhi kriteria analisis.
5 Hasil Berdasarkan hasil analisis association rule mining dengan algoritma Apriori terhadap data penjualan Freehand Coffee selama periode Januari hingga Desember 2024, ditemukan pola keterkaitan yang konsisten antara beberapa menu kopi Aturan-aturan ini memiliki nilai support dan confidence yang relatif stabil sepanjang tahun, meskipun terdapat fluktuasi pada bulan-bulan tertentu.
Pada hubungan antar itemset didapati Americano dan Kopi Susu memiliki nilai support bulanan berkisar antara 38,0% (Apri.
hingga 49,5% (Januari dan Mare.
, dengan confidence 59,470,2%.
Pola ini menunjukkan konsistensi preferensi pelanggan untuk membeli kedua menu ini bersamaan.
Kopi Susu dan Latte memiliki support 37,349,0% dengan confidence yang umumnya di atas 57%, menandakan adanya keterkaitan rasa dan segmen pelanggan yang sama.
Latte dan Americano adalah kombinasi yang sering muncul, dengan support tertinggi pada Januari .
,8%) dan Agustus .
,6%).
Diketahui bahwa Kopi Susu menggunakan biji kopi Robusta, sedangkan Americano dan Latte menggunakan biji kopi Arabica.
Berdasarkan frekuensi kombinasi menu dan estimasi penjualan, kebutuhan biji kopi tahunan diperkirakan Robusta (Kopi Sus.
: 62,89 kg/tahun .
,24 kg/bula.
Arabica (American.
: 53,64 kg/tahun .
,47 kg/bula.
, dan Arabica (Latt.
: 64,80 kg/tahun .
,40 kg/bula.
Kombinasi pola pembelian ini dapat dijadikan dasar pengaturan stok bulanan, sehingga bahan baku selalu tersedia tanpa terjadi kelebihan atau kekurangan yang signifikan.
KESIMPULAN
Berdasarkan hasil penelitian dengan menggunakan algoritma Apriori terhadap data penjualan Freehand Coffee, diperoleh pola keterkaitan antar menu kopi yang konsisten dan dapat dijadikan dasar prediksi kebutuhan biji kopi, baik Robusta maupun Arabica.
Pola pembelian yang terbentuk tidak hanya menunjukkan keterkaitan antar menu, tetapi juga Copyright A 2025 The Author.
Page 1146 This Journal is licensed under a Creative Commons Attribution 4.
0 International License BULLETIN OF COMPUTER SCIENCE RESEARCH ISSN 2774-3659 (Media Onlin.
Vol 5.
No 5.
August 2025 | Hal 1139-1147 https://hostjournals.
com/bulletincsr DOI: 10.
47065/bulletincsr.
memberikan estimasi kebutuhan bahan baku yang akurat, sehingga mampu mendukung pengelolaan persediaan secara lebih efisien.
Temuan ini sekaligus memperkuat preferensi pelanggan yang cenderung memilih Americano.
Kopi Susu, dan Latte sebagai menu utama, serta membuka peluang penerapan strategi promosi dan cross-selling yang lebih tepat Dengan demikian, penerapan metode Apriori terbukti efektif dalam membantu pengambilan keputusan manajerial, baik dalam aspek operasional maupun pemasaran, sehingga mendukung keberlanjutan usaha Freehand Coffee secara menyeluruh.
REFERENCES