Penerapan Data Mining Menggunakan Algoritma FP-Growth Pada Data Penjualan PT CML BATAMINDO

stanley

doi:10.52303/jb.v7i2.165

stanley Universitas Putera Batam

DOI: https://doi.org/10.52303/jb.v7i2.165

Keywords: apriori, aturan asosiasik, data mining, FP-Growth, Analisa Penjualan

Abstract

Kemajuan teknologi informasi memungkinkan perusahaan melakukan analisis data lebih mendalam untuk meningkatkan penjualan. Salah satu teknik data mining yang berguna untuk tujuan ini adalah algoritma FP-Growth (Frequent Pattern Growth). Algoritma ini akan memanfaatkan catatan transaksi dari periode Januari 2024 hingga Desember 2024 sebagai data yang dianalisis. Proses analisis melibatkan pra-pemrosesan data, konstruksi FP-Tree, dan pembangkitan itemset frekuen berdasarkan nilai minimum support dan confidence yang telah ditentukan. Hasil penelitian menunjukkan bahwa algoritma FP-Growth secara efektif mengidentifikasi beberapa aturan asosiasi saat bekerja dengan dataset besar, dengan kecepatan dan skalabilitas sebagai keunggulan utamanya. Analisis mengungkapkan bahwa terdapat 2 itemset dengan minimum support 30% dan confidence 70%, yaitu 'BS' dan 'SO'.

References

[1] P. Simanjuntak and E. Elisa, “Data Mining Untuk Menentukan Pemilihan Celular Card Di Kota Batam,” Journal Information System …, vol. 4, no. 2, pp. 1–5, 2019, [Online]. Available: https://ejournal.medan.uph.edu/index.php/isd/article/view/283%0Ahttps://ejournal.medan.uph.edu/index.php/isd/article/download/283/143
[2] W. Thurachon and W. Kreesuradej, “Incremental Association Rule Mining with a Fast Incremental Updating Frequent Pattern Growth Algorithm,” IEEE Access, vol. 9, pp. 55726–55741, 2021, doi: 10.1109/ACCESS.2021.3071777.
[3] A. Dogan and D. Birant, “Machine learning and data mining in manufacturing,” Expert Syst Appl, vol. 166, p. 114060, Mar. 2021, doi: 10.1016/J.ESWA.2020.114060.
[4] S. Komariyah, Saeful Anwar, and Bani Nurhakim, “Implementasi Data Mining FP-Growth Untuk Analisis Pola Pembelian Pada Transaksi Penjualan,” Jurnal Manajemen Dan Bisnis Ekonomi, vol. 1, no. 2, pp. 62–75, 2023, doi: 10.54066/jmbe-itb.v1i2.128.
[5] R. Khajuria, A. Sharma, S. Sharma, A. Sharma, J. N. Baliya, and P. Singh, “Performance analysis of frequent pattern mining algorithm on different real-life dataset,” Indonesian Journal of Electrical Engineering and Computer Science, vol. 29, no. 3, pp. 1355–1363, 2023, doi: 10.11591/ijeecs.v29.i3.pp1355-1363.
[6] E. C. Vidiya and G. Testiana, “Analisis Pola Pembelian di Lathansa Cafe & Ramen dengan Menggunakan Algoritma FP-Growth Berbantuan RapidMiner,” G-Tech: Jurnal Teknologi Terapan, vol. 7, no. 3, pp. 1118–1126, 2023, doi: 10.33379/gtech.v7i3.2739.
[7] A. Adri, N. D. Rumlaklak, and D. R. Sina, “Implementasi Algoritma Apriori Untuk Analisa Data Penjualan (Studi Kasus: Toko Ud. Suryani),” Jurnal Komputer dan Informatika, vol. 9, no. 2, pp. 182–188, 2021, doi: 10.35508/jicon.v9i2.5132.
[8] D. Dwiputra, A. Mulyo Widodo, H. Akbar, and G. Firmansyah, “Evaluating the Performance of Association Rules in Apriori and FP-Growth Algorithms: Market Basket Analysis to Discover Rules of Item Combinations,” Journal of World Science, vol. 2, no. 8, pp. 1229–1248, 2023, doi: 10.58344/jws.v2i8.403.
[9] A. H. Nasyuha et al., “Frequent pattern growth algorithm for maximizing display items,” Telkomnika (Telecommunication Computing Electronics and Control), vol. 19, no. 2, pp. 390–396, 2021, doi: 10.12928/TELKOMNIKA.v19i2.16192.
[10] P. I. Lestari and M. Andriansyah, “Analisis K-Nearest Neighbor Berdasarkan Forward Selection Untuk Prediksi Status Mahasiswa Non Aktif Pada STMIK Bani Saleh,” Jurnal Informatika: Jurnal Pengembangan IT (JPIT), vol. 6, no. 3, pp. 181–186, 2021, [Online]. Available: http://pddiktiadmin.kemdikbud.go.id/admin/kemahasiswaan/d