Rekomendasi Paket Produk Guna Meningkatkan Penjualan Dengan Metode FP-Growth

Asrul Abdullah(1*),

(1) Universitas Muhammadiyah Pontianak
(*) Corresponding Author
DOI: https://doi.org/10.23917/khif.v4i1.5794

Abstract

Perilaku konsumen dalam membeli suatu produk memang sangat beragam. Ada pembeli yang gemar membeli produk yang telah dipaket, tetapi ada juga pembeli yang membeli produk yang mendapat diskon, dan masih banyak lagi. Keragaman perilaku konsumen dalam memilih barang yang ingin dibeli tentunya menjadi permasalahan tersendiri bagi para penjual jika ingin meningkatkan penjualannya. Algoritma FP-Growth sendiri merupakan hasil perbaikan dari algoritma Apriori. FP-Growth membangkitkan struktur data tree atau yang lebih dikenal sebagai frequent pattern tree. FP tree memerlukan dua kali scanning database untuk menentukan frequent itemset sehingga membuatnya lebih efisien dibandingkan Apriori. Hasil dari association rules menggunakan FP-Growth dijadikan rekomendasi bagi para penjual / retailer dalam memberikan paket penjualan barang bagi konsumennya dan hasil dari penelitian ini adalah ditemukan dua pasangan item barang yakni kopi, gula dan teh, susu yang memiliki support sebesar 30% dan confidence sebesar 70%.

Keywords

FP-Growth; frequent itemset; association rules

References

E. Supariyani, “Pengaruh Biaya Pelaksanaan Promosi Melalui Pameran terhadapa Tingkat Volume Penjualan pada PT Astra Internasional Tbk Isuzu Cabang Bogor,” J. Ilm. Ranggagad., vol. 4, no. 1, pp. 69–74, 2004.

A. Muzakir and L. Adha, “Market Basket Analysis (MBA) Pada Situs Web E-Commerce Zakiyah Collection,” J. SIMETRIS, vol. 7, no. 2, pp. 459–466, 2016.

S. . Weng and J. L. Liu, “Feature-based recommendations for one-to-one marketing,” Expert Syst. Appl., vol. 26, pp. 493–508, 2004.

Y.-L. Chen, K. Tang, R.-J. Shen, and Y.-H. Hu, “Market basket analysis in a multiple store environment,” Decis. Support Syst., vol. 40, no. 2, pp. 339–354, 2004.

R. Agrawal and R. Srikant, “Fast algorithms for mining association rules,” Proc. 20th VLDB Conf., pp. 487–499, 1994.

J. Han, J. Pei, Y. Yin, and R. Mao, “Mining frequent patterns without candidate generation: A frequent-pattern tree approach,” Data Min. Knowl. Discov., vol. 8, no. 1, pp. 53–87, 2004.

H. Jiawei, K. Micheline, and P. Jian, Data Mining Concepts and Techniques, Third Edit. USA: Morgan Kaufmann Publishers, 2012.

L. C. Annie and A. Kumar, “Frequent Item set mining for Market Basket Data using K-Apriori algorithm",” Int. J. Comput. Intell. Informatics, vol. 1, no. 1, pp. 14–18, 2011.

D. Widiastuti and N. Sofi, “Analisis Perbandingan Algoritma Apriori dan FP-Growth Pada Transaksi Koperasi,” UG J., vol. 8, no. 1, pp. 21–24, 2014.

Y. S. Nugroho, T. D. Salma, and S. Rokhanudin, “Implementasi Data Warehouse dan Data MiningUntuk Pengembangan Sistem Rekomendasi Pemilihan SMA,” Khazanah Informatika., vol. 2, no. 2, pp. 49–56, 2016.

A. Virrayyani and Sutikno, “Prediksi Penjualan Barang Menggunakan Metode Adaptive Neuro-Fuzzy Inference System (ANFIS),” Khazanah Informatika., vol. 2, no. 2, pp. 57–63, 2016.

C. Zhang and S. Zhang, Association Rule Mining: Models and Algorithms. Heidelberg: Springer-Verlag Berlin, 2002.

Kusrini and E. T. Luthfi, Algoritma Data Mining. Yogyakarta: Andi Publisher, 2009.

Article Metrics

Abstract view(s): 2584 time(s)
PDF (Bahasa Indonesia): 1823 time(s)

Refbacks

  • There are currently no refbacks.