<![CDATA[Latar Belakang: Di era digital, bisnis ritel menghadapi tantangan dalam memahami perilaku konsumen dan menyusun strategi pemasaran yang efektif. Market Basket Analysis (MBA) menjadi pendekatan populer untuk menganalisis pola pembelian konsumen guna mempertahankan daya saing. Tujuan: Menemukan pola pembelian pelanggan dan mengidentifikasi aturan asosiasi antar produk yang dapat dimanfaatkan dalam strategi pemasaran seperti penempatan produk, bundling, dan personalisasi.Metode: Algoritma Apriori pada dataset transaksi ritel dari Kaggle yang berisi lebih dari 90.000 entri. Data dianalisis setelah melalui tahap pra-pemrosesan dan transformasi dengan teknik one-hot encoding. Algoritma dijalankan dengan parameter minimum support 0,005 dan confidence 0,5. Hasil: Hasil menunjukkan bahwa produk “12V U1 L&G 6” memiliki nilai support tertinggi sebesar 2,92%. Pasangan produk “1.5V IND AAA ALK BULK” dan “1.5V IND AA ALK BULK” menunjukkan asosiasi kuat dengan confidence 68,9% dan lift 58,46%. Kesimpulan: Penelitian ini berhasil mengidentifikasi pola pembelian konsumen dan menghasilkan aturan asosiasi yang signifikan sebagai dasar strategi pemasaran berbasis data. Penelitian selanjutnya disarankan mengeksplorasi algoritma lain seperti FP-Growth atau Eclat untuk membandingkan efisiensi dan akurasi.]]>
Copyrights © 2025
