<![CDATA[Abstract. The advancement of information technology has significantly impacted various sectors, including the culinary industry in Bandung. Businesses like Tempat Makan Bandung produce transactional data that remains underutilized. This study processes transactional data using association rule mining and customer segmentation to improve sales efficiency, design promotional strategies, and gain insights into customer preferences. The FP-Growth algorithm identifies purchasing patterns through the FP-Tree data structure, while segmentation is conducted using the K-Medoids algorithm, robust against noise and outliers. Cluster validation was performed using the Silhouette Score. The research analyzed 5723 transactions over three months. Results reveal two customer clusters: Price Sensitive (5663 members) and Quality Oriented (60 members), with a Silhouette Score of 0,8288, indicating strong cluster structure. Association analysis identified 3 significant rules for the full dataset and Cluster 0 (minimum support 2%) and 15 rules for Cluster 1 (minimum support 8%). These findings guide targeted promotions for price-sensitive customers through discounts and bundling strategies, while exclusive offers can build loyalty among quality-oriented customers. This approach enhances business competitiveness and operational efficiency in a dynamic culinary market. Abstrak. Kemajuan teknologi informasi telah membawa perubahan besar pada berbagai sektor, termasuk industri kuliner di Kota Bandung. Bisnis kuliner seperti Tempat Makan Bandung menghasilkan data transaksi yang belum dimanfaatkan secara optimal. Penelitian ini bertujuan untuk mengolah data transaksi menggunakan pendekatan association rule mining dan segmentasi pelanggan guna meningkatkan efisiensi penjualan, menyusun strategi promosi, serta memahami preferensi pelanggan. Data transaksi dianalisis dengan algoritma FP-Growth untuk menemukan pola pembelian pelanggan melalui struktur data FP-Tree, dan segmentasi dilakukan menggunakan algoritma K-Medoids, yang tahan terhadap noise dan outlier. Validasi cluster dilakukan menggunakan Silhouette Score. Objek penelitian mencakup 5723 data transaksi dalam periode tiga bulan. Hasil clustering menghasilkan dua kelompok pelanggan, yaitu Price Sensitive (5663 anggota) dan Quality Oriented (60 anggota), dengan nilai Silhouette Score sebesar 0,8288, menunjukkan struktur cluster yang kuat. Analisis asosiasi menghasilkan 3 aturan signifikan pada dataset penuh dan Cluster 0 (dukungan minimal 2%) serta 15 aturan pada Cluster 1 (dukungan minimal 8%). Temuan ini memberikan wawasan untuk strategi promosi yang fokus pada kebutuhan pelanggan, baik yang sensitif terhadap harga maupun yang berorientasi pada kualitas, guna meningkatkan daya saing bisnis.]]>
