• Document: ANALISIS KERANJANG PASAR UNTUK REKOMENDASI PRODUK (CONSUMER GOOD) MENGGUNAKAN FP-GROWTH DENGAN KLASTERISASI CLARANS
  • Size: 434.8 KB
  • Uploaded: 2018-10-14 13:48:58
  • Status: Successfully converted


Some snippets from your converted document:

Jurnal Teknologi Informasi, Volume 12 Nomor 2, Oktober 2016, ISSN 1907-3380 ANALISIS KERANJANG PASAR UNTUK REKOMENDASI PRODUK (CONSUMER GOOD) MENGGUNAKAN FP-GROWTH DENGAN KLASTERISASI CLARANS Stefanus Santosa1, Jadi2 1 Politeknik Negeri Semarang 2 Pasca Sarjana Teknik Informatika Universitas Dian Nuswantoro ABSTRACT Market basket analysis is a generic term for methodology that study the composition of a basket of products. It has the objective of indentifying products, or groups of products, that tend to occur together (are associated). The discovery of this relationship can help merchant to develop a strategy of sales to consider the goods are often purchased with by customer. The knowledge that obtained market analysis basket is very important, because it can help recommendations product and promotion products so marketing strategy to be more appropriate. Market basket analysis can approach with Association Rule, such as apriori and FP-Growth. But they are a number of technical issues relating to the most common recommendations techniques. Association Rule tend to ignore the large itemset, To overcome these problems, existing attributes clustered to form groups of the same attributes and then determine the association patterns in each group. This study will use CLARANS algorithm for clustering on sales data and apply the FP-Growth algorithm to approach the association in each cluster. So that the product recommendations to customers to be more accurate because the Dataset that will be associated to be smaller. To the experimentally determined value of Minimum Support is 70% - 100% and Confidence Minimum value 70% - 100%. From the measurement results using Support, Confidence and Lift Ratio is found that a high number of rule in third cluster. Key word: Market Basket Analysis, Association Rule Mining, Recomendation Product,, Promotion Product, CLARANS, FP-Growth. 1. PENDAHULUAN 1.1. Latar Belakang Analisis keranjang pasar adalah istilah umum untuk suatu metode yang mempelajari komposisi sekeranjang produk yang dibeli. Pertama kali diperkenalkan kerangka Association Rule digunakan untuk mempelajari keranjang pasar[1]. Selain itu, analisis keranjang pasar (juga dikenal sebagai Association Rule mining) merupakan salah satu metode pengolahan data yang berfokus pada penemuan pola pembelian dengan mengekstraksi asosiasi atau kejadian dari data transaksi sebuah toko[2]. Analisis keranjang pasar memiliki tujuan untuk mengidentifikasi produk, atau kelompok produk, yang cenderung terjadi bersama-sama (berhubungan) dalam transaksi pembelian (keranjang). Penemuan dari hubungan ini dapat membantu pedagang untuk mengembangkan strategi penjualan dengan mempertimbangkan barang yang sering dibeli bersamaan oleh pelanggan. Pengetahuan yang diperoleh dari analisis keranjang pasar sangat penting[3], karena dapat membantu rekomendasi produk dan promosi produk sehingga strategi pemasaran menjadi lebih tepat. Penentuan pola pembelian barang yang kurang akurat dapat mengakibatkan kebijakan rekomendasi produk dan promosi produk menjadi tidak tepat sasaran. Banyak algoritma yang diusulkan untuk menemukan aturan asosiasi [4], dan algoritma pertama yang paling efisien adalah Apriori[5]. Selain itu banyak juga peneliti-peneliti yang menggunakan algoritma lain, seperti Christidist et al. yang melakukan penelitian pada e-commerce dengan menggunakan latent topic models pada data transaksi histori pasar sehingga dapat membantu menentukan rekomendasi produk kepada pelanggan menjadi lebih efektif bahkan pada dataset dan itemset yang besar [7]. Zhuobo Rong et http://research. pps.dinus.ac.id , 103 Jurnal Teknologi Informasi, Volume 12 Nomor 2, Oktober 2016, ISSN 1907-3380 al. mengajukan metode pelaksanaan baru yang didasarkan pada MapReduce lingkungan paralel untuk mempertimbangkan itemset yang sering muncul untuk menghasilkan aturan asosiasi, dan kemudian diverifikasi dengan menggunakan berbagai ukuran Dataset nyata dengan node yang berbeda dalam cluster. Zhuobo Rong et al. menentukan Association Rule dengan menggunakan MapRecude database [8]. Chien-Hua Wang et al. pada teknik Association Rule [6] mengatakan bahwa dalam algoritma Association Rule konvensional, pemindaian database membutuhkan waktu yang sangat besar terutama ketika seseorang menggunakan Algoritma Apriori, yang sering mempengaruhi efisiensi dalam data mining. Untuk mengatasi kelemahan tersebut, Han et al. mengusulkan metode data mining, yang disebut Frequent Pattern-Growth (FP-Growth) [9], yang tidak perlu menghasilkan generate candidate item sets dan dianggap lebih efisien. FP-Growth dibangun dengan membaca kumpulan data satu transaksi pada waktu dan pemetaan setiap transaksi ke dalam bagian Frequent Pattern-Tree (FP-Tree)[6]. Untuk menganalisis keran

Recently converted files (publicly available):