Perbandingan Algoritma FP-Growth Dan Eclat Pada Data Penjualan Produk di Minimarket

Tingginya volume transaksi di sektor ritel memerlukan analisis data yang efektif untuk mendukung keputusan yang diambil. Studi ini menyelidiki algoritma FP-Growth dan Eclat dalam mengidentifikasi pola asosiasi produk pada data penjualan minimarket dengan total 44.693 transaksi yang diambil dari platform Kaggle. Proses analisis mengikuti langkah-langkah Knowledge Discovery in Databases (KDD), dimulai dari pemilihan data hingga penilaian hasil. FP-Growth dilaksanakan di Google Colab menggunakan format data tabular, sedangkan Eclat dijalankan di RStudio dengan metode data vertikal. Hasil menunjukkan bahwa kedua algoritma berhasil mengenali kombinasi produk yang sering dibeli bersamaan, seperti Froster Cheese Milk 16 OZ dan Froster Choco 16 OZ. Evaluasi mengungkapkan pola keterkaitan yang serupa dari kedua algoritma, tetapi dengan waktu kinerja yang bervariasi. Dalam pengujian dengan minimum support 0.01 dan confidence 0.3, FP-Growth memerlukan 0.0034 detik untuk memproses dan mendapatkan 2 aturan asosiasi, sementara Eclat memerlukan 0.0399 detik dengan mendapatkan aturan yang sama dengan FP-Growth. Hal yang sama terjadi pada kepercayaan 0.5. FP-Growth lebih cepat, sedangkan Eclat akurat tetapi memiliki kecepatan yang lebih rendah. Temuan ini dapat menjadi landasan dalam menyusun strategi bisnis yang berfokus pada data.

Kata Kunci: Asosiasi, Data Mining, Eclat, FP-Growth, Market Basket Analysis