Perbandingan Kinerja Algoritma Apriori dan Fp-Growth dalam Analisis Pola Pembelian Produk pada Timmy Store

Abstract

Pemanfaatan teknik data mining dalam industri ritel digital semakin dibutuhkan untuk memahami pola perilaku konsumen. Salah satu pendekatan yang banyak digunakan adalah Market Basket Analysis (MBA), yang bertujuan mengenali keterkaitan antarproduk dalam transaksi. Penelitian ini membandingkan kinerja dua algoritma MBA, yaitu Apriori dan FP-Growth, dalam menganalisis pola pembelian produk di Timmy Store menggunakan data transaksi periode Desember 2024-Maret 2025. Setelah dilakukan proses pembersihan, diperoleh 2.274 transaksi valid yang kemudian dibentuk menjadi 220 keranjang pembelian berdasarkan identitas pelanggan. Hasil penelitian menunjukkan bahwa algoritma Apriori mampu menghasilkan 15 frequent 1-itemset dan 4 frequent 2-itemset, serta tiga aturan asosiasi yang memenuhi batas minimum support 5% dan confidence 50%. Aturan paling kuat ditemukan pada keterkaitan Ancient Megalodon  Fisch Phantom Megalodon dengan support 0,159, confidence 62,5%, dan lift 1,88. Sementara itu, algoritma FP-Growth menghasilkan pola yang sama, tetapi dengan waktu proses yang lebih cepat akibat tidak dilakukannya pembangkitan kandidat seperti pada Apriori. Secara keseluruhan, FP-Growth lebih unggul dalam aspek efisiensi komputasi, sedangkan Apriori tetap relevan karena memberikan transparansi perhitungan yang lebih mudah ditelusuri.