<![CDATA[Memahami perilaku konsumen dalam industri elektronik sangat penting untuk mengembangkan strategi pemasaran yang efektif. Penelitian ini membandingkan kinerja algoritma Apriori dan FP-Growth dalam menganalisis pola pembelian konsumen berdasarkan data transaksi PT Girsang yang mencakup 6968 transaksi dalam dua tahun terakhir. Data mining digunakan untuk menemukan hubungan antar produk, dengan algoritma Apriori yang bekerja dengan pendekatan kandidat itemset dan FP-Growth yang menggunakan struktur FP-Tree untuk efisiensi pemrosesan data. Hasil penelitian menunjukkan bahwa kedua algoritma menghasilkan frequent itemsets yang sama, tetapi FP-Growth lebih unggul dalam kecepatan eksekusi. Apriori membutuhkan waktu 0.0050 detik untuk menemukan frequent itemsets dan 0.0028 detik untuk menghasilkan aturan asosiasi, sementara FP-Growth hanya memerlukan 0.0025 detik dan 0.0027 detik, masing-masing. Keunggulan FP-Growth dalam efisiensi pemrosesan membuatnya lebih sesuai untuk dataset besar. Penelitian ini menyarankan penggunaan algoritma FP-Growth untuk optimasi strategi pemasaran dan manajemen inventaris pada industri elektronik. Studi lebih lanjut disarankan untuk mengeksplorasi algoritma lain seperti Eclat dan H-Mine serta integrasi dengan big data untuk meningkatkan akurasi analisis.]]>
Copyrights © 2025
