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. Kata kunci: Toko Retail, Algoritma Apriori, Aturan Asosiasi, Strategi Bisnis, Data Mining.

1. DOI: 10.26418/justin.v12i1.68488
Vol. 12, No. 1, Januari 2024
p-ISSN : 2460-3562 / e-ISSN : 2620-8989
Submitted 08-08-2023; Revised 03-11-2023; Accepted 31-01-2024 30
Aturan Asosiasi Menggunakan Algoritma Apriori sebagai Dasar
Membuat Aksi Bisnis pada Toko Online Retail
Feri Sulianta a1
, Lestari Budi Puspito Saria2
a
Fakultas Teknik, Universitas Widyatama
Jl. Cikutra 204A Bandung 40125, Indonesia
1feri.sulianta@widyatama.ac.id, 2lestari.budi@widyatama.ac.id
Abstrak
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 umunyatidak 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 toko online retail 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.
Kata kunci: Data Online Retail, Algoritma Apriori, Aturan Asosiasi, Aksi Bisnis, Data Mining.
Building Association Rules using the Apriori Algorithm as a
Foundation for Creating Sales Strategies in Online Retail Stores
Abstract
In the business realm, many sectors are involved in the buying and selling process. It's not just large companies
that engage in large-scale sales; there are also many retail businesses catering to the middle and lower classes.
Retail stores typically offer a variety of products rather than just one. In their business operations, retail stores
purchase goods from manufacturers and sell them directly to consumers. With a large customer base and
numerous transactions, retail stores seek to understand consumer buying patterns by leveraging transactional
data. This research aims to analyze consumer purchasing patterns in retail stores using available transaction data.
The transactional data online retail includes information about purchased products, purchase quantities, purchase
times, and consumer profiles. By analyzing this data, retail stores can gain valuable insights into consumer buying
habits, product preferences, sales trends, and other factors that influence purchase decisions. The methods used
in this study are data analysis and statistical modeling. The collected transactional data from retail stores will be
analyzed using statistical techniques such as descriptive analysis, association analysis, and cluster analysis. The
results of this research are expected to provide valuable insights for retail stores to optimize their sales and
marketing strategies. By understanding consumer buying patterns, retail stores can efficiently manage product
inventory, design targeted promotions, and provide a more personalized shopping experience for consumers.
Keywords: Online Retail Data, Apriori Algorithm, Association Rules, Business Actions, Data Mining.
I. PENDAHULUAN
Toko retail online telah menjadi semakin populer dalam
beberapa tahun terakhir[1]. Dengan kemajuan teknologi
dan meningkatnya aksesibilitas internet, banyak konsumen
yang memilih untuk berbelanja secara online daripada
konvensional[2]. Toko retail online memungkinkan

2. JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol. 12 , No. 1 , Januari 2024
Korespondensi : Feri Sulianta 31
konsumen untuk berbelanja kapan saja dan di mana saja,
tanpa perlu meninggalkan rumah atau kantor mereka.
Dalam toko retail online, konsumen dapat menemukan
berbagai jenis produk dari berbagai merek dan penyedia.
Ada toko retail online yang khusus menjual produk tertentu,
seperti pakaian atau barang elektronik, sementara ada juga
toko retail online yang menawarkan berbagai produk dari
berbagai kategori. Dalam toko retail online, konsumen
dapat melakukan pembelian dengan mudah dan nyaman,
dengan hanya mengklik beberapa tombol pada layar
komputer atau gawai mereka[2].
Dalam bisnis toko retail online, data transaksi dapat
menjadi sumber informasi yang sangat berharga untuk
memahami pola pembelian konsumen. Dengan data
transaksi yang lengkap, toko retail online dapat
mengidentifikasi produk yang paling diminati, tren
pembelian, dan preferensi pembayaran konsumen. Adapun,
mengolah data transaksi untuk mengungkap pola
pembelian konsumen tidak semudah yang terlihat. Data
transaksi toko retail online seringkali kompleks dan besar,
memerlukan kemampuan analitik yang kuat untuk
mengolahnya dengan benar[3].
Dalam era digital saat ini, toko retail online memiliki
banyak pilihan alat analitik dan teknik yang dapat
digunakan untuk mengolah data transaksi dan mengungkap
pola pembelian konsumen[4]. Namun, untuk mendapatkan
manfaat maksimal dari data transaksi, toko retail online
harus memilih alat analitik dan teknik yang sesuai dengan
kebutuhan bisnis mereka, dengan demikian teknik data
mining digunakan untuk memenuhi kebutuhan tersebut[5].
Dari sekian banyak pola data mining, aturan asosiasi
digunakan untuk mengolah dan mengungkap pola
pembelian konsumen toko retail online, dengan
menggunakan algoritma Apriori yang nantinya akan
memberikan saran praktis untuk toko retail online yang
ingin meningkatkan penjualan dan keuntungan dengan
memahami pola pembelian konsumen mereka. Pola
pembelian yang didasarkan atau mendekati dengan selera
konsumen serta perilaku konsumen tersebut dapat diolah
dengan metode yang dikenal dengan istilah asosiasi atau
dalam bahasa bisnis sering disebut dengan analisis
keranjang belanja. Aturan asosiasi ini bekerja dengan
menggunakan data latihan untuk menghasilkan
pengetahuan[6]. Pengetahuan yang dimaksud adalah
mengetahui item-item yang sering dibeli dalam satu waktu.
Kemudian aturan yang berbentuk “jika ... maka ...” inilah
yang merupakan pengetahuan yang dihasilkan dari fungsi
asosiasi[6].
Dari data transaksi yang ada, ditemukan ada 8 atribut
dan 540.000 record dalam waktu 1 tahun. Hanya atribut-
atribut yang paling mendukung dalam menentukan
keputusan yang akan diikut sertakan dalam pencarian pola
ini[7]. Dalam kasus ini, atribut yang akan digunakan
sebagai acuan dalam penentuan hubungan asosiasi dengan
menggunakan analisis keranjang belanja adalah :
a. InvoiceNo
b. Description
c. Quantity
Dalam penelitian ini, penulis akan menganalisis data
transaksi yang telah terjadi menggunakan metode
perhitungan nilai support dan confidence untuk
mengevaluasi hubungan antar item[6]. Nilai support dan
confidence yang dihasilkan akan digunakan oleh
manajemen sebagai dasar dalam membuat keputusan
strategis untuk meningkatkan pemasaran yang dibatasi
dengan penelitian hanya pada negara France.
II. METODOLOGI
Penggunaan aturan asosiasi dan algoritma Apriori
dalam analisis data transaksi toko retail online dapat
membantu toko untuk mengidentifikasi pola pembelian
konsumen yang berpotensi meningkatkan penjualan[6].
Analisis data dengan menggunakan aturan asosiasi dan
algoritma Apriori akan memudahkan toko dalam
menentukan produk-produk yang cocok dipasangkan atau
dikelompokkan sehingga meningkatkan peluang
pembelian oleh konsumen[6].
Di era digital saat ini, toko retail online memperoleh
data transaksi yang besar dan kompleks dari konsumen[8].
Data tersebut dapat diolah dan dianalisis menggunakan
teknik-teknik data mining untuk mengidentifikasi pola-
pola yang muncul pada data tersebut[9].
Aturan Asosiasi
Dalam hal ini, aturan asosiasi dan algoritma Apriori
adalah teknik yang dapat digunakan untuk mengekstraksi
pola-pola tersebut[10].Untuk memastikan keandalan hasil
analisis, proses validasi dilakukan dengan memisahkan 30%
dari dataset yang telah melalui proses preprocessing
sebagai dataset uji[11]. Dataset uji ini akan digunakan
untuk menguji keakuratan aturan asosiasi dan algoritma
Apriori yang telah diterapkan pada data transaksi toko retail
online. Dengan melakukan validasi ini, toko dapat
memastikan bahwa pola pembelian konsumen yang
diidentifikasi adalah konsisten dan dapat diandalkan[12].
Aturan asosiasi merupakan teknik untuk
mengidentifikasi hubungan antar item atau produk pada
suatu dataset. Sebagai contoh, dalam sebuah toko retail
online, kita dapat menggunakan aturan asosiasi untuk
mengidentifikasi produk-produk yang sering dibeli
bersamaan oleh konsumen. Kemudian, dengan
menggunakan algoritma Apriori, kita dapat mengekstraksi
pola-pola yang muncul secara berulang pada data
tersebut[13]. Algoritma Apriori akan memungkinkan toko
retail online untuk mengenali kombinasi produk yang
paling sering dibeli oleh konsumen.
Algoritma Apriori
Dengan menerapkan teknik aturan asosiasi dan
algoritma Apriori pada data transaksi toko retail online,
toko dapat mengidentifikasi pola pembelian konsumen dan
melakukan tindakan yang efektif dalam meningkatkan
penjualan. Sebagai contoh, toko dapat menempatkan
produk-produk yang sering dibeli bersamaan dalam satu
kategori atau dikelompokkan agar mudah ditemukan oleh
konsumen, atau toko dapat memberikan diskon atau
promosi pada produk-produk tersebut untuk meningkatkan
penjualan. Dengan cara ini, toko retail online dapat
memperoleh keuntungan dari hasil analisis data

3. JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol. 12 , No. 1 , Januari 2024
Korespondensi : Feri Sulianta 32
menggunakan teknik aturan asosiasi dan algoritma
Apriori[6].
Pseudocode algoritma Apriori
Apriori(T, ε)
J1 ← {Jumlah - itemsets}
k ← 2
while Lk−1 is not empty
Ck ← Apriori_gen(Jk−1, k)
for transaksi t in T
Dt ← {c in Ck : c ⊆ t}
for kandidat c in Dt
count[c] ← count[c] + 1
Jk ← {c in Ck : count[c] ≥ ε}
k ← k + 1
return gabung(Lk)
Apriori_generator(L, k)
hasil ← list()
for all p ∈ L, q ∈ L where p1 =
q1, p2 = q2, ..., pk-2 = qk-2 and pk-1 < qk-
1
c = p ∪ {qk-1}
if u ∈ L for all u ⊆ c where
|u| = k-1
hasil.add(c)
return hasil
Persiapan Pemrosesan Data
Masalah dalam kasus ini difokuskan pada proses
persiapan data, hal ini dilakukan karena data yang akan
dianalisis merupakan data dimensional[3]. Dimana data
dengan 8 atribut dan lebih dari 540.000 record atas data
transaksi yang lebih dari satu tahun itu tidak dipergunakan
seutuhnya. Hanya data-data yang dianggap memenuhi
syarat untuk menentukan pola pembelian konsumen saja
yang dipertahankan untuk diikutkan proses mining. Data
yang ada kemudian dilakukan reduksi, mulai dari
pemilihan data, pembersihan data, mentransformasikan
data serta mengintegrasikan data ke dalam database
terpisah[9]. Pemilihan data dilakukan untuk menentukan
atribut mana saja yang nantinya akan digunakan untuk
proses mining[14]. Adapun transformasi data dilakukan
pada data-data yang memiliki missing value juga guna
adanya standarisasi data untuk proses mining.
Adanya generalisasi pada data yang tersedia ini adalah
untuk mengubahnya menjadi bentuk data yang lebih
terorganisir hingga nantinya dapat diproses menjadi
pengetahuan[3]. Dalam kasus ini, adanya generalisasi data
pada atribut Quantity yang dijadikan value menjadi nilai
true dan false bergantung pada nilai yang ada didalamnya.
Jika Quantity bernilai lebih dari nol maka value-nya
menjadi true dan jika Quantity bernilai nol maka value-nya
menjadi false. Adapun data yang kemudian akan dianalisis
ini sudah ditransformasi guna mengetahui pola pembelian
konsumen yang bergantung pada barang yang dijual.
Adapun contoh yang akan dianalisis atributnya akan
berbentuk seperti : 50'S CHRISTMAS GIFT BAG LARGE,
DOLLY GIRL BEAKER, I LOVE LONDON MINI
BACKPACK, …, ZINC T-LIGHT HOLDER STARS
SMALL.
TABEL I
DATA AWAL
Invoice
No
Description Quantity
Invoice
Date
Unit
Price
Customer
Id
26 536370
ALARM
CLOCK
BAKELIKE
PINK
24
12/1/20
10 8:45
3.75 12583.0
29 536370
PANDA AND
BUNNIES
STICKER
SHEET
12
12/1/20
10 8:45
0.85 12583.0
37 536370
CIRCUS
PARADE
LUNCH BOX
24
12/1/20
10 8:45
1.95 12583.0
40 536370
SET 2 TEA
TOWELS I
LOVE
LONDON
24
12/1/20
10 8:45
2.95 12583.0
N … … … … … …
Aturan dasar asosiasi digunakan dalam menunjang
kebutuhan pencarian pola konsumen dengan melalui dua
tahapan yaitu analisa pola frekuensi tinggi dan
pembentukan pola asosiasi[15]. Pada analisa pola frekuensi
tinggi, tahapan yang dilakukan adalah mencari kombinasi
item dari nilai support dalam data transaksi. Nilai support
ini didapatkan dengan menggunakan rumus berikut:
𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝐴) =
𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑢𝑛𝑡𝑢𝑘 𝐴
𝑇𝑜𝑡𝑎𝑙 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖
( 1 )
Rumus diatas menjelaskan bahwa nilai support didapat
dengan jumlah transaksi yang mengandung item A dan
dibagi dengan total transaksi[7][15]. Adapun rumus untuk
mencari nilai support dari dua item didapatkan dengan
rumus berikut:
𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝐴, 𝐵) =
∑𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑢𝑛𝑡𝑢𝑘 𝐴 𝑑𝑎𝑛 𝐵
∑ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖
( 2 )
Rumus diatas menjelaskan bahwa nilai support didapat
dengan jumlah transaksi yang mengandung item A dan
item B yang kemudian dibagi dengan total transaksi[7].
Jika semua pola frekuensi tinggi sudah ditemukan, maka
tahap selanjutnya adalah mencari aturan asosiasi yang
memenuhi syarat untuk confidence dengan menghitung
nilai confidence aturan asosiatif A dan B. Nilai confidence
dari A dan B diperoleh dari rumus berikut:
𝐶𝑜𝑛𝑓𝑖𝑑𝑒𝑛𝑐𝑒 = 𝑃(𝐴|𝐵)
∑ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑢𝑛𝑡𝑢𝑘 𝐴 𝑑𝑎𝑛 𝐵
∑ 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖(𝐴)
( 3 )
Tahap berikutnya yaitu pengujian aturan asosiasi,
pengujian aturan asosiasi dilakukan kepada aturan asosiasi
yang telah terbentuk sebelumnya. Untuk mengetahuinya
aturan asosiasi tersebut kuat ataupun tidak maka dihitung
kembali dengan nilai lift[6]. Untuk menghitung nilai lift
menggunakan rumus sebagai berikut:
𝐿𝑖𝑓𝑡 =
𝑆𝑢𝑝𝑝𝑜𝑟𝑡(𝐴+𝐵)
𝑆𝑢𝑝𝑝𝑜𝑟𝑡 𝐴∗𝑆𝑢𝑝𝑝𝑜𝑟𝑡 𝐵
( 4 )

4. JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol. 12 , No. 1 , Januari 2024
Korespondensi : Feri Sulianta 33
Tahap terakhir yaitu evaluasi, pada tahap ini mengevaluasi
hasil proses data mining dengan hanya menampilkan aturan
asosiasi yang memiliki nilai lift lebih dari sama dengan satu
karena memiliki keterkaitan satu sama lain sedangkan
apabila nilai lift-nya kurang dari satu maka tidak akan
ditampilkan karena tidak memiliki keterkaitan sama sekali.
Pada tahap ini juga output yang dihasilkan dievaluasi
kebenarannya. Dengan kata lain, cara kerja pencarian data
diatas dapat digambarkan pada Gambar 1.
Data yang digunakan untuk mining perlu melalu proses
pelatihan atau training menggunakan algoritma Apriori.
Sehingga nantinya akan menghasilkan pola berdasarkan
nilai support minimum dan nilai confidence minimum.
Seperti yang sudah dijelaskan diatas bahwa proses reduksi
dalam setiap mining akan selalu berubah mengikuti hasil
yang diharapkan sehingga pemilihan atribut-atribut yang
akan diolah akan berbeda disetiap pola berbeda yang
diinginkannya.
III. HASIL DAN PEMBAHASAN
Langkah awal dalam data mining adalah mencari dan
membuat aturan asosiasi dari dataset yang telah diubah
dengan menggunakan algoritma Apriori. Proses ini terdiri
dari tiga tahap yaitu frequent itemset, association rules, dan
pengujian association rules. Sebelum membentuk aturan
asosiasi, tahap pertama adalah frequent itemset yang
melibatkan penentuan nilai support untuk setiap item.
Dalam tahap ini, kombinasi item yang memenuhi
persyaratan minimum nilai support akan dicari dengan nilai
minimum support yang ditentukan sebesar 0,5. Nilai
support untuk setiap item diperoleh melalui rumus support
yang dilampirkan pada bab sebelumnya.
Gambar 1. Alur pencarian data.
Setelah nilai support diperoleh, itemset yang memenuhi
nilai minimum support akan dipertimbangkan untuk
digabungkan dengan itemset lain, dan nilai support-nya
akan dihitung kembali. Namun, itemset yang tidak
memenuhi nilai support akan dihapus pada iterasi
berikutnya. Pola frekuensi dua itemset dibentuk dari item
yang memenuhi nilai minimum support, dengan
menggabungkan setiap item dalam dua kombinasi yang
berbeda hingga tidak ada kombinasi itemset lagi yang bisa
terbentuk, seperti yang sudah dijelaskan pada bab
sebelumnya.
Setelah mendapatkan semua nilai support dan pola
kombinasi itemset terbentuk, langkah selanjutnya adalah
mencari aturan asosiasi dengan menghitung nilai
confidence untuk setiap aturan yang terbentuk. Nilai
confidence digunakan untuk mengukur seberapa kuat
hubungan antara dua himpunan item dalam aturan asosiasi.
Rumus confidence yang digunakan adalah: Confidence
P(A|B) = Jumlah Transaksi mengandung A dan B/Jumlah
Transaksi mengandung A. Dalam rumus ini, Jumlah
Transaksi mengandung A dan B merupakan jumlah
kemunculan kombinasi itemset A dan B bersama-sama,
sedangkan Jumlah Transaksi mengandung A adalah jumlah
kemunculan itemset A. Dengan menggunakan rumus ini,
kita dapat menghitung nilai confidence untuk setiap aturan
asosiasi dan kemudian menentukan aturan yang memenuhi
threshold confidence yang ditetapkan.
Gambar 2. Grafik support dan confidence.
Visualisasi gambar diatas menampilkan hasil analisis
aturan asosiasi berdasarkan dataset train yang ada. Grafik
ini memberikan informasi mengenai support dan
confidence untuk berbagai aturan asosiasi yang ditemukan
dalam dataset. Grafik ini terdiri dari dua sumbu. Sumbu
horizontal mewakili nilai support, yang menunjukkan
seberapa sering itemset tertentu muncul dalam dataset.
Sumbu vertikal mewakili nilai confidence, yang
mengindikasikan seberapa kuat hubungan antara itemset
antecedent dan consequent dalam aturan asosiasi. Setiap
titik pada grafik mewakili satu aturan asosiasi. Semakin

5. JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol. 12 , No. 1 , Januari 2024
Korespondensi : Feri Sulianta 34
tinggi titik berada pada sumbu confidence, semakin tinggi
tingkat kepercayaan bahwa aturan tersebut benar. Begitu
juga, semakin jauh titik berada di sepanjang sumbu support,
semakin sering itemset tersebut muncul dalam dataset.
Melalui grafik ini, dapat dilihat pola-pola yang menarik
dalam dataset, seperti aturan dengan tingkat support yang
tinggi tetapi confidence yang rendah. Berdasarkan aturan
asosiasi yang disajikan, dapat disimpulkan beberapa hal,
antara lain:
1. Itemset JUMBO BAG WOODLAND ANIMALS
memiliki kemungkinan tinggi untuk dibeli
bersamaan dengan POSTAGE. Hal ini
ditunjukkan oleh tingginya nilai confidence
sebesar 0,961538.
2. Terdapat keterkaitan antara itemset SET/20 RED
RETROSPOT PAPER NAPKINS dan SET/6
RED SPOTTY PAPER CUPS. Aturan asosiasi
menunjukkan bahwa pembelian SET/20 RED
RETROSPOT PAPER NAPKINS akan sering
diikuti oleh pembelian SET/6 RED SPOTTY
PAPER CUPS, dengan nilai confidence sebesar
0,952381.
3. Itemset RED RETROSPOT PICNIC BAG
memiliki kemungkinan tinggi untuk dibeli
bersamaan dengan POSTAGE, dengan nilai
confidence sebesar 0,961538. Hal ini
menunjukkan adanya hubungan kuat antara kedua
itemset ini.
4. SET OF 9 BLACK SKULL BALLOONS
cenderung dibeli bersamaan dengan POSTAGE,
dengan nilai confidence sebesar 0,961538.
Terdapat hubungan yang kuat antara SET/6 RED SPOTTY
PAPER PLATES dan SET/6 RED SPOTTY PAPER CUPS.
Aturan asosiasi menunjukkan bahwa pembelian SET/6
RED SPOTTY PAPER PLATES akan sering diikuti oleh
pembelian SET/6 RED SPOTTY PAPER CUPS, dengan
nilai confidence sebesar 0,960000.
Dalam kesimpulan, aturan asosiasi ini memberikan
wawasan tentang hubungan antara itemset yang sering
dibeli bersama dalam dataset yang digunakan. Informasi ini
dapat digunakan untuk pengambilan keputusan, seperti
strategi pemasaran yang tepat, penempatan produk di toko,
atau rekomendasi pembelian kepada pelanggan.
Dari data tersebut, didapatkan aturan asosiasi sebegai
berikut:
Gambar 3. Grafik frequent itemset data train.
Pengujian kemudian dilakukan dengan frequent itemset
dari data tes yang ada. Hasil yang didapatkan adalah
sebagai berikut:
Gambar 4. Grafik frequent itemset data train.
Pengujian aturan asosiasi kemudian dilakukan untuk
menentukan apakah aturan memiliki asosiasi yang kuat
atau tidak. Untuk mengetahui kekuatan asosiasi, nilai lift
kemudian dihitung kembali menggunakan rumus lift yang
telah dijelaskan sebelumnya pada bab sebelumnya. Adapun
hasil dari proses diatas terlampir pada gambar berikut:
Gambar 5. Grafik support dan confidence.

6. JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol. 12 , No. 1 , Januari 2024
Korespondensi : Feri Sulianta 35
Dari hasil pengujian pada diatas, terlihat bahwa didapatkan
5 aturan asosiasi yang memiliki nilai confidence diatas 70%,
Adapun aturan asosiasi yang didapat adalah sebagai berikut:
1. 4 TRADITIONAL SPINNING TOPS → POSTAGE
2. ALARM CLOCK BAKELIKE PINK → ALARM
CLOCK BAKELIKE GREEN
3. ALARM CLOCK BAKELIKE GREEN → ALARM
CLOCK BAKELIKE PINK
4. ALARM CLOCK BAKELIKE GREEN→
PLASTERS IN TIN SPACEBOY
5. ALARM CLOCK BAKELIKE GREEN →
POSTAGE
Hasil perbandingan diatas menghasilkan aturan
asosiasi dimana salah satu aturan yang bernilai confidence
tinggi atau bisa diandalkan kehandalannya adalah jika
konsumen membeli TRADITIONAL SPINNING TOPS
maka konsumen juga membeli POSTAGE. Begitupun
dengan dengan empat aturan asosiasi lainnya.
Contoh realisasi yang dapat dilakukan berdasarkan
aturan asosiasi yang telah dihasilkan dari penilitian diatas
antara lain adalah sebagai berikut:
1. Jika pelanggan membeli 4 TRADITIONAL
SPINNING TOPS, maka disarankan untuk
menawarkan POSTAGE kepada mereka. Hal ini dapat
meningkatkan peluang penjualan produk tersebut dan
juga meningkatkan keuntungan dari biaya pengiriman.
2. Jika pelanggan membeli ALARM CLOCK
BAKELIKE PINK, maka disarankan untuk
menawarkan ALARM CLOCK BAKELIKE GREEN.
Aturan ini dapat mendorong pelanggan untuk
melengkapi koleksi jam alarm mereka dengan warna
yang berbeda, sehingga meningkatkan penjualan kedua
produk tersebut.
3. Jika pelanggan membeli ALARM CLOCK
BAKELIKE GREEN, maka disarankan untuk
menawarkan ALARM CLOCK BAKELIKE PINK. Hal
ini serupa dengan aturan sebelumnya, namun arah
penawarannya berbeda. Tujuannya tetap sama, yaitu
mendorong pelanggan untuk melengkapi koleksi jam
alarm mereka dengan warna yang berbeda.
4. Jika pelanggan membeli ALARM CLOCK
BAKELIKE GREEN, maka disarankan untuk
menawarkan PLASTERS IN TIN SPACEBOY. Aturan
ini mengindikasikan adanya hubungan antara
pembelian jam alarm dengan pembelian plester dalam
kotak motif Spaceboy. Pelanggan yang tertarik dengan
jam alarm tertentu mungkin juga tertarik dengan produk
perawatan kesehatan seperti plester dalam desain yang
serupa.
5. Jika pelanggan membeli ALARM CLOCK
BAKELIKE GREEN, maka disarankan untuk
menawarkan POSTAGE. Hal ini menunjukkan bahwa
pelanggan yang tertarik dengan jam alarm tersebut
kemungkinan juga membutuhkan pengiriman produk,
sehingga menawarkan opsi POSTAGE dapat
memudahkan mereka dalam melakukan pembelian.
Dengan mengaplikasikan aturan asosiasi ini dalam strategi
penjualan di toko, dapat meningkatkan kesempatan
penjualan produk yang terkait dan memberikan
pengalaman belanja yang lebih personal bagi pelanggan.
Adapun pengaplikasian lain yang dapat dilakukan ialah
dengan beberapa hal berikut:
1) Adanya Potongan Harga
Adanya aturan asosiasi ini, akan lebih mudah untuk
menarik perhatian konsumen dengan memberikan
potongan harga pada kedua item yang dibelinya. Hal
ini dapat lebih meningkatkan pembelian konsumen
pada item terkait. Misal pada pembelian 4
TRADITIONAL SPINNING TOPS konsumen bisa
mendapatkan harga POSTAGE dengan setengah
harga.
2) Meningkatkan Ketersediaan
Dari aturan asosias yang didapatkan, terlihat bahwa
beberapa item dengan penjualan tinggi seperti
ALARM CLOCK BAKELIKE GREEN dan
POSTAGE relatif akan lebih mudah habis. Maka dari
itu, hasil asosiasi ini bisa dijadikan panduan untuk
memastikan bahwa ketersediaan item-item tersebut
tercukupi. Karena disamping tingginya penjualan item
tersebut, ada beberapa item yang dijadikan kombinasi
pembelian oleh konsumen, maka dari itu peningkatan
ketersediaan juga dapat mengoptimalisasi penjualan.
3) Meningkatkan Promosi Produk
Dari aturan asosiasi dapat dilihat bahawa item yang banyak
masuk dalam kombinasi pembelian adalah ALARM
CLOCK BAKELIKE GREEN dan POSTAGE. Maka, pada
kedua item ini bisa ditingkatkan promosinya untuk tingkat
penjualan yang lebih tinggi.
IV. KESIMPULAN
Berdasarkan hasil penelitian dan pengujian hasil data
mining dan hasil yang diperoleh menunjukan bahwa aturan
asosiasi tersebut layak untuk digunakan sebagai aksi bisnis.
Tahapan pengolahan data yang dilakukan melalui preproses
lalu membaginya menjadi dua bagian dimana 70% data
digunakan sebagai data train dan 30% digunakan sebagai
data test yang selanjutnya akan diterapkan aturan asosiasi
pada kedua data tersebut. Sehingga didapatkan lima aturan
asosiasi dengan nilai confidence diatas 70% yang telah
melalui pengujian dari kedua data (data train terhadap data
test). Adapun dalam penilitian ini menghasilkan pola
perilaku konsumen yang dapat digunakan untuk
mengembangkan strategi penjualan yang lebih baik dan
efisien, baik dari segi promosi maupun ketersediaan item
yang ada.
Hasil penelitian ini dapat dikembangkan dan akan lebih
baik untuk dikedepannya dengan beberapa masukan berikut:
1) Data yang lebih banyak. Penggunaan data yang lebih
banyak mungkin dapat menghasilkan pola perilaku
pembelian konsumen yang lebih varitatif. Karena pada
penelitian ini data yang digunakan hanya dari Negara
France, maka kedepannya data yang digunakan bisa
dari berbagai wilayahh lainnya.
2) Jika kedepannya data yang digunakan akan diolah
dengan menggunakan atribut InvoiceDate maka pola
perilaku juga bisa didapatkan dengan melihat pada
masa atau pada waktu-waktu seperti apa penjualan
meningkat dan pada produk apa, sehingga ketersediaan
barang dapat dipersiapkan dan promosi dapat dilakukan
bergantung dengan hasil aturan yang didapatkan.

7. JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol. 12 , No. 1 , Januari 2024
Korespondensi : Feri Sulianta 36
DAFTAR PUSTAKA
[1] Liang, T. P., Ho, Y. T., Li, Y. W., & Turban,E. What drives social
commerce: The role of social support and relationship quality.
International Journal of Electronic Commerce, 21(1), 32-74. 2017.
[2] Bakos, Y., Marotta-Wurgler, F., & Trossen, D. R. Does anyone
read the fine print? Consumer attention to standard-form contracts.
Journal of Legal Studies, 43(1), 1-35. 2014.
[3] Sulianta, F., Liong, T. H., & Atastina, I.. 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. 2013
[4] Chen, H., Chiang, R. H., & Storey, V. C.. Business intelligence and
analytics: From big data to big impact. MIS Quarterly, 36(4), 1165-
1188. 2012.
[5] Chen, Y., Wang, F., & Yang, S. Mining consumer behavior in
online shopping: A decision tree approach. Journal of Retailing and
Consumer Services, 31, 304-310. 2016
[6] Agrawal, R., Imielinski, T., & Swami, A. Mining association rules
between sets of items in large databases. ACM SIGMOD Record,
22(2), 207-216. 1993.
[7] Kohavi, R.. Wrappers for feature subset selection. Artificial
Intelligence, 97(1-2), 273-324. 1997.
[8] Bakos, Y., & Brynjolfsson, E. Bundling and competition on the
Internet. Marketing Science, 19(1), 63-82. 2000
[9] Han, J., Kamber, M., & Pei, J. Data mining: concepts and
techniques. Morgan Kaufmann. 2011.
[10] Han, J., Pei, J., & Yin, Y.. Mining frequent patterns without
candidate generation. ACM SIGMOD Record, 29(2), 1-12. 2000.
[11] Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of
statistical learning: data mining, inference, and prediction (2nd
edition). New York, NY: Springer. 2009.
[12] Tan, P. N., Steinbach, M., & Kumar, V. Introduction to data mining.
Addison-Wesley. 2005.
[13] Liu, B. Web data mining: Exploring hyperlinks, contents, and
usage data. Springer Science & Business Media. 2011.
[14] Han, J., Kamber, M., & Pei, J. Data Mining: Concepts and
Techniques (3rd Edition). Morgan Kaufmann. 2011.
[15] Silvanie, A. 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. 2020.