Implementasi Data Mining Untuk Analisis Data Penjualan Sepatu Menggunakan Algoritma Apriori

Abstract

Di era digital yang berkembang pesat, data transaksi menjadi salah satu asset penting bagi perusahaan dalam mendukung pengambilan keputusan strategis, khususnya dalam industri ritel. Penelitian ini bertujuan untuk mengimplementasikan algoritma apriori guna menganalisis pola pembelian sepatu berdasarkan data penjualan yang diunduh dari platform Kaggle. Dengan memanfaatkan tools Google Colab menggunakan bahasa pemrograman Python, penelitian ini berhasil mengidentifikasi merek sepatu yang paling diminati pelanggan serta pola kombinasi pembelian merek sepatu tertentu. Hasil penelitian ini menunjukkan lima aturan asosiasi final dengan minimum support lebih besar sama dengan 50%, minimum confidence lebih besar sama dengan 80% dan minimum lift lebih besar sama dengan 1. Seperti jika membeli Adidas maka membeli Nike dengan support 0,962264, dan confidence 0,962264 serta nilai lift ratio 1. Jika membeli Nike maka membeli Adidas dengan support 0,962264, confidence 1,000000 serta nilai lift ratio sebesar 1. Jika membeli Adidas maka membeli Puma dengan support 0,867925, confidence 0,867925 serta nilai lift ratio sebesar 1. Jika membeli Puma maka membeli Adidas dengan support 0,867925 confidence 1,000000 serta nilai lift ratio sebesar 1. Jika membeli Adidas maka membeli Rebook dengan support 1,000000, confidence 1,000000 serta nilai lift ratio sebesar 1. Penelitian ini dapat memberikan informasi bisnis untuk memprioritaskan stok produk sepatu berdasarkan aturan asosiasi final yang ditemukan. Selain itu, penelitian ini juga menyarankan eksplorasi lebih lanjut menggunakan algoritma lain, seperti FP-Growth, untuk hasil yang lebih optimal.