Penerapan Data Mining Menggunakan Algoritma Apriori Untuk Menganalisis Pola Pembelian Konsumen Pada Minimarket XYZ
Abstract
The utilization of sales transaction data in the retail sector plays an important role in supporting data-driven decision making, particularly in understanding consumer purchasing patterns and designing more effective sales strategies. This study aims to analyze consumer purchasing patterns at Minimarket XYZ as a basis for developing a data-driven product bundling strategy. The main problem faced is stock imbalance caused by the underutilization of transaction data. The method used in this research is data mining using the Apriori algorithm within the CRISP-DM framework, utilizing sales transaction data from October 2024 to September 2025. The variables analyzed consist of product combinations within sales transactions evaluated using the parameters of support, confidence, and lift. The performance of the algorithm was tested using precision and recall methods to evaluate the relevance of the generated association rules against the transaction data. The results show that several product combinations have high support, confidence, and lift values, particularly in the snack–beverage and instant noodle–mineral water categories. These association rules were conceptually validated through the design of product bundling packages that align with consumer purchasing behavior. This study demonstrates that the Apriori algorithm is effective as a decision-support tool for improving promotional efficiency and inventory management in small- to medium-scale minimarkets.
Keywords: Data Mining; Apriori Algorithm; Consumer Purchasing Patterns; Product Bundling; Minimarket XYZ
Abstrak
Pemanfaatan data transaksi penjualan pada sektor ritel memiliki peran penting dalam mendukung pengambilan keputusan berbasis data, khususnya dalam memahami pola pembelian konsumen dan merancang strategi penjualan yang lebih efektif. Penelitian ini bertujuan untuk menganalisis pola pembelian konsumen pada Minimarket XYZ sebagai dasar perancangan strategi product bundling berbasis data. Permasalahan utama yang dihadapi adalah ketidakseimbangan stok akibat belum dimanfaatkannya data transaksi secara optimal. Metode yang digunakan adalah data mining dengan algoritma Apriori dalam kerangka kerja CRISP-DM menggunakan data transaksi penjualan periode Oktober 2024–September 2025. Variabel yang dianalisis berupa kombinasi produk dalam transaksi penjualan yang dievaluasi menggunakan parameter support, confidence, dan lift. Pengujian performa algoritma dilakukan menggunakan metode precision dan recall untuk menilai relevansi aturan asosiasi yang dihasilkan terhadap data transaksi. Hasil penelitian menunjukkan bahwa terdapat sejumlah kombinasi produk dengan nilai support, confidence, dan lift yang tinggi, terutama pada kategori snack–minuman dan mie instan–air mineral. Hasil uji performa menunjukkan bahwa nilai precision berada pada rentang 0,73–0,80 dan nilai recall pada rentang 0,81–0,86, yang mengindikasikan bahwa algoritma memiliki tingkat akurasi yang baik dalam merekomendasikan paket bundling sesuai pola pembelian konsumen. Dengan demikian, algoritma Apriori terbukti efektif sebagai alat pendukung keputusan dalam meningkatkan efisiensi promosi dan pengelolaan stok pada minimarket skala kecil–menengah.
Keywords
References
H. Essalmi and et al., “Dynamic Algorithm for Mining Relevant Association Rules,” Information, vol. 16, no. 3, pp. 1–22, 2025.
I. Hunyadi, “Efficient Discovery of Association Rules in E-Commerce,” Appl. Sci., vol. 15, no. 2, pp. 1–15, 2025.
R. Sarkar and et al., “Improved Apriori Method for Safety Signal Detection Using Weighted Measures,” Mathematics, vol. 12, no. 4, pp. 1–18, 2024.
J. A. Díaz-García and et al., “A Survey on the Use of Association Rules Mining Techniques in Social Media,” Artif. Intell. Rev., vol. 56, pp. 1121–1157, 2023, doi: 10.1007/s10462-022-10351-1.
P. Andriani and L. Lelah, “Penerapan Algoritma Apriori Dengan Market Basket Analysis Untuk Pengaturan Tata Letak Barang,” J. Teknol. Inform. dan Komput., vol. 7, no. 2, pp. 60–69, 2021, doi: 10.37012/jtik.v7i2.633.
R. Noviana, A. Hermawan, and D. Avianto, “Market Basket Analysis Menggunakan Algoritma Apriori dan FP Growth untuk Menentukan Pola Pembelian Konsumen,” J. Media Inform. Budidarma, vol. 7, no. 3, p. 1474, 2023, doi: 10.30865/mib.v7i3.6304.
A. Prastika, E. Pali, and Marchelin, “Analisis Pola Pembelian Konsumen Menggunakan Algoritma Apriori Pada Minimarket Harapan Jaya,” J. Soc. Sci. Res., vol. 4, no. 4, pp. 6813-6824, 2024.
I. Fister Jr. and et al., “Toward Explainable Time-Series Numerical Association Rule Mining,” Mathematics, vol. 13, no. 2, pp. 1–25, 2025.
Gunawan, “Data Mining Using Crisp-Dm Process Framework On Official Statistics: A Case Study of East Java Province,” J. Ekon. dan Pembang., vol. 29, no. 2, pp. 183–198, 2021, doi: https://doi.org/10.14203/jep.29.2.2021.
I. Fister Jr., “A Comprehensive Review of Visualization Methods for Association-Rule Mining,” Knowledge-Based Syst., vol. 284, pp. 110–128, 2023, doi: 10.1016/j.knosys.2023.110.
Y. Tan and et al., Eds., Data Mining and Big Data. Springer, 2021.
L. Cao and et al., Eds., Advanced Data Mining and Applications. Springer, 2022.
S. K. Pal and et al., Eds., Data Mining and Information Security. Springer, 2024.
A. Gandomi and et al., Handbook of Big Data Technologies. Springer, 2023.
R. W. Knechel and et al., Handbook of Big Data and Analytics in Accounting and Auditing. Edward Elgar, 2023.
Marindah and K. Setiawan, “Implementasi Data Mining Menggunakan Algoritma Apriori Terhadap Pola Pembelian Konsumen Di Marketplace Shopee Jaktimstore,” J. Inf. Technol. Comput. Sci., vol. 7, no. 5, pp. 1473–1481, 2024.
S.D. Putri, & S. Sitohang, "Analisis Pola Pembelian Konsumen Menggunakan Algoritma Apriori. Computer and Science Industrial Engineering (COMASIE), vol. 9, no. 7, pp. 889-898, 2023
T. Prasetya, J. Eka Yanti, A. Irma Purnamasari, A. Rinaldi Dikananda, and S. Anwar, “Analisis Data Transaksi Terhadap Pola Pembelian Konsumen Menggunakan Metode Algoritma Apriori,” Informatics Educ. Prof., vol. 6, no. 1, pp. 43–52, 2021.
How To Cite This :
Refbacks
- There are currently no refbacks.
