Finding Customer Patterns Using FP-Growth Algorithm for Product Design Layout Decision Support

Abstract

Database transaksi berisi dataset yang sangat banyak dan tidak teratur sehingga memerlukan mekanisme lain untuk membacanya, padahal banyak pengetahuan baru yang dapat diungkap diantaranya asosiasi atau keterkaitan antar barang atau produk yang sering dibeli oleh pelanggan. Temuan baru keterkaitan antar variabel tersebut biasanya disebut dengan association rule mining. Algoritma yang berkembang dan sering digunakan adalah frequent pattern-growth (FP-Growth). Permasalahan database transaksi yang sangat banyak tersebut juga terjadi di Mr. A. Sehingga pada penelitian ini akan dilakukan mencarian pola pelanggan dengan menggunakan algoritma FP-Growth. Algoritma tersebut bertujuan untuk mencari frequent itemset yang maksimum. Frequent itemset tersebut akan digenerate menjadi aturan asosiatif sehingga menjadi pengetahuan baru yang berharga. Pengetahuan tersebut dapat dijadikan sebagai referensi dan bahan pertimbangan dalam melakukan pengambilan keputusan. Algoritma FP-Growth akan diimplementasikan menggunakan tools rapidminer terhadap data transaksi penjualan barang Mr. A. Pola aturan yang akan dicari berdasarkan data transaksi penjualan barang. Hasil penelitian didapatkan enam aturan asosiasi dengan lima kesimpulan adalah kategori gift. Sehingga saran pengambilan keputusan untuk peletakan (layout) barang berdekatan dan mengelilingi kategori gift agar meningkatkan strategi pemasaran maupun pelayanan guna menarik perhatian dan minat pengunjuk dalam melakukan transaksi pembelian barang. Abstract The transaction database contains a very large and irregular dataset that requires another mechanism to read it, even though there is a lot of new knowledge that can be revealed, including associations or relationships between goods or products that are often purchased by customers. The new finding of the relationship between these variables is usually called association rule mining. The algorithm that is developing and often used is frequent pattern-growth (FP-Growth). The problem of very many transaction databases also occurred in Mr. A. So, in this research, we will look for customer patterns using the FP-Growth algorithm. The algorithm aims to find the maximum frequent itemset. The frequent itemset will be generated into associative rules so that it becomes valuable new knowledge. This knowledge can be used as a reference and consideration in making decisions. The FP-Growth algorithm will be implemented using the rapidminer tools on the transaction data of Mr.A's goods sales. The pattern of rules that will be searched for is based on data on sales of goods transactions. The results of the study obtained six association rules with five conclusions being the gift category. So that the suggestion for decision making is to lay out items close to and around the gift category in order to improve marketing and service strategies in order to attract the attention and interest of pointers in making purchases of goods.