<![CDATA[Sales transaction data analysis is necessary to uncover relationships between items in the shopping basket, providing strategic insights for business decision-making. This study analyzes associations from a non-store retail sales transaction dataset using the CRISP-DM framework, processed in Google Colab with Python programming language. The model was built using the FP-Growth algorithm with various minimum support values. The results show that the model with a 1% (0.01) minimum support achieved the best balance, forming up to 4-itemsets and producing 954 association rules. The evaluation of the rules revealed a maximum confidence of 93.91% and a minimum of 9.39%, with a lift value > 1, indicating strong relationships between items that are frequently purchased together. These findings can be utilized for product layout arrangement and item recommendations, implemented through a web-based association analysis application.Keywords: FP-Growth Algorithm; Market Basket Analysis; CRISP-DM; Retail Data; Data Mining AbstrakAnalisis data transaksi penjualan diperlukan untuk mengungkap hubungan antar item dalam keranjang belanja, sehingga memberikan wawasan strategis bagi pengambilan keputusan bisnis. Penelitian ini menganalisis asosiasi dari dataset transaksi penjualan ritel non-toko melalui kerangka kerja CRISP-DM, yang diproses ke dalam Google Colab dengan bahasa pemrograman Python. Model dibangun menggunakan algoritma FP-Growth dengan berbagai nilai minimum support. Hasilnya, model dengan minimum support 1% (0,01) mencapai keseimbangan terbaik, membentuk hingga 4-itemset dan menghasilkan 954 aturan asosiasi. Evaluasi aturan asosiasi mengungkap nilai confidence maksimum 93,91% dan minimum 9,39%, dengan nilai lift > 1, yang menunjukkan hubungan kuat antar item yang sering dibeli bersamaan. Temuan ini dapat dimanfaatkan untuk pengaturan tata letak dan rekomendasi item yang diimplementasikan melalui aplikasi analisis asosiasi berbasis web. ]]>
