Prediction of Unselling Menu Items for Bundling and Promotion Strategies in Cafés Using Decision Tree Algorithm

Abstract

Industri café di Indonesia menghadapi tantangan dalam mengelola menu yang tidak laris, yang dapat menimbulkan kerugian akibat penumpukan bahan baku dan inefisiensi operasional. Penelitian ini bertujuan untuk memprediksi menu tidak laris menggunakan algoritma Decision Tree sebagai dasar penyusunan strategi bundling dan promosi yang efektif di café. Metode penelitian menggunakan pendekatan Knowledge Discovery in Database (KDD) yang mencakup tahapan seleksi data, pra-pemrosesan, transformasi, data mining, dan evaluasi pola. Dataset penelitian terdiri dari 500 record transaksi café yang dibagi menjadi 80% data latih (400 record) dan 20% data uji (100 record). Variabel yang digunakan meliputi jenis promo, nama menu, harga, kategori harga, cuaca, dan label kelarisan. Hasil penelitian menunjukkan bahwa model Decision Tree mampu memprediksi menu tidak laris dengan akurasi 84%, precision 87,50% untuk kelas Laris, dan 77,78% untuk kelas Tidak Laris. Analisis pohon keputusan mengidentifikasi bahwa jenis promo merupakan faktor paling dominan dalam menentukan kelarisan menu, diikuti oleh nama menu, harga, dan kondisi cuaca. Promo buy 1 get 1 terbukti paling efektif meningkatkan penjualan secara konsisten, sementara menu tanpa promo cenderung tidak laris. Menu seperti Coconut Steezy dan Steezy Coffee menunjukkan performa stabil bahkan dengan diskon ringan. Temuan ini memberikan rekomendasi strategis bagi pengelola café dalam mengoptimalkan promosi, mengurangi pemborosan bahan baku, dan meningkatkan profitabilitas melalui pendekatan berbasis data yang dapat diimplementasikan secara praktis.The café industry in Indonesia faces challenges in managing unselling menu items, which can lead to losses due to raw material accumulation and operational inefficiency. This study aims to predict unselling menu items using the Decision Tree algorithm as a basis for developing effective bundling and promotion strategies in cafés. The research employs the Knowledge Discovery in Database (KDD) approach, encompassing data selection, preprocessing, transformation, data mining, and pattern evaluation stages. The research dataset consists of 500 café transaction records divided into 80% training data (400 records) and 20% testing data (100 records). Variables used include promotion type, menu name, price, price category, weather, and selling label. The results show that the Decision Tree model can predict unselling menu items with 84% accuracy, 87.50% precision for the Selling class, and 77.78% for the Non-Selling class. Decision tree analysis identifies that promotion type is the most dominant factor in determining menu popularity, followed by menu name, price, and weather conditions. Buy 1 get 1 promotions prove most effective in consistently increasing sales, while menus without promotions tend to be unselling. Menus such as Coconut Steezy and Steezy Coffee demonstrate stable performance even with light discounts. These findings provide strategic recommendations for café managers to optimize promotions, reduce raw material waste, and increase profitability through a data-driven approach that can be practically implemented.