<![CDATA[The utilization of sales transaction data in the retail sector plays an important role in supporting data-driven decision making, particularly in understanding consumer purchasing patterns and designing more effective sales strategies. This study aims to analyze consumer purchasing patterns at Minimarket XYZ as a basis for developing a data-driven product bundling strategy. The main problem faced is stock imbalance caused by the underutilization of transaction data. The method used in this research is data mining using the Apriori algorithm within the CRISP-DM framework, utilizing sales transaction data from October 2024 to September 2025. The variables analyzed consist of product combinations within sales transactions evaluated using the parameters of support, confidence, and lift. The performance of the algorithm was tested using precision and recall methods to evaluate the relevance of the generated association rules against the transaction data. The results show that several product combinations have high support, confidence, and lift values, particularly in the snack–beverage and instant noodle–mineral water categories. These association rules were conceptually validated through the design of product bundling packages that align with consumer purchasing behavior. This study demonstrates that the Apriori algorithm is effective as a decision-support tool for improving promotional efficiency and inventory management in small- to medium-scale minimarkets.Keywords: Data Mining; Apriori Algorithm; Consumer Purchasing Patterns; Product Bundling; Minimarket XYZAbstrakPemanfaatan data transaksi penjualan pada sektor ritel memiliki peran penting dalam mendukung pengambilan keputusan berbasis data, khususnya dalam memahami pola pembelian konsumen dan merancang strategi penjualan yang lebih efektif. Penelitian ini bertujuan untuk menganalisis pola pembelian konsumen pada Minimarket XYZ sebagai dasar perancangan strategi product bundling berbasis data. Permasalahan utama yang dihadapi adalah ketidakseimbangan stok akibat belum dimanfaatkannya data transaksi secara optimal. Metode yang digunakan adalah data mining dengan algoritma Apriori dalam kerangka kerja CRISP-DM menggunakan data transaksi penjualan periode Oktober 2024–September 2025. Variabel yang dianalisis berupa kombinasi produk dalam transaksi penjualan yang dievaluasi menggunakan parameter support, confidence, dan lift. Pengujian performa algoritma dilakukan menggunakan metode precision dan recall untuk menilai relevansi aturan asosiasi yang dihasilkan terhadap data transaksi. Hasil penelitian menunjukkan bahwa terdapat sejumlah kombinasi produk dengan nilai support, confidence, dan lift yang tinggi, terutama pada kategori snack–minuman dan mie instan–air mineral. Hasil uji performa menunjukkan bahwa nilai precision berada pada rentang 0,73–0,80 dan nilai recall pada rentang 0,81–0,86, yang mengindikasikan bahwa algoritma memiliki tingkat akurasi yang baik dalam merekomendasikan paket bundling sesuai pola pembelian konsumen. Dengan demikian, algoritma Apriori terbukti efektif sebagai alat pendukung keputusan dalam meningkatkan efisiensi promosi dan pengelolaan stok pada minimarket skala kecil–menengah. ]]>
