<![CDATA[Kemajuan teknologi informasi di sektor ritel menghasilkan data transaksi dalam jumlah besar yang dapat dimanfaatkan untuk memahami perilaku pelanggan dan mendukung pengambilan keputusan bisnis berbasis data. Penelitian ini bertujuan menganalisis pola pembelian dan mengembangkan sistem rekomendasi produk melalui integrasi algoritma K-Means dan FP-Growth. Penelitian dilaksanakan menggunakan tahapan CRISP-DM dengan melibatkan 1.000.000 catatan transaksi ritel periode 2020–2024 yang diperoleh dari Kaggle. K-Means diterapkan untuk mengelompokkan pelanggan berdasarkan jumlah transaksi, total pengeluaran, rata-rata pengeluaran, jumlah produk yang dibeli, serta kecenderungan penggunaan promosi dan diskon. Selanjutnya, FP-Growth digunakan untuk menemukan frequent itemsets dan membentuk aturan asosiasi pada setiap kluster. Hasil metode elbow menunjukkan bahwa jumlah kluster yang sesuai adalah tiga. Kluster 0 terdiri atas 188.607 pelanggan dengan aktivitas belanja relatif rendah, Kluster 1 mencakup 3.171 pelanggan aktif dan loyal, sedangkan Kluster 2 terdiri atas 137.960 pelanggan yang cenderung responsif terhadap promosi dan diskon. Penerapan FP-Growth dengan minimum support sebesar 0,001 dan minimum confidence sebesar 0,01 menghasilkan 19.222 aturan asosiasi, yaitu 6.478 aturan pada Kluster 0, 6.312 aturan pada Kluster 1, dan 6.432 aturan pada Kluster 2. Sebagian besar aturan memiliki nilai lift di bawah 1, yang menunjukkan bahwa keterkaitan antarproduk masih relatif lemah. Meskipun demikian, pada Kluster 1 ditemukan aturan dengan nilai lift sebesar 1,014691, yang mengindikasikan hubungan positif antara kedua produk. Temuan ini menunjukkan bahwa integrasi K-Means dan FP-Growth dapat mengidentifikasi pola pembelian berdasarkan karakteristik setiap segmen pelanggan. Hasil analisis tersebut telah diimplementasikan dalam aplikasi berbasis web dan dapat digunakan sebagai informasi pendukung dalam merancang strategi pemasaran dan penjualan yang lebih terarah.]]>
