Komparasi Algoritma Equivalence Class Transformation (ECLAT) dan FP-Growth pada Analisis Data Penjualan

Abstract

Minimarket Sinar Mart Kendari menghadapi persaingan ketat dalam sektor ritel. Masalah pemahaman perilaku konsumen menjadi hal yang harus menjadi perhatian. Saat ini, data penjualan yang berlimpah merupakan sumber yang belum dimanfaatkan secara maksimal. Pemanfaatan data dapat dilakukan dengan teknik data mining, khususnya analisis keranjang belanja. Terdapat beragam algoritma data mining, namun fokus penelitian ini adalah perbandingan algoritma ECLAT dan FP-Growth. Algoritma ini dipilih karena sesuai karakteristik data dan tujuan penelitian. Hasil penelitian menunjukkan bahwa sistem analisis menggunakan algoritma ECLAT dan FP-Growth berhasil dibuat. Hal ini terlihat dari suksesnya pengujian black box, manual, dan validitas. Dalam eksperimen menggunakan data 76.168 transaksi, dengan nilai minimum support 0.005%, 0.010%, 0.015%, 0.020%, 0.025% dan 0.030%, serta minimum confidence sebesar 60%, didapati jumlah aturan yang dihasilkan sama. Selain itu pada eksperimen tersebut dapat disimpulkan bahwa ECLAT lebih efisien dalam hal konsumsi memori, sementara FP-Growth lebih cepat dalam menganalisis pola asosiasi baik ketika data yang diproses kecil maupun besar.