PERBANDINGAN METODE DATA MINING DALAM MENGETAHUI POLA PEMBELIAN MENGGUNAKAN ALGORITMA APRIORI DAN FP-GROWTH

Abstrak

Di era digital saat ini, sebuah data transaksi konsumen menjadi sebuah sumber informasi yang penting dalam pengambilan keputusan bisnis dalam sektor ritel. salah satu cara untuk memanfaatkan data transksi tersebut dengan menggunakan data mining untuk menganalisa suatu data, khususnya dengan menggunakan salah satu teknik yaitu association rule. Penelitian ini memiliki tujuan untuk membandingkan antara dua algoritma data mining, yaitu Apriori dan FP-Growth, dalam mengidentifikasi pola pembelian konsumen. Data yang digunakan dalam penelitian ini merupakan data sekunder yang di peroleh dari situs kaggle jumlah data sebelum di bersihkan 541,910 dan setelah dilakukan pembersihan adalah 396,353 dan memiliki 8 atribut. Masalah utama yang diangkat adalah kurangnya pemanfaatan data transaksi untuk memberikan sebuah strategi bisnis yang tepat, serta belum diketahui algoritma mana yang paling efisien dan efektif dalam menemukan pola pembelian. Penelitian ini menggunakan pendekatan CRISP-DM dengan implementasi algoritma Apriori dan FP-Growth menggunakan perangkat lunak RStudio. Hasil analisis menunjukkan bahwa algoritma menghasilkan aturan asosiasi yang serupa, namun berbeda dari sisi efisiensi. Apriori menunjukkan performa lebih baik dengan penggunaan memori sebesar 138 MB dan waktu proses 1,91 detik, dibandingkan dengan FP-Growth yang menggunakan 140,3 MB memori dan waktu proses 2 detik. Oleh karena itu algoritma apriori memiliki performa lebih baik di bandingkan algoritma fp-growth.