Evaluasi Kinerja Algoritma Apriori dan FP-Growth untuk Association Rule Mining pada Data Transaksi Ritel

Abstract

Ledakan data transaksi ritel yang terekam melalui sistem Point of Sale (POS) dan platform daring menuntut metode analisis yang efektif untuk menggali pola pembelian konsumen. Association Rule Mining merupakan pendekatan populer untuk menemukan keterkaitan antarproduk, dengan algoritma Apriori dan FP-Growth sebagai dua metode yang paling banyak digunakan. Penelitian ini bertujuan memberikan gambaran empiris mengenai efektivitas kedua algoritma tersebut pada data transaksi ritel yang nyata. Metode yang digunakan meliputi tahapan data understanding untuk mengenali struktur data, data cleaning untuk menghapus nilai kosong dan menyeragamkan format, serta data transformation menggunakan TransactionEncoder untuk mengubah data mentah menjadi format biner (one-hot encoded). Selanjutnya algoritma Apriori dan FP-Growth dijalankan dengan parameter yang sama untuk menghasilkan frequent itemsets dan aturan asosiasi. Evaluasi kinerja dilakukan dengan mengukur waktu pemrosesan, jumlah aturan yang dihasilkan, serta nilai support, confidence, dan lift tertinggi. Hasil penelitian menunjukkan bahwa kedua algoritma menghasilkan jumlah aturan yang sama (63 aturan) dengan support tertinggi 0,06, confidence tertinggi 0,51, dan lift tertinggi 3,29, tetapi waktu pemrosesan berbeda signifikan (Apriori 0,39 detik, FP-Growth 6,95 detik). Kesimpulannya, association rule mining efektif mengungkap pola pembelian konsumen, dan algoritma Apriori lebih efisien untuk dataset kecil hingga menengah, sedangkan FP-Growth lebih sesuai untuk dataset yang jauh lebih besar. Keywords - Association Rules, Apriori, FP-Growth, Frequent Itemset, Transaksi Ritel.