Publisher

LENTERADUALENTERADUA

Journal JNANALOKAJNANALOKA Abstract

Transaksi penjualan barang pada sebuah perusahaan terjadi setiap hari mengakibatkan semakin bertambah banyaknya catatan transaksi penjualan. Banyak perusahaan menjadikan transaksi penjualan hanya sebagai arsip belaka sehingga berpotensi mengalami kekurangan stok barang. Hal ini terjadi karena transaksi penjualan tidak dianalisis dan dipelajari polanya. Terdapat beberapa metode data mining yang dapat digunakan untuk menganalisis pola pembelian barang secara bersamaan oleh pembeli, di antaranya algoritme Apriori dan FP-Growth. Penelitian ini bertujuan untuk menemukan pola pembelian barang secara bersamaan berdasarkan bulan selama satu tahun, kemudian membandingkan hasil dari kedua algoritme dalam menemukan pola kombinasi itemset pada dataset. Hasil penelitian menunjukkan bahwa algoritme Apriori membutuhkan waktu lebih cepat dalam memproses dan menampilkan hasil, tetapi menghasilkan aturan (rules) yang lebih sedikit dibandingkan algoritme FP-Growth. Sebaliknya, algoritme FP-Growth membutuhkan waktu lebih lama, namun menghasilkan lebih banyak aturan dibandingkan algoritme Apriori.

Conclusion

Algoritme FP-Growth menghasilkan lebih banyak pola pembelian barang dibandingkan algoritme Apriori pada setiap bulan.Meskipun demikian, algoritme Apriori lebih cepat dalam memproses data dan menampilkan hasil.Perbedaan kinerja kedua algoritme ini memberikan pertimbangan dalam pemilihan metode berdasarkan kebutuhan akan kecepatan atau kelengkapan pola.

Future Research

Pertama, perlu dilakukan penelitian lanjutan untuk mengintegrasikan algoritme lain seperti Eclat atau K-Apriori dalam analisis Market Basket guna membandingkan efisiensi dan kelengkapan pola dibandingkan dengan Apriori dan FP-Growth. Kedua, diperlukan kajian tentang penggunaan pendekatan hybrid, seperti menggabungkan FP-Growth dengan teknik pemrograman paralel atau optimasi memori, untuk mengurangi waktu eksekusi tanpa mengorbankan jumlah aturan yang dihasilkan. Ketiga, sebaiknya dikembangkan sistem otomatis yang dapat memilah dataset berdasarkan periode waktu secara dinamis menggunakan kode atau skrip, sehingga mempermudah analisis bulanan atau musiman secara berkelanjutan tanpa ketergantungan pada pemisahan file manual. Penelitian-penelitian ini akan memperdalam pemahaman tentang optimalisasi algoritme dalam konteks data transaksi nyata dan meningkatkan skalabilitas analisis data mining di lingkungan bisnis ritel.

Metadata

File size	1019.24 KB
Pages	9
DMCA	Report