<![CDATA[To increase product sales, sales companies need to think of various strategies in achieving them, one of which is utilizing sales transaction data to support sales strategies in a better direction. This article examines and compares the performance of the Apriori and FP-Growth algorithms in forming customer shopping cart association patterns, to be used as a reference for company management in planning sales strategies. The CRIPS-DM method is used in the data mining process, following 5 main phases, including: Business Understanding, Data Understanding, Data Preparation, Modeling Model, and evaluation model. A total of 749 samples of sales transaction data were tested to understand the association pattern generated by each method. Based on the test results with minimum support = 0.06 and confidence = 0.02, the Apriori algorithm produces 9 rules (association rules) with a total rule strength of 0.72 (0.08 average per rule), while the Fp-growth algorithm produces 14 rules with a total rule strength of 2.32 (average 0.17 per rule). Thus, the FP-Growth algorithm can be stated to perform better in generating association rules when compared to the Apriori algorithm.Keywords: Data mining; Association rules; Sales strategy Abstrak. Untuk meningkatkan penjualan produk, perusahaan penjualan perlu memikirkan berbagai strategi dalam pencapaiannya, salah satu diantaranya memanfaatkan data transaksi penjualan untuk mendukung strategi penjualan ke arah yang lebih baik. Artikel ini mengnguji dan membandingkan kinerja algoritma Apriori dan FP-Growth dalam pembentukan pola asosiasi keranjang belanja pelanggan, untuk dapat menjadi acuan manajemen perusahaan dalam merencanakan strategi penjualan. Metode CRIPS-DM digunakan dalam proses data mining, dengan mengikuti 5 fase utama, meliputi: Business Understanding, Data Understanding, Data Preparation, Modelling Model, dan avaluation model. Sejumlah 749 sampel data transaksi penjualan diuji untuk memahami pola asosiasi yang dihasilkan masing-masing metode. Berdasarkan hasil pengujian dengan minimum support=0,06 dan confidence=0,02, algoritma Apriori menghasilkan 9 rules (aturan asosiasi) dengan total kekuatan rules sebesar 0,72 (rerata 0,08 setiap rule), sedangkan algorima Fp-growth menghasilkan 14 rules dengan total kekuatan rule sebesar 2,32 (rerata 0,17 setiap rule). Dengan demikian, algoritma FP-Growth dapat dinyatakan berkinerja lebih baik dalam menghasilkan aturan asosiasi jika dibandingkan dengan algoritma Apriori.Kata Kunci: Data mining; Aturan asosiasi; Strategi penjualan]]>
