Analisis Menggunakan Association Rule dengan Algoritma Apriori pada Data Transaksi Retail
Keywords:
Association Rule, Algoritma Apriori, Data Mining, Market Basket Analysis, Retail.Abstract
Perkembangan bisnis retail menghasilkan data transaksi dalam jumlah besar yang dapat dimanfaatkan untuk memperoleh informasi mengenai pola pembelian pelanggan. Namun, data tersebut sering kali belum dimanfaatkan secara optimal sebagai dasar pengambilan keputusan. Penelitian ini bertujuan menerapkan metode Association Rule menggunakan algoritma Apriori untuk menemukan hubungan antarproduk yang sering dibeli secara bersamaan serta mengembangkan aplikasi berbasis Streamlit sebagai media analisis. Dataset yang digunakan merupakan data transaksi retail yang terdiri atas 38.765 baris data dan setelah proses preprocessing diperoleh 3.898 transaksi valid dengan 167 jenis produk. Proses analisis menggunakan parameter minimum support sebesar 8%, minimum confidence sebesar 50%, minimum lift sebesar 1, dan maximum rule length sebanyak 3 item. Hasil penelitian menunjukkan bahwa sistem berhasil menghasilkan 65 frequent itemset dan 11 association rule yang memenuhi seluruh parameter. Aturan terbaik diperoleh pada kombinasi other vegetables dan rolls/buns menuju whole milk dengan nilai support sebesar 8,21%, confidence sebesar 55,94%, dan lift sebesar 1,221. Nilai tersebut menunjukkan adanya hubungan asosiasi positif sehingga informasi yang diperoleh dapat dimanfaatkan untuk strategi product bundling, cross-selling, penataan tata letak produk, serta pengelolaan persediaan barang. Aplikasi yang dikembangkan juga mampu menampilkan hasil analisis, visualisasi network graph, rekomendasi produk, dan fasilitas ekspor laporan sehingga dapat membantu pengambilan keputusan bisnis berbasis data.
References
[1] ,
[2] . Pemahaman mengenai pola pembelian konsumen ini menjadi kunci strategis bagi perusahaan untuk menyusun kampanye pemasaran, mengoptimalkan tata letak barang, mengelola stok inventori, serta merancang strategi cross-selling atau rekomendasi produk yang akurat
[3] ,
[4] ,
[5] . Untuk mengekstraksi informasi berharga dari basis data transaksi, pendekatan data mining yang paling efektif dan umum digunakan adalah Market Basket Analysis (MBA)
[6] ,
[7] ,
[8] . Secara spesifik, teknik association rule mining di dalam MBA bertujuan untuk menemukan probabilitas dan pola hubungan antar beberapa item produk yang sering dibeli secara bersamaan oleh pelanggan di dalam satu keranjang belanja
[9] ,
[10] ,
[11] . Dari berbagai algoritma penggalian aturan asosiasi, algoritma Apriori dinilai sebagai metode yang paling populer, andal, dan efisien dalam membentuk aturan asosiasi pada basis data berskala besar
[12] ,
[13] . Algoritma Apriori terbukti mampu memberikan tingkat akurasi yang tinggi dalam menggali pola kombinasi pembelian produk bila dibandingkan dengan algoritma lainnya
[14] ,
[15] ,
[16] . Dalam implementasinya, algoritma ini beroperasi dengan mengevaluasi nilai minimum dukungan (support) untuk mengukur proporsi kemunculan kombinasi item, serta menggunakan nilai kepastian (confidence) untuk menguji kekuatan hubungan antar item tersebut
[17] ,
[18] ,
[19] . Berdasarkan latar belakang tersebut, penelitian ini bertujuan untuk mengimplementasikan teknik association rule menggunakan algoritma Apriori secara mendalam pada data transaksi ritel. Hasil dari analisis ini difokuskan untuk menemukan himpunan produk yang paling sering dibeli secara bersamaan, sehingga menghasilkan aturan asosiasi yang kuat
[20] ,
[21] . Temuan penelitian ini diharapkan dapat memberikan rekomendasi yang berbasis data konkret (data-driven) guna membantu pihak manajemen ritel dalam pengambilan keputusan bisnis, seperti merancang paket promosi (bundling), mengoptimalkan penempatan rak produk, serta menunjang penawaran produk tambahan (crossselling) demi mendongkrak profitabilitas penjualan
[22] ,
[23] . Metodologi Penelitian Penelitian dilakukan melalui tahapan-tahapan terstruktur berdasarkan kerangka kerja Cross Industry Standard Process for Data Mining (CRISP-DM), mulai dari pemahaman data, persiapan data, pemodelan hingga evaluasi hasil analisis. Gambar 1. Tahapan Metode CRISP-DM A. Business Understanding Pada tahap Business Understanding, penelitian bertujuan untuk memanfaatkan data transaksi penjualan retail guna menemukan pola pembelian konsumen menggunakan algoritma Apriori. Permasalahan yang dihadapi adalah besarnya data transaksi yang belum dimanfaatkan secara optimal sehingga belum mampu memberikan informasi mengenai keterkaitan antarproduk. Hasil analisis diharapkan mampu membantu pihak retail dalam: menentukan strategi cross-selling, menyusun paket promosi (bundling), mengoptimalkan tata letak produk, membantu pengendalian stok barang. Tahapan ini menjadi dasar dalam menentukan tujuan penelitian sebelum dilakukan proses analisis data. B. Data Understanding Pada tahap Data Understanding, dilakukan proses pengenalan terhadap dataset yang akan digunakan dalam penelitian. Dataset yang digunakan adalah Groceries Dataset yang diperoleh dari platform Kaggle. Dataset ini berisi riwayat transaksi pembelian pelanggan pada sebuah toko retail yang banyak digunakan sebagai dataset acuan dalam penelitian Market Basket Analysis dan Association Rule Mining menggunakan algoritma Apriori. Dataset dapat diakses melalui platform Kaggledengan judul Groceries Dataset yang berisi data pembelian produk retail yang sesuai dengan kebutuhan penelitian. C. Data Preparation Tahap Data Preparation bertujuan menyiapkan dataset agar siap diproses. Tahapan yang dilakukan meliputi: membersihkan data yang kosong (missing value), menghapus data duplikat, menggabungkan transaksi berdasarkan nomor transaksi, melakukan transformasi menggunakan One Hot Encoding sehingga data berubah menjadi matriks biner. D. Modeling Pada tahap Modeling dilakukan implementasi algoritma Apriori menggunakan library Python. Parameter yang digunakan yaitu : Minimum Support = 8% Minimum Confidence = 50% Minimum Lift = 1 Maximum Rule Length = 3 Algoritma Apriori membentuk frequent itemset kemudian menghasilkan association rule berdasarkan nilai support, confidence, dan lift. Berikut merupakan rumus-rumus yang akan di gunakan. Rumus Support untuk 1 item (SingleItem A): (1) Rumus Support untuk kombinasi 2 item (Itemset A dan B): (2) Rumus Confidence (3) Atau dapat dinyatakan melalui rasio nilai support: (4) Rumus Lift Ratio (5) E. Evaluation Tahap Evaluation bertujuan mengevaluasi kualitas aturan asosiasi yang dihasilkan. Evaluasi dilakukan menggunakan tiga metrik utama yaitu Support, Confidence, dan Lift Ratio Suatu aturan dianggap layak apabila memenuhi seluruh parameter minimum yang telah ditentukan dan memiliki nilai Lift > 1 sehingga menunjukkan adanya hubungan positif antarproduk. F. Deployment Tahap Deployment merupakan implementasi hasil model ke dalam aplikasi berbasis Streamlit. Fitur aplikasi meliputi: Upload Dataset Dashboard Frequent Itemset Association Rule Smart Recommendation Insight Bisnis Export PDF/Excel Tahap ini menunjukkan bahwa hasil analisis dapat digunakan langsung oleh pengguna sebagai pendukung pengambilan keputusan. G. Arsitektur Model Sistem Model aplikasi analisis asosiasi retail otomatis ini dibangun menggunakan arsitektur perangkat lunak modular berbasis Three-Tier Architecture (Arsitektur Tiga Lapis) yang memisahkan antara presentasi visual, logika komputasi, dan penyimpanan data. Struktur arsitektur ini dirancang untuk memastikan kinerja aplikasi tetap optimal ketika menangani dataset berskala besar. Komponen arsitektur model tersebut terdiri atas: Presentation Layer (Lapisan Antarmuka): Merupakan lapisan terluar aplikasi yang dikembangkan menggunakan framework Streamlit Front-End. Lapisan ini menyediakan antarmuka grafis (GUI) yang interaktif bagi pengguna, seperti widget pengunggah berkas (st.file_uploader), penggeser dinamis (slider) untuk penentuan parameter support dan confidence, representasi grafis Network Graph menggunakan pustaka matplotlib atau pyvis, serta tabel visualisasi data yang interaktif. Business Logic Layer (Lapisan Logika Bisnis): Merupakan inti pemrosesan data (core processing engine) yang mengeksekusi algoritma data mining. Lapisan ini ditulis dalam bahasa pemrograman Python dan memanfaatkan pustaka mlxtend.frequent_patterns untuk pemrosesan algoritma Apriori (apriori) dan pembentukan aturan asosiasi (association_rules). Alur logika lapisan ini bertugas menerima matriks biner hasil pra-pemrosesan, menyaring frequent itemset, dan menghitung nilai metrik asosiasi secara real-time berdasarkan masukan parameter dari Presentation Layer. Data Layer (Lapisan Data): Merupakan lapisan penyimpanan dan pengelolaan data. Berkas transaksi retail format .csv (Groceries Dataset) dibaca dan diolah ke dalam struktur data Pandas Dataframe. Untuk menjaga efisiensi kinerja dan menghindari proses komputasi berulang, lapisan data ini memanfaatkan fitur Session State dari Streamlit (st.session_state) guna menyimpan dataset bersih dan matriks transaksi biner secara aman di memori server selama sesi pengguna aktif. Hasil dan Pembahasan A. Business Understanding Tahap Business Understanding pada penelitian ini bertujuan untuk mengetahui pola pembelian pelanggan berdasarkan data transaksi penjualan retail sehingga dapat menghasilkan informasi yang mendukung pengambilan keputusan bisnis. Permasalahan utama yang dihadapi adalah banyaknya data transaksi yang tersimpan, namun belum dimanfaatkan secara optimal untuk memperoleh informasi mengenai keterkaitan antarproduk yang sering dibeli secara bersamaan. Berdasarkan hasil implementasi algoritma Apriori, tujuan penelitian tersebut berhasil dicapai dengan ditemukannya pola asosiasi antarproduk yang memiliki hubungan signifikan. Sistem mampu mengolah dataset transaksi retail menjadi informasi yang lebih bernilai melalui pembentukan 65 frequent itemset dan 11 association rule yang memenuhi parameter minimum support sebesar 8%, minimum confidence sebesar 50%, dan minimum lift sebesar 1. Hasil tersebut menunjukkan bahwa data transaksi yang sebelumnya hanya berfungsi sebagai arsip dapat diubah menjadi informasi yang mendukung proses pengambilan keputusan bisnis. Informasi yang diperoleh dari aturan asosiasi dapat dimanfaatkan oleh pihak retail dalam menyusun strategi pemasaran, seperti product bundling, cross-selling, penataan tata letak produk pada rak, serta pengelolaan persediaan barang. Salah satu aturan asosiasi terbaik yang diperoleh adalah kombinasi other vegetables dan rolls/buns yang mengarah pada pembelian whole milk, dengan nilai support sebesar 8,21%, confidence sebesar 55,94%, dan lift sebesar 1,221. Hasil tersebut menunjukkan adanya hubungan positif antarproduk sehingga dapat dijadikan dasar dalam penyusunan strategi promosi yang lebih efektif. Secara keseluruhan, hasil analisis menunjukkan bahwa penerapan algoritma Apriori mampu memenuhi tujuan bisnis penelitian, yaitu mengubah data transaksi retail menjadi informasi yang dapat digunakan sebagai dasar pengambilan keputusan berbasis data (data-driven decision making) untuk meningkatkan efektivitas strategi pemasaran dan operasional pada bisnis retail. B. Data Understanding Dataset memiliki tiga atribut utama, yaitu: Member_number : Nomor identitas pelanggan. Date/Tanggal : terjadinya transaksi pembelian. ItemDescription : Nama produk yang dibeli pada transaksi tersebut. Contoh data transaksi ditunjukkan pada Tabel 1. Tabel 1. Dataset Dataset awal terdiri atas 38.765 baris data transaksi yang merepresentasikan aktivitas pembelian pelanggan selama periode tertentu. Setiap baris menunjukkan satu item yang dibeli dalam suatu transaksi sehingga satu pelanggan dapat memiliki beberapa baris data pada tanggal transaksi yang sama. Karakteristik tersebut menjadikan dataset sesuai untuk diterapkan pada teknik Market Basket Analysis, karena memungkinkan identifikasi pola pembelian produk yang sering muncul secara bersamaan dalam satu transaksi. Sebelum dilakukan proses pemodelan menggunakan algoritma Apriori, dataset akan melalui tahap Data Preparation untuk memastikan kualitas data dan menyesuaikan format agar dapat diproses oleh algoritma. C. Data Preparation Tahapan pemodelan data mining dilakukan dengan memanfaatkan Groceries Dataset yang merepresentasikan rekam jejak aktivitas penjualan pada ritel modern. Karakteristik data historis sebelum dan sesudah melewati fase pra-pemrosesan diidentifikasi secara menyeluruh oleh sistem dengan rincian dimensi sebagai berikut: Tabel 2. Ringkasan Hasil Pra-pemrosesan Data Total Baris Data Mentah: 38.765 baris data transaksi terdistribusi dalam basis data tunggal. Total Transaksi Valid (Cleaned): 3.898 transaksi pembelian unik setelah melewati perbaikan data duplikat dan missing values. Total Kategori Produk Unik: 167 jenis produk retail yang tersebar secara acak di berbagai keranjang belanja konsumen. D. Modeling Pada tahap ini, algoritma Apriori diimplementasikan untuk mencari frequent itemset, yaitu kombinasi produk yang memenuhi nilai ambang batas tertentu. Proses ini sangat bergantung pada penentuan parameter metrik utama, yaitu nilai minimum support untuk menyeleksi kandidat kombinasi produk yang sering muncul, dan minimum confidence untuk menyaring serta memastikan bahwa aturan asosiasi yang terbentuk memiliki tingkat kepastian yang kuat dan valid
[24] ,
[25] ,
[26] . Nilai Dukungan (Support) Support adalah metrik yang menunjukkan persentase atau kombinasi kemunculan suatu item atau kombinasi item di dalam keseluruhan basis data transaksi. Nilai Kepastian (Confidence) Confidence adalah metrik yang mengukur kuatnya hubungan antar-item dalam aturan asosiasi. Metrik ini menunjukkan kepastian seberapa sering item B dibeli jika pelanggan membeli item A. Nilai Penguatan (Lift Ratio) Lift Ratio digunakan sebagai validasi akhir untuk mengukur keandalan dan kekuatan dari association rule yang terbentuk. Nilai lift menentukan apakah aturan asosiasi tersebut valid dan bermakna secara acak atau tidak. Pengujian validitas aturan berdasarkan nilai Lift Ratio adalah sebagai berikut: Jika nilai Lift > 1, maka aturan asosiasi dinyatakan valid dan menunjukkan hubungan positif (kemunculan item A sangat memengaruhi pembelian item B). Jika nilai Lift = 1, maka item A dan item B bersifat independen (tidak saling memengaruhi). Jika nilai Lift < 1, maka aturan dinyatakan tidak valid atau menunjukkan hubungan negatif. E. Evaluation Evaluasi dilakukan untuk mengetahui kualitas aturan asosiasi yang dihasilkan serta memastikan bahwa sistem yang dikembangkan mampu menjalankan seluruh proses analisis sesuai dengan parameter yang telah ditentukan. Pengujian dilakukan menggunakan dataset transaksi retail yang terdiri atas 38.765 baris data, kemudian diproses menjadi 3.898 transaksi valid setelah melalui tahap preprocessing. Tabel 3. Eksperimen Skenario Parameter Algoritma Apriori Pada tabel 3, Parameter yang paling optimal digunakan pada algoritma Apriori yaitu minimum support sebesar 8%, minimum confidence sebesar 50%, minimum lift sebesar 1, dan maximum rule length sebanyak 3 item. Berdasarkan hasil pengujian, sistem berhasil menghasilkan 65 frequent itemset dan 11 association rule yang memenuhi seluruh parameter tersebut. Jumlah aturan yang dihasilkan relatif sedikit dibandingkan apabila menggunakan nilai minimum support yang rendah. Hal ini menunjukkan bahwa penggunaan minimum support sebesar 8% mampu menyaring kombinasi produk yang kurang signifikan sehingga aturan yang diperoleh lebih relevan dan memiliki peluang lebih besar untuk diterapkan pada lingkungan bisnis retail. Evaluasi terhadap kualitas aturan asosiasi dilakukan menggunakan tiga metrik utama, yaitu support, confidence, dan lift ratio. Nilai support menunjukkan tingkat kemunculan kombinasi produk pada seluruh transaksi, sedangkan confidence menggambarkan tingkat keyakinan bahwa suatu produk akan dibeli apabila pelanggan membeli produk tertentu. Sementara itu, lift ratio digunakan untuk memastikan bahwa hubungan antarproduk tidak terjadi secara kebetulan, berikut merupakan Tabel 1 menyajikan 10 aturan asosiasi terbaik yang diurutkan berdasarkan nilai Confidence dan Lift tertinggi. Tabel 4. Top 10 Aturan Asosiasi Terbaik Selain evaluasi terhadap algoritma, dilakukan pula evaluasi terhadap fungsionalitas aplikasi berbasis Streamlit. Seluruh fitur utama, meliputi proses upload dataset, preprocessing data, pengaturan parameter Apriori, pembentukan frequent itemset, pembentukan association rule, visualisasi network graph, pencarian rekomendasi produk, serta ekspor laporan ke format CSV dan PDF berhasil dijalankan tanpa mengalami kesalahan. Dengan demikian, sistem dinilai telah mampu mendukung proses analisis data transaksi retail secara otomatis dan menghasilkan rekomendasi yang dapat dimanfaatkan sebagai dasar pengambilan keputusan bisnis. Gambar 2. Visualisasi Network Graph F. Implementasi Flowchart Sistem Proses penambangan data (data mining) dari awal pemrosesan hingga menghasilkan luaran rekomendasi bisnis dirancang secara sistematis melalui urutan langkah logis yang terstruktur. Alur data tersebut dapat dijabarkan dalam tahapan-tahapan operasional secara ringkas sebagai berikut: Gambar 3. Visualisasi Flowchart Implementasi dan Bedah Antarmuka Aplikasi Streamlit Sistem komputasi otomatisasi algoritma Apriori ini diwujudkan ke dalam platform aplikasi berbasis web interaktif memanfaatkan arsitektur komponen dari framework Streamlit. Berdasarkan hasil pengujian sistem, fungsionalitas antarmuka aplikasi terbagi ke dalam 7 modul halaman utama yang dapat diakses melalui menu navigasi sidebar: Halaman Dashboard: Menyajikan panel informasi eksekutif ringkas (executive summary). Halaman ini secara visual langsung menampilkan tiga metrik utama berupa kartu status dataset, yaitu Total Baris Data (38.765 baris), Total Transaksi Valid (3.898), dan Jumlah Produk Unik (167 item) serta pratinjau grafik frekuensi produk terpopuler. Gambar 4. Tampilan Halaman Dashboard Halaman Upload Dataset: Menyediakan komponen drag-and-drop untuk memproses file Groceries_dataset.csv. Halaman ini dilengkapi pratinjau 10 baris pertama data pasca-transformasi untuk memastikan keaslian struktur data sebelum diproses lebih lanjut oleh mesin algoritma. Gambar 5. Tampilan Halaman Dashboard Upload Dataset Halaman Frequent Itemset: Menampilkan hasil pemetaan kombinasi barang yang lolos dari seleksi nilai ambang batas support. Tabel dilengkapi fitur pengurutan (sorting) otomatis untuk mempermudah pencarian kombinasi produk yang memiliki frekuensi kemunculan tertinggi. Gambar 6. Tampilan Halaman Frequent Itemset Halaman Association Rule: Memuat kumpulan aturan asosiasi dari hasil ekstraksi data transaksi. Pengguna dapat menyaring aturan secara spesifik berdasarkan rentang nilai confidence atau memilah produk antecedent tertentu melalui kolom pencarian. Gambar 7. Tampilan Halaman Association Rule Halaman Smart Recommendation: Berfungsi sebagai modul sistem rekomendasi pintar. Pengguna cukup memilih satu produk pada menu dropdown (contoh: "yogurt"), dan sistem akan menampilkan visualisasi persentase kecenderungan konsumen untuk membeli produk pasangan (contoh: "whole milk") yang diperkuat dengan instruksi tindakan strategi pemasaran terapan. Gambar 8. Tampilan Halaman Smart Reccomendation Halaman Insight & Strategi Bisnis: Menyediakan analisis naratif otomatis (automated textual insight) yang digenerasikan oleh sistem berdasarkan aturan asosiasi terkuat yang terdeteksi untuk mendukung pengambilan keputusan manajemen toko tanpa perlu membaca angka tabel yang rumit. Gambar 9. Tampilan Halaman Insight Halaman Export Report: Menyediakan fasilitas pengunduhan dokumen. Modul ini menyediakan tombol unduh laporan resmi berformat PDF (Laporan Resmi PDF) yang rapi serta dokumen kerja Spreadsheet (Excel & CSV) sebagai arsip manajerial perusahaan. Gambar 10. Tampilan Halaman Export Report Kesimpulan Penelitian ini berhasil mengimplementasikan metode Market Basket Analysis menggunakan algoritma Apriori untuk menemukan pola keterkaitan antarproduk berdasarkan data transaksi penjualan ritel. Dataset yang digunakan terdiri atas 38.765 baris data, 3.898 transaksi valid, dan 167 jenis produk. Dengan menggunakan parameter minimum support sebesar 8%, minimum confidence sebesar 50%, minimum lift sebesar 1, serta maximum rule length sebanyak 3 item, sistem berhasil menghasilkan 65 frequent itemset dan 11 association rules yang memenuhi seluruh kriteria yang telah ditentukan. Hasil ini menunjukkan bahwa penggunaan nilai support yang lebih tinggi mampu menyaring aturan asosiasi sehingga hanya menghasilkan pola pembelian yang benar-benar sering muncul dan memiliki hubungan yang signifikan. Selain menghasilkan aturan asosiasi, penelitian ini juga berhasil mengembangkan sebuah aplikasi berbasis web menggunakan Streamlit yang mampu mendukung proses analisis data secara interaktif. Aplikasi menyediakan fitur pengaturan parameter Apriori, visualisasi hubungan antarproduk dalam bentuk network graph, pencarian rekomendasi produk berdasarkan aturan asosiasi, serta fasilitas ekspor hasil analisis ke dalam format CSV dan PDF. Fitur-fitur tersebut memudahkan pengguna dalam melakukan analisis maupun mendokumentasikan hasil penambangan data. Dari sisi bisnis, informasi yang dihasilkan dapat dimanfaatkan sebagai dasar dalam penyusunan strategi product bundling, cross-selling, penataan ulang tata letak produk, serta pengelolaan persediaan barang. Dengan memanfaatkan pola pembelian pelanggan yang diperoleh dari algoritma Apriori, pihak ritel dapat meningkatkan efektivitas promosi, mengoptimalkan ketersediaan stok, dan mendukung pengambilan keputusan yang lebih tepat berdasarkan data transaksi yang dimiliki. Referensi
[27] A. Wijaya, A. Faqih, D. Solihudin, C. L. Rohmat, and S. E. Permana, “Penerapan Association Rules Menggunakan Algoritma Apriori Untuk Identifikasi Pola Pembelian,” 2023.
[28] D. Laila Safitry et al., “Analisis Pola Pembelian Konsumen MEnggunakan Algoritma Apriori Untuk Menentukan Strategi Pemasaran Produk Di Toko Retail X,” 2025.
[29] I. Utnasar, “Analisis Data Pola Pembelian Konsumen Dengan Algoritma Apriori Pada Transaksi Penjualan Minimarket D Mart,” Jurnal Sistem Informasi Dan Informatika, vol. 2, no. 1, 2024, [Online]. Available: http://jurnal.unidha.ac.id/index.php/jteksis
[30] I. F. Rahman and D. Riana, “Market Basket Analysis untuk Penjualan Retail: Perbandingan Akurasi Algoritma Apriori dan FP-Growth Berbasis CRISP-DM,” Jurnal Algoritma, vol. 22, no. 1, pp. 468–479, May 2025, doi: 10.33364/algoritma/v.22-1.2303.
[31] A. N. Aulia, E. Mufida, L. K. Rahayu, E. Rachmawati, H. Hertyana, and D. Andriansyah, “Analisa Pola Asosiasi Produk Pada Transaksi Penjualan Retail Online Menggunakan Algoritma Apriori,” Jurnal INSAN (Journal of Information Systems Management Innovation, vol. 6, no. 1, 2026, [Online]. Available: http://jurnal.bsi.ac.id/index.php/jinsan
[32] N. M. Mustofa, A. M. Alfarisi, and A. Tholib, “Penerapan Algoritma Apriori Untuk Menentukan Pola Pembelian Konsumen,” JSITIK: Jurnal Sistem Informasi dan Teknologi Informasi Komputer, vol. 4, no. 1, pp. 11–30, Dec. 2025, doi: 10.53624/jsitik.v4i1.710.
[33] S. Aulia Miranda, F. Fahrullah, and D. Kurniawan, “Implementasi Association Rule Dalam Menganalisis Data Penjualan Sheshop dengan Menggunakan Algoritma Apriori,” METIK JURNAL, vol. 6, no. 1, pp. 30–36, Jul. 2022, doi: 10.47002/metik.v6i1.342.
[34] R. Suganda and A. Solichin, “Analisis Transaksi Penjualan Produk Minuman Kopi Menggunakan Metode Association Rule Dengan Algoritma Apriori Analysis of Sales Transactions for Coffee Beverage Products Using The Association Rule Method With The Apriori Algorithm,” KRESNA: Jurnal Riset dan Pengabdian Masyarakat, vol. 4, no. 1, 2024, [Online]. Available: https://jurnaldrpm.budiluhur.ac.id/index.php/Kresna/
[35] S. Butsianto, Candra Naya, and Anggi Muhammad Rifa’i, “Implementasi Algoritma Apriori dalam Menemukan Pola Asosiasi pada Data Penjualan Produk Retail,” Bulletin of Computer Science Research, vol. 5, no. 5, pp. 938–947, Aug. 2025, doi: 10.47065/bulletincsr.v5i5.731.
[36] D. Selvida et al., “Nearest Neighbor untuk Analisis Pola Prediksi Pembelian,” Journal of Informatics, Information System, and Artificial Intelligence, vol. 4, no. 1, pp. 54–63, 2026.
[37] Septianingsih and A. Bayu Santoso, “Implementasi Association Rule Mining Menggunakan Algoritma Apriori Untuk Rekomendasi Cross-Selling Produk Ritel,” Jurnal Algoritma, vol. 23, no. 1, May 2026, doi: 10.33364/algoritma/v.23-1.3381.
[38] L. M. Zidan, “Jurnal Komisi (Komputer dan Sistem Informasi) Analisis Aturan Asosiasi pada Data Transaksi,” Jurnal Komisi (Komputer dan Sistem Informasi), vol. 2, no. 2, pp. 41–50, 2025, [Online]. Available: https://komisijournal.indiepress.id/index.php/komisi/index
[39] H. R. Wijaya, K. Khairil, and D. Lianda, “Implementasi Data Mining Menggunakan Algoritma Apriori dalam Menentukan Persediaan Barang,” Digital Transformation Technology, vol. 5, no. 1, pp. 427–433, Jul. 2025, doi: 10.47709/digitech.v5i1.6381.
[40] S. D. Rahmawati, A. B. Oktavia, F. S. A. Putri, and D. L. Fithri, “Penerapan Algoritma Apriori Untuk Menemukan Pola Asosiasi Pada Data Penjualan Retail Fashion,” SIMKOM, vol. 10, no. 2, pp. 289–295, Jul. 2025, doi: 10.51717/simkom.v10i2.910.
[41] Rizka, H. Pratama, P. Nabawy, B. Cahyadi, and Mhd. Furqan, “Analisis Pola Asosiasi Interaksi Pengguna pada Sistem Informasi Akademik Berbasis Web Menggunakan Algoritma Apriori,” Data Sciences Indonesia (DSI), vol. 5, no. 1, pp. 10–17, Jul. 2025, doi: 10.47709/dsi.v5i1.5943.
