Penerapan Algoritma FP-Growth Sebagai Dasar Pertimbangan Promosi di SPC Mart

JITTER- Jurnal Ilmiah Teknologi dan Komputer Vol. 4, No. 2 August 2023

PENERAPAN ALGORITMA FP-GROWTH SEBAGAI DASAR PERTIMBANGAN PROMOSI DI SPC MART

I Putu Kevin Ari Narayana^a1, I Made Agus Dwi Suarjaya^a2, Ni Made Ika Marini Mandenni ^a3

^aProgram Studi Teknologi Informasi, Fakultas Teknik, Universitas Udayana, Bali,

Indonesia

e-mail: ¹[email protected], ²[email protected] , ³[email protected]

Abstrak

Promosi bundle di sebuah minimarket dapat dibuat menggunakan algoritma asosiasi seperti FP-Growth dan ECLAT. Berdasarkan survei yang dilakukan, penerapan metode ini pada SPC Mart menghasilkan respons positif dari pelanggan dan meningkatkan kepuasan mereka. Meskipun kedua algoritma memberikan metrik yang berguna, namun FP-Growth dianggap lebih cepat dan efisien daripada ECLAT, terutama dalam penggunaan memori dan eksekusi pada dataset yang sama. FP-Growth juga dapat dikembangkan menjadi aplikasi untuk mempermudah penggunaannya. Aplikasi SPC Mart yang dibuat dengan bahasa pemrograman Python memiliki kinerja yang baik, meskipun waktu awal untuk membukanya membutuhkan lebih banyak waktu.

Kata kunci: Algoritma Asosiasi, ECLAT, Fp-Growth, Minimarket, Promosi

Abstract

Based on data from BPS, UMKM are declining due to the impact of COVID-19. This requires UMKM perpetrators/owners to choose promotion strategies to increase sales. This study aimed to assess the effectiveness of the Eclat and FP-Growth algorithms in creating bundle packages for minimarkets by identifying frequent association patterns between items. Transaction data from a minimarket in Denpasar was analyzed using both algorithms to find patterns in items purchased together. The results showed that both algorithms can be used to create effective bundle packages, with the FP-Growth algorithm proving to be more efficient in processing time and memory usage. Additionally, the study found that there was a significant difference in the performance of the two algorithms in finding association patterns. The findings suggest that the Eclat and FP-Growth algorithms can be used to increase sales value and customer satisfaction in minimarkets which is proven by 85% CSAT Score, making a significant contribution to the retail industry.

Keywords : Association rule, Bundle Packages, ECLAT Algorithm, Fp-Growth Algorithm, Minimarket

• 1.    Introduction

Melnurut BPS, Covid-19 melnyelbabkan pelnurunan elkonomi di Indonelsia selbelsar 2,07% dan 87,5% UMKM telrdampak. Pelrsaingan bisnis selmakin keltat dan pelmilik bisnis harus belrpikir kritis untuk melnjaga kelpuasan pellanggan dan melningkatkan pelnjualan

produk. Melmpelrkirakan volumel pelnjualan selcara akurat dan promosi yang elfisieln sangat pelnting untuk kellangsungan hidup bisnis [1].

Promosi melrupakan kelgiatan yang melngkomunikasikan manfaat dari selbuah produk dan melmbujuk targelt konsumeln untuk melmbelli produk telrselbut [2]. Melnurut [3] Promosi melrupakan salah satu komponeln dari bauran pelmasaran (markelting mix) melmiliki pelranan pelnting dalam melngkomunikasikan suatu produk, dan dapat melnciptakan prelfelnsi konsumeln atau calon konsumeln melngelnai kelelfelktifan dan kelelfisielnan dari bauran promosi yang digunakan.

Promosi yang baik akan melmelngaruhi kelbelrlanjutan jangka panjang dari bisnis telrutama dalam pelnjualan. Delngan melngeltahui pola pelmbellian pellanggan, manajelmeln dapat melnelntukan stratelgi pelnjualan telrkait delngan promosi, preldiksi pelrseldiaan produk, dan kombinasi produk yang akan dijual [4].

Toko SPC MART adalah minimarkelt di Sidakarya yang melnjual kelbutuhan selhari-hari. Masalah yang dihadapi olelh pelmilik toko adalah pelncatatan pelrseldiaan barang dan pelnjualan yang masih dilakukan selcara selmi-manual, selrta bellum ada analisis telrhadap data pelnjualan selcara melnyelluruh. Hal ini melmbelrikan belbelrapa masalah, salah satunya adalah pelmbelrian promo bagi pellanggan. Karelna prosels bisnis dilakukan selcara manual, maka pelmilik toko kelsulitan dalam melnganalisis barang apa saja yang laku telrjual delngan celpat dan barang apa saja yang dibelli belrsamaan.

Relkomelndasi Promo ini pelrlu ditelrapkan pada data historis pelnjualan dari SPC Mart. Pelmbuatan produk relkomelndasi yang paling populelr melnggunakan algoritma Association Rulel. Association rulels melrupakan salah satu tugas data mining delskriptif yang belrtujuan untuk melnelmukan aturan asosiasi antara itelm-itelm data. Langkah utama yang pelrlu dilakukan dalam association rulels adalah melngeltahui selbelrapa selring kombinasi itelm muncul dalam databasel, yang diselbut selbagai pola frelkuelnsi tinggi [5].

Selcara singkat, Algoritma Frelquelnt Pattelrn Growth (FP-Growth) adalah salah satu altelrnatif algoritma yang dapat digunakan untuk melnelntukan himpunan data yang paling selring muncul (frelquelnt itelmselt) dalam selbuah kumpulan data. Dalam Algoritma Frelquelnt Pattelrn Growth (FP-Growth), frelquelnt itelmselt disimpan dalam struktur FP-Trelel atau yang juga dikelnal selbagai prelfix-trelel. FP-Growth melnghindari candidatel gelnelration dalam pelncarian frelquelnt itelmselt, selhingga melngurangi pelmindaian databasel yang belrulang dalam prosels mining dan melmpelrcelpat waktu elkselkusi. [6],[7],[8].

Algoritma ElCLAT melrupakan algoritma yang belrfungsi hampir selrupa delngan Fp-Growth. Algoritma ElCLAT digunakan untuk melnelmukan itelmselt yang selring muncul dan melnggunakan pelndelkatan delpth-first selarch pada databasel delngan tata leltak velrtikal. Algoritma ElCLAT ini masih jarang ditelrapkan dalam belrbagai pelnellitian selbellumnya, olelh selbab itu ada baiknya apabila dijadikan pelrbandingan delngan algoritma FP-Growth yang kelrap digunakan untuk pelnellitian untuk melnelntuka preldiksi pola pelmbellian [9], [10].

Telrdapat belbelrapa pelnellitian selbellumnya yang mellakukan pelnellitian selrupa. Pelnellitian yang dilakukan [11], [12] melnggunakan algoritma FP-Growth delngan bantuan rapidminelr belrhasil melnelmukan belbelrapa pola pelnjualan untuk preldiksi keltelrseldiaan stok. Pelnellitian [13] juga mellakukan pelrbandingan antara FP-Growth dan Apriori yang melnyatakan bahwa keldua algoritma telrselbut melmiliki pelrforma yang sama baiknya.. Pelrnyataan yang belrbelda dinyatakan pada pelnellitian [14], pelnellitian ini melnyatakan bahwa algoritma FP-Growth lelbih celpat dibanding algoritma Apriori. Algoritma ElCLAT juga pelrnah dibandingkan delngan FP-Growth pada pelnellitian [15] namun bellum ada pelrnyataan algoritma mana yang melmiliki pelrforma yang lelbih baik. Algoritma ElCLAT

cukup jarang digunakan walaupun algoritma ini melrupakan algoritma yang melmiliki pelrforma yang cukup celpat [16].

Belrdasarkan pelnellitan yang tellah dilakukan selbellumnya. Pelnellitian ini dilakukan untuk melngeltahui pelrbandingan dari algoritma FP-Growth delngan algoritma ElCLAT. Pelrbandingan telrselbut dilakukan delngan melmbandingkan kelcelpatan elkselkusi, jumlah meltrics yang dibelrikan, dan konsumsi melmori yang dipelrlukan untuk melnjalankan keldua algoritma telrselbut. Algoritma yang lelbih unggul nantinya akan digunakan untuk melmbuat tools asosiasi untuk SPC Mart melnciptakan suatu bundlel.

Hasil dari pelnellitian yang belrupa daftar barang yang dapat dijadikan promo pakelt diskon melnggunakan algoritma ElCLAT dan Fp-Growth diharapkan bisa melmbelrikan dampak telrhadap volumel pelnjualan dari SPC Mart. Sellain itu, laporan pelnjualan belrupa dashboard diharapkan dapat melmbantu melningkatkan pelmahaman pelmilik SPC Mart telrhadap keladaan pelnjualan belrdasarkan data yang dimiliki.

• 2.    Research Method / Proposed Method

Pelnellitian ini dilakulkan delngan melmbandingkan keldula algolritma melnggulnakan data belrulpa transaksi yang tellah dilakulkan di SPC Mart Sidakarya kelmuldian melmilih algolritma yang lelbih ulnggull ulntulk dijadikan selbagai tololls asolsiasi. Tahapan pelnellitian yang dilakulkan mellipulti stuldi litelratulr, pelngulmpullan data, elkplolrasi data, pelmbelrsihan data, transfolrmasi data, mellakulkan pelrbandingan algolritma, kelmuldian melmbulat tololls belrdasarkan algolritma yang telrpilih.

Data yang didapatkan melrulpakan transaksi pelnjulalan sellama 9 bullan yaitul dari bullan Selptelmbelr 2021 hingga bullan Julni 2022. Gambaran ulmulm alulr pelnellitian ini dapat digambarkan selbagai belrikult.

Gambar 1. Gambaran Ulmulm Alulr Pelnellitian

Gambar 1. melnjellaskan gambaran ulmulm pelnellitian ini. Tahap pelrtama adalah idelntifikasi masalah, kelmuldian dilanjultkan delngan tahap stuldi litelratulr dan pelngulmpullan data, elkplolrasi data, kelmuldian Prel-prolcelssing. Pelnellitian dilajulntkan delngan melnelrapkan algolritma telrpilih melnjadi sulatul tololls ulntulk melnciptakan relkolmelndasi bulndlel kelmuldian mellakulkan sulrvely telrkait kelpulasan pellanggan telrhadap bulndlel yang dihasilkan. Alulr algolritma asolsiasi Fp-Grolwth digambarkan selbagai belrikult.

Gambar 2. Alulr Algolritma Asolsiasi FP-Grolwth

Gambar 2 melrulpakan alulr dari algolritma Fp-Grolwth yang dimullai delngan melmindai data transaksi pelnjulalan melmilah atribult dan melngilangkan data yang belrsifat relduldansi. Prolsels sellanjultnya mellakulkan pelrhitulngan Sulppolrt dan colnfidelncel selcara belrullang kel masing masing itelm ulntulk melngasilkan atulran dari algolritma FP-Grolwth. Belrikult melrulpakan colntolh folrmat data yang digulnakan dalam algolritma FP-Grolwth.

	Tabel 1. Folrmat Data Transaksi
Tid	Tanggal Trasnsaksi   ID Barang
1 2 3 4 5	11 Agulstuls 2022      F225 11 Agulstuls 2022      F112 11 Agulstuls 2022      B265 11 Agulstuls 2022      F225 11 Agulstuls 2022      M281

Tabell 1 melrulpakan tabell yang belrisi colntolh folrmat data transaksi pada SPC Mart yang akan digulnakan ulntulk pelmbulatan atulran asolsasi. Tabell transaksi yang digulnakan belrisi infolrmasi belrulpa id barang, tanggal transaksi, dan id transaksi. Meltoldel yang digulnakan ulntulk melncari atulran asolsiasi dari data transaksi SPC Mart adalah meltoldel Knolwleldgel Discolvelry in Databasel (KDD). KDD melrulpakan kelsellulrulhan prolsels noln-trivial ulntulk melngidelntifikasi sulatul polla ataul infolrmasi telrselbulnyi yang dapat dimelngelrti dan belrmanfaat dari selbulah data [17],[18]. Belrikult melrulpakan pelnjabaran langkah-langkah pelnellitian meltoldel pelnellitian yang dilakulkan selsulai Knolwleldgel Discolvelry in Databasel (KDD).

• 2.1.    Pemilihan Data / Data Selection

Prolsels ini mellakulkan pelmilihan data yang akan digulnakan. Pelnellitian ini melnggulnakan data histolris belrulpa pelnjulalan tolkol SPC Mart sellama relntang waktul 6 bullan telrakhir. Belrikult melrulpakan hasil dari pelmilihan data yang akan digulnakan.

	Tabel 2. Tampilan Data Telrpilih
ID	Product_id                  Created _at
1	F1411, B1421, F1551, F1992   2021-09 02
2	F1792, F1572, F1127          2021-09 02
3	F1124                        2021-09 02
4	F5337, F1551                 2021-09 02
5	B5215, B5214, F1227, F5338   2021-09 02

Tabell 2 belrisi data transaksi yang dilakulkan di lolkasi pelnellitian yaitul SPC Mart. Tabell telrselbult telrdiri dari ‘ID’ selbagai ulniqulel kely ulntulk melngidelntifikasi transaksi, ‘Proldulct_id’ belrisi daftar koldel barang yang dibelli pada transaksi telrselbult, dan ‘Crelateld_at’ belrisi kapan transaksi telrselbult telrjadi. Data ini tidak mellaluli prolsels pelmbelrsihan data karelna seltellah dicelk tidak ada baris yang kolsolng.

• 2.2.    Transformasi Data

Tahap transfolrmasi data melrulpakan tahap mellakulkan transfolrmasi strulktulr data melnyelsulaikan delngan strulktulr yang dipelrlulkan ollelh algolritma yang digulnakan ulntulk prolsels data mining. Pelnellitian ini melmelrlulkan strulktulr data belrulpa data transaksi yang tellah mellauli tahap elncolding / data mapping.

Tabel 3. Hasil Transolfrmasi Data
	1002	10107	10115	10118	10139
1	Falsel	Falsel	Falsel	Falsel	Falsel
2	Falsel	Falsel	Falsel	Falsel	Falsel
3	Falsel	Falsel	Falsel	Trulel	Falsel
4	Falsel	Trulel	Falsel	Falsel	Falsel
5	Falsel	Falsel	Falsel	Falsel	Falsel

Tabell 3 melrulpakan samplel hasil dari transfolrmasi data ulntulk melnjalankan algolritma FP-Grolwth dan ElCLAT. Seltiap kollolm pada hasil transfolrmasi data melngacul pada seltiap ‘proldulct_id’ pada data transaksi. Hal ini melmbulat hasil transfolrmasi data melmiliki selbanyak 883 kollolm. Data yang suldah mellaluli prolsels transfolrmasi dapat mellanjultkan kel prolsels asolsiasi.

• 2.3.    Pembuatan Aturan Asosiasi

Atulran asolsiasi dibulat ulntulk melnelntulkan polla pelmbellian pellanggan belrdasarkan data transaksi yang digulnakan. Atulran asolsiasi telrbelntulk belrdasarkan parameltelr yang suldah ditelntulkan selbellulmnya. Parameltelr telrselbult mellipulti colnfidelncel dan sulppolrt. Sulppolrt adalah sulatul ulkulran yang melnulnjulkkan selbelrapa belsar tingkat dolminasi sulatul itelm/itelmselt dari kelsellulrulhan transaksi. Ulkulran ini melnelntulkan apakah sulatul itelm/itelmselt layak ulntulk dicari colnfidelncel-nya [19]. Pelrsamaan dasar ulntulk melncari Sulppolrt dapat dilihat pada (1).

Support =

Jumlah Transaksi A Jumlah Transaksi

(1)

Selsulai delngan delfinisinya melnulnjulkan selbelrapa tingkat dolminasi itelm dari kelsellulrulhan transaksi, maka pelrsamaannya adalah julmlah transaksi yang melngandulng itelm A dibagi delngan julmlah transaksi selcara kelsellulrulhan. Belrikultnya apabila sulppolrt suldah melmelnulhi kritelria, atulran asolsiasi dapat mellanjultkan kel pelrhitulngan nilai colnfidelncel. Colnfidelncel adalah parameltelr yang digulnakan ulntulk melngeltahuli belrapa kali pelrnyataan hulbulngan antara 2 itelm selcara colnditiolnal telrselbult belnar. Colnfidelncel biasanya barul akan dihitulng apabila nilai sulppolrt suldah melmelnulhi kolndisi. Belrikult melrulpakan pelrsamaan seldelrhana ulntulk melncari colnfidelncel [20].

Confidence =

Jumlah Transaksi A+B

Jumlah Transaksi A

(2)

Pelrsamaan ulntulk melncari colnfidelncel adalah delngan cara melmbagi julmlah transaksi yang melngandulng itelm A dan B delngan julmlah transaksi A. Melngeltahuli nilai colnfidelncel sangat pelnting ulntulk melngeltahuli selbelrapa akulrat hasil yang dibelrikan. Hasil yang didapatkan dari keldula algolritma kelmuldian dibandingkan belrdasarkan waktul elkselkulsi, meltrics yang dibelrikan, dan kolnsulmsi melmolri yang dipelrlulkan. Algolritma yang lelbih baik telrultama dalam waktul elkselkulsi dan kolnsulmsi melmolri kelmuldian digulnakan pada data transaksi SPC Mart selbagai tololls.

• 2.4.    Pembuatan Tools Asosiasi

Pelmbulatan Tololls ulntulk melnelrapkan algolritma yang dipilih dibantul delngan framelwolrk PyQT5. PyQT5 melmulngkinkan pelnggulna ulntulk melmbulat sulatul Antarmulka Pelnggulna Grafis / Grapichal Ulselr Intelrfacel (GUlI) dan melnggabulngkannya delngan koldel prolgram/script Pytholn yang tellah dibulat. Pelmbulatan Tololls belrtuljulan ulntulk melmuldahkan pelngellolla SPC Mart ulntulk melngeltahuli pellapolran dan relkolmelndasi bulndling dari data pelnjulalan yang dimiliki. Meltoldel yang digulnakan adalah meltoldel pelngelmbangan RAD (Rapid Applicatioln Delvellolpmelnt). RAD adalah sulatul meltoldel pelngelmbangan solftwarel yang sikluls pelngelmbangannya rellativel singkat [21]. Belrikult melrulpakan diagram alulr pelmbulatan aplikasi melnggulnakan meltoldel RAD.

Identifikasi

Kebutuhan

Perancangan Desain Aplikasi

PembuatanApIikasi

Testing

Deployment

Gambar 3. Alulr Pelmbulatan Aplikasi

Gambar 3 merupakan gamabaran alur dari pengembangan tools asosiasi melnggulnakan meltoldel Rapid Applicatioln Delvellolpmelnt (RAD). Pelmbulatan tololls diawali delngan idelntifikasi kelbultulhan tololls yang akan dibulat kelmuldian melrancang ulselr casel diagram dan delsain alulr kelrja tololls yang dibulat. Seltellah prolsels pelrancangan delsain sellelsai, prolsels pelmbulatan aplikasi akan dilakulkan dan akan dilakulkan blackbolx telsting selbellulm melmasulki tahapan delplolymelnt.

• 2.5.    Survey Kepuasan Pelanggan

Pelrhitulngan nilai kelpulasan pellanggan dilakulkan ulntulk melngeltahuli bagaimana relspolns pellanggan telrhadap prolmolsi bulndlel yang dibelrikan belrdasarkan hasil atulran asolsiasi melnggulnakan tololls yang digulnakan. Kelpulasan pellanggan diulkulr delngan skolr Culstolmelr Satisfactioln (CSAT). CSAT Scolrel adalah skolr ulntulk melngindikasikan kelpulasan pellanggan yang dihasilkan dari sulrveli kelpulasan pellanggan. Skolr telrselbult biasanya disajikan dalam belntulk pelrselntasel dan dapat digulnakan ulntulk melngelvalulasi tingkat kelpulasan pellanggan selcara kelsellulrulhan [22]. Belrikult melrulpakan rulmuls pelrhitulngan yang dapat digulnakan ulntulk melnghitulng skolr CSAT.

Jumlah Respon Positif

x 100% (3)

CSAT Score = —————-— Jumlah Responden

CSAT Scolrel dapat ditelntulkan delngan melnghitulng relspolndeln yang melmbelri jawaban ‘Pulas’ ataul ‘Sangat Pulas’ pada sulrvely kelmuldian melmbaginya delngan julmlah relspolndeln yang melngisi sulrvely. Kelpulasaan pellanggan dikatakan baik apabila nilai diatas 75. Belrikult melrulpakan tabell klasifikasi skolr CSAT belrdasarkan Amelrican Culstolmelr Satisfactioln Indelx (ASCI) [23].

Tabel 4. Klasifikasi Skolr CSAT

CSAT Score	Meaning	Warning Level
0-40%	Pololr CSAT	High
40-60%	Olkay CSAT	Slighltly High
60-80%	Golold CSAT	Lolw
80%+	Elxcelllelnt CSAT	Velry Lolw

Tabell 4 melrulpakan indelx skolr ataul tabell aculan dari ASCI yang digulnakan ulntulk melnyimpullkan kelpulasan pellanggan belrdasarkan skolr CSAT yang tellah didapat.

• 3.    Kajian Pustaka

Kajian pulstaka melrulpakan tahap melngulmpullkan dan melmpellajari telolri telrkait delngan pelrmasalahan yang diangkat dalam pelnellitian ini. Kajian pulstaka yang dijabarkan diantaranya prolmolsi, data mining, atulran asolsiasi, Markelt Baskelt Analysis (MBA), dan Colstulmelr Satisfactioln (CSAT) Scolrel.

• 3.1.    Promosi

Stratelgi prolmolsi adalah tindakan yang disulsuln delngan tuljulan ulntulk melngajak dan melmoltivasi kolnsulmeln agar telrtarik melmbelli proldulk pelrulsahaan, delngan harapan dapat melningkatkan julmlah pelnjulalan [24]. Prolmolsi Pelnjulalan adalah rangkaian inselntif jangka pelndelk yang belrtuljulan ulntulk melndolrolng pelrcolbaan ataul pelmbellian proldulk ataul jasa. Inselntif telrselbult dapat belrulpa belrbagai jelnis prolmolsi selpelrti prolmolsi kolnsulmeln yang mellipulti pelmbelrian sampell, kulpoln, dan hadiah, prolmolsi pelrdagangan yang mellipulti iklan dan tulnjangan, selrta prolmolsi telnaga pelnjulalan selpelrti kolntels ulntulk melningkatkan relpultasi pelnjulalan [25].

• 3.2.    Data Mining

Data mining melrulpakan telknik pelngollahan data yang melnggulnakan pelrhitulngan statistik, matelmatika, kelcelrdasan bulatan, dan pelmbellajaran melsin ulntulk melngelkstraksi dan melngidelntifikasi infolrmasi yang belrgulna dari dataselt yang belsar. Telknik ini dapat melmbantul melncari infolrmasi yang tidak dapat ditelmulkan selcara manulal [26].Data mining dalam melnjalankan tulgasnya dibagi melnjadi 5 kellolmpolk yang telrdiri dari Delskripsi, Preldiksi, Elstimasi, Klasifikasi, Clulstelring dan Asolsiasi [27].

• 3.3.    Aturan Asosiasi

Assolciatioln rullel ataul atulran asolsiasi adalah salah satul telknik dalam data mining yang digulnakan ulntulk melncari kolrellasi ataul hulbulngan antara itelm-itelm dalam sulatul dataselt. Atulran asolsiasi ini dibulat delngan melnganalisis polla data yang selring mulncull (frelqulelnt pattelrn) delngan melnggulnakan parameltelr sulppolrt dan colnfidelncel ulntulk melngidelntifikasi hulbulngan yang paling signifikan [28].

• 3.4.    Market Basket Analysis

Markelt baskelt analysis melrulpakan sulatul telknik analisis pelrilakul kolnsulmeln dalam kellolmpolk telrtelntul delngan melnggulnakan data dari belrbagai sulmbelr, selpelrti transaksi pelmbellian, kulpoln diskoln, dan kellulhan pellanggan. Telknik ini biasanya digulnakan ulntulk melnelmulkan polla yang tidak dikeltahuli selbellulmnya dari sulatul transaksi data [12]. Manfaat ultama dari markelt baskelt analysis telrleltak pada kelmampulannya dalam melnghasilkan atulran asolsiasi yang akulrat dan belrmanfaat [13].

• 4.    Hasil dan Pembahasan

Pelnellitian ini belrfolkuls pada pelrbandingan algolritma FP-Grolwth dan ElCLAT selrta bagaimana dampaknya kelpada kelpulasan pellanggan apabila digulnakan ulntulk dasar pelrtimbangan pelmbulatan prolmolsi bulndlel.

• 4.1.    Perbandingan Algoritma Asosiasi

Pelmbulatan atulran asolsiasi melnggulnakan keldula algolritma ini melnghasilkan data yang belrbelda. Algolritma FP-Grolwth melmbelri lelbih banyak atulran asolsiasi disbanding ElCLAT. Belrikult melrulpakan hasil yang dihasilkan dari algolritma Fp-Grolwth.

Tabel 5. Hasil Atulran Asolsiasi Fp-Grolwth

	Anteldelcelnts	Colnselqulelnts	Sulppolrt	Colnfidelcel	Lift	Lelvelragel
0	(B5215)	(F1123)	0.002176	0.193421	24.657.535	0.002087
1	(F1123)	(B5215)	0.002176	0.277358	24.657.535	0.002087
2	(F5331)	(F1123)	0.002057	0.229373	29.240.722	0.001987
3	(F1123)	(F5331)	0.002057	0.262264	29.240.722	0.001987
4	(F1127)	(F1123)	0.001702	0.186084	23.722.217	0.001630
5	(F1123)	(F1127)	0.001702	0.216981	23.722.217	0.001630

Tabell 5 melrulpakan colntolh atulran asolsiasi yang dihasilkan ollelh algolritma Fp-Grolwth. Algolritma ini melmbelrikan meltrics yang culkulp banyak selbagai bahan pelrtimbangan ulntulk melmbulat sulatul bulndlel. Belrikult melrulpakan atulran asolsiasi yang dihasilkan ollelh algolritma ElCLAT.

Tabel 6. Sampell Hasil Atulran Asolsiasi ElCLAT

No	antecedents              support
1	F5331 & B5215            0.002664
2	F1127 & B5215            0.002279
3	F1123 & B5215            0.002176
4	F5331 & F1123            0.002057

Tabell 6 melrulpakan colntolh atulran asolsiasi yang dihasilkan ollelh algolritma Fp-Grolwth. Algolritma ini hanya melmbelrikan 1 meltrics yaitul sulppolrt. Hal ini dapat melmbatasi bahan pelrtimbangan ulntulk melmbulat sulatul bulndlel. Belrikult melrulpakan grafik pelrbandingan algolritma FP-Grolwth dan ElCLAT belrdasarkan waktul elkselkulsi, kolnsulmsi melmolri, dan meltrics yang dihasilkan.

Gambar 4. Grafik Pelrbandingan Waktul Prolsels

Gambar 4 melrulpakan grafik pelrbandingan waktul prolsels dari algolritma FP-Grolwth dan ElCLAT. FP-Grolwth melmiliki waktul prolsels yang lelbih celpat dibandingkan delngan algolritma ElCLAT. Algolritma ElCLAT melmelrlulkan waktul sellama 29.4 deltik ulntulk melnciptakan 27 rullels itelmselt seldangkan FP-Grolwth melmelrlulkan 0.402 Deltik ulntulk melnciptakan rullels itelmselt. Belrikult melrulpakan grafik pelrbandingan belrdasarkan kolnsulmsi melmolri.

Perbandingan Konsumsi Memori

FP-Growth                      ECLAT

AJgoritma

Gambar 5. Grafik Pelrbandingan Kolnsulmsi Melmolri

Gambar 5 melrulpakan grafik pelrbandingan kolnsulmsi melmolri dari algolritma FP-Grolwth dan ElCLAT. Algolritma FP-Grolwth melmiliki kolnsulmsi melmolri yang lelbih relndah dari ElCLAT yaitul 200 Mb (Melgabytels).

Perbandingan Jumlah Metrik

FP-Growth                      ECLAT

Agoritma

Gambar 6. Grafik Pelrbandingan Julmlah Meltrik

Gambar 6 melrulpakan grafik pelrbandingan julmlah meltrik yang dihasilkan ollelh algolritma FP-Grolwth dan ElCLAT. Algolritma FP-Grolwth melnghasilkan lelbih banyak meltrik yaitul 5 meltrik dari ElCLAT yang melnghasilkan hanya 1 meltrik. Meltriks pada data mining biasanya digulnakan selbagai dasar pelngulkulran ulntulk melngambil kelpultulsan. Belrikult melrulpakan daftar meltrics yang dihasilkan ollelh masing-masing algolritma.

Tabel 7. Meltriks Algolritma FP-Grolwth dan ElCLAT

FP-Grolwth	ElCLAT
Sulppolrt Colnfidelncel Lift Lelvelragel Colnvictioln	Sulppolrt

Tabell 7 melrulpakan tabell yang belrisi meltrik yang dihasilkan ollelh keldula Algolritma ada gambar 4.5. Telrlihat bahwa ElCLAT hanya melnghasilkan 1 meltrik seldangkan FP-Grolwth melnghasilkan 5 meltrik.

• 4.2.    Tampilan Tools Asosiasi

Tololls asolsiasi ulntulk SPC-Mart dibulat melnggulnakan bahasa pelmrolgraman Pytholn dan library PyQT ulntulk melmbantul pelmbulatan graphical ulselr intelrfacel (GUlI) tololls. Belrikult melrulpakan tampilan dari tololls asolsiasi yang tellah dibulat.

Gambar 7. Tampilan Data Transaksi

Gambar 5 melrulpakan tampilan awal data transaksi yang dimasulkan ollelh pelnggulna belrulpa filel elxcell. Tololl julga akan oltolmatis melnampilkan infolrmasi belrulpa julmlah transaksi, jelnis proldulk, dan rata - rata transaksi pelrhari dari dataselt yang digulnakan. Belrikult melrulpakan tampilan hasil relkolmelndasi yang dibelrikan apabila tolmboll ‘Lihat Relkolmelndasi’ ditelkan.

Gambar 8. Tampilan Hasil Asolsiasi

Gambar 6 melrulpakan tampilan dari hasil asolsiasi dari dataselt transaksi seltellah sellelsai mellakulkan prolsels algolritma FP-Grolwth. Tololls akan melnampilkan proldulk yang bisa dijadikan bulndlel belselrta prelselntasel pelmbellian keldula proldulk telrselbult dibelli selcara belrsamaan. Bulndlel yang dihasilkan ollelh tololls ini julga bisa disimpan melnjadi filel elxcell delngan melnelkan ‘simpan hasil’. Telrdapat dashbolard yang bisa digulnakan ollelh pelnggulna ulntulk melngeltahuli sulmmary dari data transaksi yang digulnakan selbagai inpult. Belrikult melrulpakan tampilan dari dashbolard yang bisa ditampilkan.

• 4.3.    Survey Kepuasan Pelanggan

Sulrvely dilakulkan ulntulk melngeltahuli tingkat kelpulasan pellanggan telrhadap prolmolsi bulndlel yang dibelrikan melnggulnakan tololls asolsiasi. Sulrvely diisi mellaluli gololglel folrm ollelh 20 relspolndeln yang belrkulnjulng dan mellakulkan pelmbellian di SPC Mart. Kelpulasan pellanggan kelmuldian diulkulr melnggulnakan pelrhitulngan skolr CSAT dari data sulrvely yang dimiliki. Belrikult melrulpakan hasil jawaban sulrvely yang didapat.

Seberapa puas anda terhadap pramosi bundle kami dalam memenuhi kebutuhan anda ?

SOjawaban

9 Sangat Puas

I Puas

* Biasa

• • Tidak Puas

φ Sangat Tidak Puas

Gambar 9. Grafik Pelrselbaran Jawaban Sulrvely

Gambar 9 melrulpakan visulalisasi pelrselbaran jawaban dari para relspolndeln di SPC Mart. Telrdapat 12 relspolndeln yang melnjawab ‘Pulas’ dan telrdapat 5 relspolndeln yang melnjawab ‘Sangat Pulas’. Selbanyak 1 relspolndeln melnjawab ‘Tidak Pulas’ dan telrdapat 2 relspolndeln yang melnjawab ‘Biasa’. Belrikult melrulpakan hasil pelrhitulngan skolr CSAT dari data sulrvely yang didapat.

• 5.    Kesimpulan

Prolmolsi bulndlel di selbulah minimarkelt dapat dibulat melnggulnakan algolritma asolsiasi selpelrti FP-Grolwth dan ElCLAT. Belrdasarkan sulrveli yang dilakulkan, pelnelrapan meltoldel ini pada SPC Mart melnghasilkan relspolns polsitif dari pellanggan dan melningkatkan kelpulasan melrelka. Melskipuln keldula algolritma melmbelrikan meltrik yang belrgulna, namuln FP-Grolwth dianggap lelbih celpat dan elfisieln daripada ElCLAT, telrultama dalam pelnggulnaan melmolri dan elkselkulsi pada dataselt yang sama. FP-Grolwth julga dapat dikelmbangkan melnjadi aplikasi ulntulk melmpelrmuldah pelnggulnaannya. Aplikasi SPC Mart yang dibulat delngan bahasa pelmrolgraman Pytholn melmiliki kinelrja yang baik, melskipuln waktul awal ulntulk melmbulkanya melmbultulhkan lelbih banyak waktul.

References

• [1]    R. Rolsita, “Pelngarulh Pandelmi Colvid-19 Telrhadap Ulmkm Di Indolnelsia,” J. Lelntelra Bisnis, voll. 9, nol. 2, p. 109, 2020, doli: 10.34127/jrlab.v9i2.380.

• [2]    F. Wellis Raldianingrat, “Pelngarulh Markelting Mix Dan Pelrselpsi Kolnsulmeln

Telrhadap Minat Belli Kolnsulmeln Pada Holmel Indulstry Dolnat Kelntang Madolna Di Kelcamatan Ulnaaha,” Pelngarulh Mark. Mix, voll. 3, nol. 2, pp. 58–66, 2019, [Olnlinel]. Availablel:

http://www.tjyybjb.ac.cn/CN/articlel/dolwnloladArticlelFilel.dol?attachTypel=PDF&i d=9987.

• [3]    R. S. Pultri and I. Safri, “Pelngarulh Prolmolsi Pelnjulalan Dalam Melningkatkan Pelnjulalan Molbil Mitsulbishi Pada PT. Pelkan Pelrkasa Belrlian Moltolr Pelkanbarul,” J. Valulta, voll. 1, nol. 2502–1419, pp. 1–25, 2015.

• [4]    A. D. Cahya, A. Aminah, A. F. Rinaja, and N. Adellin, “Pelngarulh Pelnjulalan Olnlinel di masa Padelmi Colviv-19 telrhadap UlMKM Melnggulnakan meltoldel Wawancara,” Jelsya (Julrnal Elkoln. Elkoln. Syariah), voll. 4, nol. 2, pp. 857–863, 2021, doli: 10.36778/jelsya.v4i2.407.

• [5]    R. R. Relrulng, “Pelnelrapan Data Mining delngan Melmanfaatkan Meltoldel Assolciatioln Rullel ulntulk Prolmolsi Proldulk,” J. Telknoll. Relkayasa, voll. 3, nol. 1, p. 89, 2018, doli: 10.31544/jtelra.v3.i1.2018.89-98.

• [6]    C. El. Firman, “Pelnelntulan Polla Yang Selring Mulncull Ulntulk Pelnjulalan Pulpulk Melnggulnakan Algolritma Fp-Grolwth,” I N F Ol R M a T I K a, voll. 10, nol. 1, p. 1, 2019, doli: 10.36723/julri.v9i2.97.

• [7]    R. Nulrull Arifin, “Implelmelntasi Algolritma Frelqulelnt Pattelrn Grolwth (FP-GROlWTH) Melnelntulkan Asolsiasi Antar Proldulk (Stuldy KAsuls Nadia Mart),” Dolk. Karya Ilm., pp. 0–1, 2015.

• [8]    Y. Zelng, S. Yin, J. Liul, and M. Zhang, “Relselarch olf improlveld FP-grolwth algolrithm in assolciatioln rullels mining,” Sci. Prolgram., voll. 2015, 2015, doli: 10.1155/2015/910281.

• [9]    S. Sullastri, El. Zulliarsol, and Y. Anis, “Implelmelntasi Algolritma Apriolri Dan Algolritma Elclat Pada Ahass Akmal Jaya Pulrwoldadi,” Dinamik, voll. 22, nol. 1, pp. 50–56, 2017, doli: 10.35315/dinamik.v22i1.7105.

• [10]    M. Kaulr, Ul. Garg, and S. Kaulr, “Advanceld elclat algolrithm folr frelqulelnt itelmselts gelnelratioln,” Int. J. Appl. Elng. Rels., voll. 10, nol. 9, pp. 23263–23279, 2015.

• [11]    R. Aditiya, S. Delfit, and G. W. Nulrcahyol, “Preldiksi Tingkat Keltelrseldiaan Stolck Selmbakol Melnggulnakan Algolritma FP-Grolwth dalam Melningkatkan Pelnjulalan,” J. Infolrm. Elkoln. Bisnis, voll. 2, pp. 67–73, 2020, doli: 10.37034/infelb.v2i3.44.

• [12]    W. N. Seltyol and S. Wardhana, “Implelmelntasi Data Mining Pada Pelnjulalan Proldulk Di Cv Cahaya Seltya Melnggulnakan Algolritma Fp-Grolwth,” Peltir, voll. 12, nol. 1, pp. 54–63, 2019, doli: 10.33322/peltir.v12i1.416.

• [13]    M. H. Delsti Fitriati, “PElRBANDINGAN ALGOlRITMA APRIOlRI DAN ALGOlRITMA FP-GROlWTH UlNTUlK MElNGElTAHUlI POlLA

PElNGGUlNAAN TRANSPOlRTASI OlNLINEl,” Prols. SNATIF kel-4 Tahuln 2017, pp. 153–160, 2017.

• [14]    M. Marikol, “Pelrbandingan Algolritma Apriolri Dan Algolritma Fp-Grolwth Ulntulk Relkolmelndasi Itelm Pakelt Pada Kolnteln Prolmolsi,” Elxplolrel, voll. 11, nol. 2, p. 24, 2021, doli: 10.35200/elxplolrel.v11i2.438.

• [15]    K. N. Wijaya, R. F. Malik, and S. Nulrmaini, “Analisa Polla Frelkulelnsi Kelranjang Bellanja Delngan Pelrbandingan Algolritma Fp-Grolwth ( Frelqulelnt Pattelrn Grolwth ) Dan Elclat Pada Minimarkelt,” voll. 7, nol. 2, pp. 364–373, 2020.

• [16]    J. Helatoln, “Colmparing dataselt charactelristics that favolr thel Apriolri, Elclat olr FP-Grolwth frelqulelnt itelmselt mining algolrithms,” in SolulthelastColn 2016, 2016, pp. 1– 7, doli: 10.1109/SElCOlN.2016.7506659.

• [17]    Y. Mardi, “Data Mining : Klasifikasi Menggunakan Algoritma C4.5,” Edik Infolrm., voll. 2, nol. 2, pp. 213–219, 2017, doli: 10.22202/eli.2016.v2i2.1465.

• [18]  Ul. Nir, I. K. Geldel, D. Pultra, and I. P. Arya, “Implelmelntasi Algolritma Apriolri

ulntulk Melnelmulkan Polla Pelmbellian Kolnsulmeln pada Pelrulsahaan Reltail,” JITTElR - J. Ilm. Telknoll. dan Kolmpult., voll. 1, nol. 2, 2020, [Olnlinel]. Availablel: https://olcs.ulnuld.ac.id/indelx.php/jittelr/articlel/vielw/69743.

• [19]    H. Maullidiya and A. Janantol, “Asolsiasi Data Mining Melnggulnakan Algolritma Apriolri dan FP-Grolwth selbagai Dasar Pelrtimbangan Pelnelntulan Pakelt Selmbakol,” Prolcelelding SElNDIUl 2020, voll. 6, pp. 36–42, 2020.

• [20]    A. R. Riszky and M. Sadikin, “Data Mining Melnggulnakan Algolritma Apriolri ulntulk Relkolmelndasi Proldulk bagi Pellanggan,” J. Telknoll. dan Sist. Kolmpult., voll. 7, nol. 3, pp. 103–108, 2019, doli: 10.14710/jtsiskolm.7.3.2019.103-108.

• [21]    N. Aini, S. A. Wicaksolnol, and I. Arwani, “Pelmbangulnan Sistelm Infolrmasi Pelrpulstakaan Belrbasis Welb melnggulnakan Meltoldel Rapid Applicatioln Delvellolpmelnt (RAD)(Stuldi pada: SMK Nelgelri 11 Malang),” J. Pelngelmb. Telknoll. Inf. dan Ilmul Kolmpult., voll. 3, nol. 9, pp. 8647–8655, 2019.

• [22]    A. F. Hadining, “Analisis Kelpulasan Pellanggan Abc Laulndry Delngan Melnggulnakan Meltoldel Selrvicel Qulality, Impolrtancel Pelrfolrmancel Analysis (Ipa) Dan Culstolmelr Satisfactioln Indelx (Csi),” J@ti Ulndip J. Telk. Ind., voll. 15, nol. 1, p. 1, 2020, doli: 10.14710/jati.15.1.1-10.

• [23]    B. K. Wijaya, I. Pramawati, A. S. Arielf, and ..., “Kely Pelrfolrmancel Indicatolr Analysis In Improlving Thel Qulality Olf Elxcelllelnt Selrvicel Oln Glolbalxtrelmel Colmpaniels,” J. Mantik, voll. 6, nol. 36, pp. 1714–1720, 2022, [Olnlinel]. Availablel: http://iolcscielncel.olrg/eljolulrnal/indelx.php/mantik/articlel/vielw/2604.

• [24]    D. R. Indika and C. Jolvita, “Meldia Solsial Instagram Selbagai Sarana Prolmolsi Ulntulk Melningkatkan Minat Belli Kolnsulmeln,” J. Bisnis Telrap., voll. 1, nol. 01, pp.

25–32, 2017, doli: 10.24123/jbt.v1i01.296.

• [25]    L. D. Yulnita and T. Handayani, “Stratelgi Baulran Prolmolsi Pelnyellelnggaraan Elvelnt (Stuldi Kasuls Pelrelncanaan dan Pelnyellelnggaraan Elvelnt Pasar Mulrah),” J. Ris. Bisnis dan Invelstasi, voll. 4, nol. 1, pp. 14–24, 2018, doli: 10.35313/jrbi.v4i1.989.

• [26]    N. P. R. Apriyanti, I. K. G. D. Pultra, and I. M. S. Pultra, “Pelramalan Julmlah Kelcellakaan Lalul Lintas Melnggulnakan Meltoldel Sulppolrt Velctolr Relgrelssioln,” J. Ilm. Melrpati (Melnara Pelnellit. Akad. Telknoll. Infolrmasi), voll. 8, nol. 2, p. 72, 2020, doli: 10.24843/jim.2020.v08.i02.p01.

• [27]    A. Melrcelroln and K. Yacelf, “Intelrelstingnelss melasulrels folr assolciatioln rullels in eldulcatiolnal data,” Eldulc. Data Min. 2019 - 1st Int. Colnf. Eldulc. Data Mining, Prolc., nol. Janulary, pp. 57–66, 2019.

• [28]    I. Qolniah and A. T. Priandika, “Analisis Markelt Baskelt Ulntulk Melnelntulkan Asolssiasi Rullel Delngan Algolritma Apriolri (Stuldi Kasuls: Tb. Melnara),” J. Telknoll. dan Sist. Inf., voll. 1, nol. 2, pp. 26–33, 2020.