Aturan Asosiasi menggunakan Algoritma Apriori sebagai Dasar Aksi Bisnis pada Toko Online Retail
DOI:
https://doi.org/10.26418/justin.v12i1.68488Keywords:
Toko Online Retail, Algoritma Apriori, Aturan Asosiasi, Aksi Bisnis, Data MiningAbstract
Didalam hal bisnis, banyak sektor yang terlibat dalam proses jual beli. Tidak hanya penjualan besar yang dilakukan oleh perusahaan-perusahaan yang juga besar, masih banyak bisnis toko retail yang dilakukan masyarakat menengah kebawah. Toko retail umunya tidak menjual satu produk namun relatif banyak produk yang ditawarkan dalam bisnisnya. Dalam bisnisnya, toko retail membeli barang yang akan dijualnya dari produsen yang kemudian dijualnya kembali pada para konsumen secara langsung. Cukup banyaknya pelanggan dan proses transaksi, toko retail ini ingin mengetahui pola pembelian konsumen dengan memanfaatkan data transaksi yang sudah terjadi. Penelitian ini bertujuan untuk menganalisis pola pembelian konsumen pada toko retail dengan memanfaatkan data transaksi yang telah terjadi. Data transaksi tersebut mencakup informasi mengenai produk yang dibeli, jumlah pembelian, waktu pembelian, dan profil konsumen. Dengan menganalisis data transaksi tersebut, toko retail dapat memperoleh wawasan yang berharga mengenai kebiasaan pembelian konsumen, preferensi produk, tren penjualan, dan faktor-faktor lain yang dapat mempengaruhi keputusan pembelian. Metode yang digunakan dalam penelitian ini adalah analisis data dan pemodelan statistik. Data transaksi yang dikumpulkan dari toko retail akan dianalisis menggunakan teknik-teknik statistik seperti analisis deskriptif, analisis asosiasi, dan analisis klaster. Hasil dari penelitian ini diharapkan dapat memberikan wawasan yang berharga bagi toko retail dalam mengoptimalkan strategi penjualan dan pemasaran mereka. Dengan memahami pola pembelian konsumen, toko retail dapat mengatur stok produk dengan lebih efisien, merancang promosi yang tepat, dan menyediakan pengalaman berbelanja yang lebih personal bagi konsumen.
References
Liang, T. P., Ho, Y. T., Li, Y. W., & Turban, E. (2017). What drives social commerce: The role of social support and relationship quality. International Journal of Electronic Commerce, 21(1), 32-74.
Bakos, Y., Marotta-Wurgler, F., & Trossen, D. R. (2014). Does anyone read the fine print? Consumer attention to standard-form contracts. Journal of Legal Studies, 43(1), 1-35.
Sulianta, F., Liong, T. H., & Atastina, I. (2013, March). Mining food industry's multidimensional data to produce association rules using Apriori algorithm as a basis of business strategy. In 2013 International Conference of Information and Communication Technology (ICoICT) (pp. 176-181). IEEE.
Chen, H., Chiang, R. H., & Storey, V. C. (2012). Business intelligence and analytics: From big data to big impact. MIS Quarterly, 36(4), 1165-1188.
Chen, Y., Wang, F., & Yang, S. (2016). Mining consumer behavior in online shopping: A decision tree approach. Journal of Retailing and Consumer Services, 31, 304-310.
Agrawal, R., Imielinski, T., & Swami, A. (1993). Mining association rules between sets of items in large databases. ACM SIGMOD Record, 22(2), 207-216.
Kohavi, R. (1997). Wrappers for feature subset selection. Artificial Intelligence, 97(1-2), 273-324.
Bakos, Y., & Brynjolfsson, E. (2000). Bundling and competition on the Internet. Marketing Science, 19(1), 63-82.
Han, J., Kamber, M., & Pei, J. (2011). Data mining: concepts and techniques. Morgan Kaufmann.
Han, J., Pei, J., & Yin, Y. (2000). Mining frequent patterns without candidate generation. ACM SIGMOD Record, 29(2), 1-12.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: data mining, inference, and prediction (2nd edition). New York, NY: Springer.
Tan, P. N., Steinbach, M., & Kumar, V. (2005). Introduction to data mining. Addison-Wesley.
Liu, B. (2011). Web data mining: Exploring hyperlinks, contents, and usage data. Springer Science & Business Media.
Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques (3rd Edition). Morgan Kaufmann.
Silvanie, A. (2020). Pencarian Frequent Itemset dengan Algoritma Apriori dan Python. Studi kasus: Data Transaksi Penjualan Eceran Online di UK. Jurnal Nasional Informatika (JUNIF), 1(2), 103-113.
Downloads
Additional Files
Published
Issue
Section
License
Copyright (c) 2024 JUSTIN (Jurnal Sistem dan Teknologi Informasi)
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
The author owns the copyright in his paper and agrees to publish his paper to JUSTIN by giving the rights to the first publication of his paper which is simultaneously licensed under the Creative Commons Attribution License, namely the Similar International 4.0 license (CC BY-NC-SA 4.0).
This is a human-readable summary of (and not a substitute for) the license. Disclaimer.
You are free to:Share "” copy and redistribute the material in any medium or format
Adapt "” remix, transform, and build upon the material
The licensor cannot revoke these freedoms as long as you follow the license terms.
Under the following terms:
Attribution "” You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
NonCommercial "” You may not use the material for commercial purposes.
ShareAlike "” If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
No additional restrictions "” You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Notices:
You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation.
No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.
