Detail Cantuman

Dalam bidang bisnis penjualan, memahami pola perilaku konsumen dapat meningkatkan penjualan melalui teknik data mining, khususnya market basket analysis. Tiga algoritma yang umum digunakan adalah apriori, ECLAT, dan FP
Growth. Ketiga algoritma memiliki kegunaan yang sama. Penelitian ini bertujuan untuk melakukan analisis perbandingan performa pada ketiga Algoritma serta mengevaluasi pengaruh peningkatan baris data dan pola kombinasi item terhadap performa algortima.. Dari hasil eksperimen menggunakan 12 jenis dataset transaksi yang merupakan hasil split dari sumber dataset ritel groceries ang berisi 38.765 bari data dan 167 jenis item. Didapati algortima Apriori, ECLAT, dan FPGrowth memiliki efektifitas yang sama, dengan perbedaan ada pada efisiensi yang
diukur berdasarkan penggunaan memori dan waktu. FP-Growth menjadi algoritma paling cepat dan algortima Apriori paling lambat, disamping itu penggunaan memori lebih efisien pada algortima Apriori untuk data yang lebih besar > 5.000, namun namun sebaliknya pada algoritma ECLAT. Kemudian minimum support mempengaruhi jumlah performa ketiga algortima, semakin besar minimum support semakin sedikit jumlah frequent itemset yang dihasilkan dan semakin kecil pula penggunaan memori dan waktu yang dibutuhkan ketiga algoritma. Baris data dan pola kombinasi item dapat mempengaruhi penggunaan memori dan waktu pada ketiga algoritma, kenaikan tiap 200 baris data dan kenaikan pola kombinasi item cenderung meningkatkan penggunaan memori dan waktu pada ketiga algortima, dengan peningkatan pola kombinasi item lebih mempengaruhi performa dari ketiga algoritma. Kata Kunci : Market Basket Analysis, Apriori, ECLAT, FP-Growth