Penerapan Metode Association Rule Mining dengan Algoritma Apriori untuk Menemukan Pola Pembelian Konsumen pada Sistem Informasi Retail Berbasis Web
Keywords:
Association Rule Mining, Apriori, Data Mining, Pola Pembelian Konsumen, Sistem Informasi Retail.Abstract
Perkembangan teknologi informasi telah menghasilkan peningkatan jumlah data transaksi pada sektor retail. Data transaksi yang tersimpan dalam sistem informasi retail umumnya hanya digunakan sebagai arsip dan laporan penjualan, sehingga potensi informasi yang terkandung di dalamnya belum dimanfaatkan secara optimal. Penelitian ini bertujuan menerapkan metode Association Rule Mining dengan algoritma Apriori untuk menemukan pola pembelian konsumen pada sistem informasi retail berbasis web. Data transaksi penjualan digunakan sebagai sumber data utama dalam proses analisis. Algoritma Apriori diterapkan untuk memperoleh frequent itemset berdasarkan nilai minimum support dan minimum confidence, kemudian membentuk association rule yang menunjukkan hubungan antar produk yang sering dibeli secara bersamaan. Sistem dikembangkan berbasis web untuk memudahkan pengelolaan data transaksi, proses analisis, dan penyajian hasil secara otomatis. Hasil penelitian menunjukkan bahwa algoritma Apriori menghasilkan puluhan aturan asosiasi yang valid dengan nilai Lift Ratio berkisar antara 2,28–2,70, di mana seluruh aturan memiliki Lift Ratio lebih dari 1 yang menunjukkan hubungan antar produk yang kuat. Aturan dengan Lift Ratio tertinggi sebesar 2,70 diperoleh pada kombinasi Cookie dan Cereal terhadap pembelian Milk. Hasil analisis dapat dimanfaatkan untuk mendukung strategi promosi, rekomendasi produk, pengelolaan persediaan, dan penataan produk pada toko retail, sehingga membantu pengambilan keputusan bisnis berbasis data.
References
[1] . Penelitian terkait penerapan algoritma Apriori telah banyak dilakukan untuk menemukan pola asosiasi pada data transaksi penjualan. Rahmawati dkk.
[2] menerapkan algoritma Apriori pada data penjualan retail fashion dan berhasil menemukan hubungan antar produk yang sering dibeli secara bersamaan. Hasil penelitian tersebut menunjukkan bahwa algoritma Apriori mampu menghasilkan informasi yang dapat dimanfaatkan untuk mendukung strategi pemasaran dan pengelolaan persediaan barang. Selain itu, penelitian yang dilakukan oleh Lahuddin dan Satra
[3] menunjukkan bahwa penerapan Association Rule Mining pada data penjualan minimarket dapat membantu perusahaan dalam menentukan tata letak produk berdasarkan pola pembelian konsumen. Berdasarkan penelitian-penelitian tersebut, algoritma Apriori terbukti efektif dalam menentukan pola pembelian konsumen. Implementasi metode Apriori menjadi solusi yang potensial yang dapat memberikan pemahaman berharga dalam menemukan pola asosiasi dalam pembelian produk. Metode ini didasarkan pada prinsip bahwa jika sekelompok produk sering dibeli bersama, maka ada hubungan yang penting antara produk-produk tersebut. Dengan menerapkan metode Apriori pada data transaksi pembelian, pola asosiasi yang penting dapat diidentifikasikan dan dianalisis
[4] . Dalam aturan asosiasi memiliki 2 parameter yaitu minimum support(persentase kombinasi item dari transaksi) dan minimum confidence (kuatnya hubungan antar item dalam aturan asosiatif
[5] .Penelitian ini menjadi penting karena kurangnya pemanfaatan data transaksi dan kekurangan manajemen produk yang efektif. Berdasarkan permasalahan tersebut, diperlukan suatu analisis yang mampu mengidentifikasi pola pembelian konsumen berdasarkan data transaksi penjualan. Dengan mengetahui ketertarikan antar produk yang sering dibeli secara bersamaan, perusahaan dapat memperoleh informasi yang bermanfaat dalam mendukung pengambilan keputusan bisnis, seperti penyusunan strategi promosi, penempatan produk dan pengelolaan persediaan. Oleh karena itu, penelitian ini mengangkat judul “Penerapan Metode Association Rule Mining dengan Algoritma Apriori untuk Menemukan Pola Pembelian Konsumen pada Sistem Informasi Retail Berbasis Web” dengan harapan dapat menghasilkan informasi yang mendukung efektivitas dan efisiensi pengelolaan bisnis retail. Metodologi Penelitian Penelitian ini menggunakan metode CRISP-DM (Cross-Industry Standard Process for Data Mining) dalam analisis data. CRISP-DM merupakan pendekatan sistematis yang digunakan untuk menerjemahkan masalah bisnis ke dalam tugas data mining
[6] . Selain itu, metodologi ini bersifat fleksibel sehingga dapat diterapkan pada berbagai bidang, termasuk sektor retail yang memiliki volume data transaksi yang besar. Gambar 1. Tahapan Penelitian Berdasarkan Gambar 1, penelitian ini menggunakan metodologi Cross Industry Standard Process for Data Mining (CRISP-DM) dengan beberapa tahapan yang terdiri atas business understanding, data understanding, data preparation, modelling, evaluation dan deployment
[7] . Metodologi ini dipilih karena mampu membantu proses analisis data secara terarah sehingga informasi yang diperoleh dari data transaksi dapat dimanfaatkan untuk mendukung pengambil keputusan bisnis
[8] . Pada penelitian ini, metodologi CRISP-DM diterapkan untuk menganalisis data transaksi penjualan pada sistem informasi retail berbasis web dengan tujuan menemukan pola pembelian konsumen menggunakan algoritma Apriori. Setiap tahapan saling berkaitan dan dilakukan secara berurutan agar menghasilkan aturan asosiasi yang memiliki tingkat akurasi dan relevansi yang baik. Business Understanding Tahapan pertama adalah business understanding, pada tahap ini dilakukan identifikasi terhadap permasalahan yang terjadi pada proses penjualan di sistem informasi retail. Data transaksi yang terus bertambah setiap hari menyimpan berbagai informasi mengenai perilaku pembelian konsumen, namun data tersebut umumnya hanya dimanfaatkan sebagai arsip transaksi sehingga potensi informasi yang terkandung di dalamnya belum dimanfaatkan secara optimal. Oleh karena itu, tujuan penelitian ditetapkan untuk menemukan pola pembelian konsumen berdasarkan data transaksi sehingga dapat memberikan informasi yang bermanfaat bagi pengelola retail dalam menentukan strategi bisnis, seperti penyusunan promosi, penataan produk, maupun pengelolaan persediaan barang
[9] . Data Understanding Tahap data understanding dilakukan dengan mengumpulkan dan mempelajari data transaksi penjualan yang berasal dari sistem informasi retail berbasis web. Data yang digunakan meliputi identitas transaksi, tanggal transaksi, serta daftar produk yang dibeli oleh konsumen. Selanjutnya dilakukan eksplorasi data untuk mengetahui jumlah transaksi, jumlah produk, karakteristik data, serta memastikan tidak terdapat data yang hilang (missing value), data ganda (duplicate), maupun kesalahan penulisan yang dapat mempengaruhi proses analisis. Tahap ini bertujuan agar peneliti memahami kualitas data sebelum memasuki tahap pengolahan lebih lanjut
[10] . Data Preparation Tahap data preparation merupakan proses mempersiapkan data agar sesuai dengan kebutuhan algoritma Apriori. Pada tahap ini dilakukan proses data cleaning untuk menghapus data yang tidak lengkap atau tidak relevan, kemudian dilakukan standarisasi nama produk agar tidak terjadi perbedaan penulisan pada item yang sama. Setelah itu data ditransformasikan ke dalam bentuk transaksi (transaction basket), di mana setiap transaksi direpresentasikan sebagai kumpulan produk yang dibeli secara bersamaan. Hasil dari tahap ini adalah dataset yang telah siap digunakan pada proses pembentukan frequent itemset menggunakan algoritma Apriori
[11] . Modelling Tahap modeling merupakan inti dari penelitian, yaitu menerapkan algoritma Apriori untuk menemukan pola pembelian konsumen. Algoritma Apriori bekerja dengan mencari kombinasi item yang sering muncul secara bersamaan berdasarkan nilai minimum support. Selanjutnya, dari kombinasi item yang memenuhi nilai support akan dibentuk aturan asosiasi (association rules) menggunakan nilai minimum confidence. Selain kedua parameter tersebut, penelitian ini juga menggunakan nilai lift ratio untuk mengetahui tingkat kekuatan hubungan antarproduk sehingga aturan yang dihasilkan benar-benar mencerminkan pola pembelian konsumen dan bukan terjadi secara kebetulan
[12] . Evaluation Tahap evaluation dilakukan untuk menilai apakah aturan asosiasi yang dihasilkan telah sesuai dengan tujuan penelitian. Evaluasi dilakukan dengan menganalisis nilai support, confidence, dan lift ratio pada setiap aturan asosiasi yang terbentuk. Aturan yang memiliki nilai support dan confidence tinggi serta lift ratio lebih besar dari satu menunjukkan adanya hubungan yang kuat antarproduk sehingga layak dijadikan sebagai informasi pendukung dalam pengambilan keputusan bisnis
[13] . Deployment Tahap terakhir adalah deployment. Pada tahap ini hasil analisis disajikan dalam sistem informasi retail berbasis web sehingga dapat dimanfaatkan oleh pengguna. Informasi yang dihasilkan berupa aturan asosiasi yang menunjukkan produk-produk yang sering dibeli secara bersamaan. Hasil tersebut dapat digunakan sebagai dasar dalam menyusun strategi promosi, rekomendasi paket produk, penataan tata letak barang, maupun pengelolaan persediaan sehingga diharapkan mampu meningkatkan efektivitas dan efisiensi pengelolaan bisnis retail
[14] . Hasil dan Pembahasan Hasil penelitian meliputi implementasi sistem informasi retail berbasis web dan penerapan algoritma Apriori untuk menemukan pola pembelian konsumen berdasarkan data transaksi penjualan
[15] . Proses yang dilakukan mencakup implementasi sistem, penggunaan dataset penelitian, tahap data preparation, proses pembentukan frequent itemset, pembentukan association rule, serta pembahasan hasil analisis yang diperoleh
[16] ,
[17] . Selanjutnya, hasil analisis diimplementasikan ke dalam sistem informasi retail berbasis web sebagai pendukung pengambilan keputusan
[18] ,
[19] . Implementasi Sistem Pada penelitian ini dibangun sebuah sistem informasi retail berbasis web yang bertujuan untuk membantu pengelolaan data penjualan serta mengimplementasikan algoritma Apriori dalam menemukan pola pembelian konsumen. Sistem dikembangkan menggunakan Python, JavaScript serta Next.js untuk membangun antarmuka pengguna. Gambar 2. Tampilan Dashboard Berdasarkan Gambar 2, halaman pertama yang ditampilkan adalah halaman dashboard, pada halaman ini ditampilkan ringkasan data, seperti jumlah produk, kategori produk, transaksi, serta menu navigasi menuju seluruh fitur sistem. Selain itu, dashboard juga menyediakan menu navigasi yang memudahkan pengguna dalam mengakses setiap fitur yang tersedia, seperti pengelolaan kategori produk, transaksi, proses analisis Apriori dan laporan. Dengan adanya dashboard, pengguna dapat memperoleh seluruh fungsi sistem dengan lebih mudah dan efisien. Gambar 3. Tampilan keranjang Berdasarkan Gambar 3, halaman keranjang digunakan sebagai tempat penyimpanan sementara produk yang dipilih oleh pelanggan sebelum proses transaksi diselesaikan. Pada halaman ini pengguna dapat melihat daftar produk yang telah dipilih serta jumlah pembelian, harga satuan, subtotal dan total pembayaran. Pengguna juga dapat menambah atau mengurangi jumlah produk, menghapus produk dari keranjang, maupun melanjutkan proses transaksi hingga data tersimpan ke dalam basis data. Seluruh data transaksi dapat berhasil disimpan nantinya akan menjadi dataset yang digunakan dalam proses analisis pola pembelian konsumen menggunakan algoritma Apriori. Gambar 4. Tampilan Admin Panel Berdasarkan Gambar 4, tampilan admin panel merupakan halaman yang digunakan oleh admin untuk mengelola seluruh data pada sistem informasi retail. Melalui halaman ini, admin memiliki hak akses penuh untuk melakukan pengelolaan data kategori, data produk, data pengguna, data transaksi, serta menjalankan proses analisis menggunakan algoritma Apriori
[20] . Selain itu, admin juga dapat melihat hasil association rule yang dihasilkan oleh sistem sebagai dasar dalam menganalisis pola pembelian konsumen
[21] . Hasil analisis ditampilkan dalam bentuk aturan asosiasi yang dilengkapi dengan nilai support, confidence, dan lift ratio, serta menghasilkan rekomendasi aksi bisnis berdasarkan pola pembelian yang ditemukan. Sebagai contoh, apabila suatu kombinasi produk memiliki nilai lift ratio yang tinggi, sistem akan merekomendasikan tindakan seperti pembuatan paket bundling terhadap produk-produk tersebut. Rekomendasi ini dapat digunakan sebagai bahan pertimbangan bagi admin dalam menyusun strategi promosi dan penjualan berdasarkan pola pembelian konsumen. Dataset Penelitian Dataset yang digunakan dalam penelitian ini diperoleh dari platform Kaggle yang menyediakan data transaksi penjualan retail untuk keperluan analisis data. Gambar 5. Tabel Dataset Berdasarkan Gambar 5, dataset yang diperoleh dari platform Kaggle tersebut berisi kumpulan transaksi pembelian konsumen, di mana setiap transaksi memuat informasi mengenai nomor transaksi serta daftar produk yang dibeli pada satu waktu. Data transaksi tersebut digunakan sebagai sumber utama dalam proses pencarian pola pembelian konsumen menggunakan algoritma Apriori. Data Cleaning Pada tahap ini dilakukan proses pembersihan data transaksi sebelum digunakan dalam proses analisis. Data yang memiliki nilai kosong (missing value), data duplikat, maupun data yang tidak relevan dihapus agar tidak mempengaruhi hasil pembentukan aturan asosiasi. Selanjutnya, setiap transaksi disusun dalam bentuk daftar item yang dibeli oleh konsumen sehingga siap digunakan pada tahap berikutnya. Gambar 6. Tampilan Tabel Data Cleaning Berdasarkan Gambar 6, data transaksi berhasil melalui proses data cleaning sehingga data yang tidak lengkap, duplikat, maupun data yang tidak relevan telah dihilangkan
[22] . Setelah proses pembersihan selesai, setiap transaksi disusun dalam bentuk daftar item (item list) yang merepresentasikan produk-produk yang dibeli dalam satu transaksi. Hasil data cleaning ini menjadi dasar pada tahap data preparation, di mana data akan ditransformasikan ke dalam format yang sesuai agar dapat diproses menggunakan algoritma Apriori. Dengan demikian, kualitas data yang telah dibersihkan diharapkan dapat menghasilkan proses analisis yang lebih akurat dan optimal. Transformasi Data Gambar 7. Hasil Transformasi Data Transaksi Berdasarkan Gambar 7, telah dilakukan proses transformasi untuk mengubah setiap transaksi ke dalam bentuk matriks biner
[23] . Nilai 1 menunjukkan bahwa suatu produk terdapat pada transaksi, sedangkan nilai 0 menunjukkan produk tidak terdapat pada transaksi. Dataset hasil transformasi ini digunakan sebagai input algoritma Apriori. Implementasi Algoritma Apriori Gambar 8. Hasil Perhitungan Support Setelah proses data preparation selesai, algoritma Apriori menghitung nilai support untuk setiap kombinasi item. Nilai support menunjukkan seberapa sering kombinasi item muncul pada seluruh transaksi. Kombinasi dengan nilai support yang memenuhi minimum support akan dipilih sebagai frequent itemset. Setelah proses pembentukan association rule, sistem menghitung nilai confidence untuk mengetahui tingkat kepercayaan dari setiap aturan asosiasi yang terbentuk. Hasil perhitungan confidence ditunjukkan pada Gambar 8. F. Hasil Association Rule Gambar 9. Hasil Perhitungan Confidence Berdasarkan Gambar 9, asosiasi suatu produk pada kolom “Rekomendasi” akan dibeli apabila konsumen telah membeli produk pada kolom “Kondisi” asosiasi (Milk, Bread) → (Cereal) dan (Milk, Tomato) → (Cereal) memiliki nilai confidence tertinggi, yaitu 60,5%. Hal ini menunjukkan bahwa sebanyak 60,5% transaksi yang mengandung kombinasi produk Milk dan Bread, serta Milk dan Tomato, juga diikuti dengan pembelian produk Cereal. Selain itu, aturan (Orange, Milk) → (Cereal) memiliki nilai confidence sebesar 60,2%. Sementara itu, beberapa aturan lain seperti (Cookie, Cereal} → (Milk), (Banana, Cereal) → (Milk), (Shampoo, Cereal) → (Milk), (Tomato, Cereal) → (Milk), dan (Cereal, Egg) → (Milk) memiliki nilai confidence berkisar antara 42,6%–43,9%. Nilai tersebut menunjukkan bahwa peluang konsumen membeli Milk setelah membeli kombinasi produk tersebut berada pada kisaran 42–44%. Secara keseluruhan, nilai confidence yang diperoleh menunjukkan bahwa kombinasi produk Milk dan Cereal memiliki hubungan asosiasi yang cukup kuat. Aturan dengan nilai confidence yang lebih tinggi dapat dimanfaatkan sebagai dasar dalam penyusunan rekomendasi produk, strategi promosi, maupun penempatan produk pada sistem informasi retail. Kesimpulan Berdasarkan penelitian yang telah dilakukan, penerapan metode Association Rule Mining dengan algoritma Apriori pada sistem informasi retail berbasis web berhasil dilakukan untuk membantu menemukan pola hubungan antar produk berdasarkan data transaksi penjualan. Hasil penelitian menunjukkan bahwa proses analisis menggunakan algoritma Apriori mampu menghasilkan aturan asosiasi yang dapat memberikan informasi mengenai keterkaitan produk yang sering dibeli secara bersamaan oleh konsumen. Berdasarkan hasil pengujian, diperoleh puluhan aturan asosiasi yang valid dengan nilai Lift Ratio berkisar antara 2,28 hingga 2,70, di mana seluruh aturan memiliki nilai Lift Ratio lebih dari 1. Hasil tersebut menunjukkan bahwa hubungan antar produk yang ditemukan memiliki tingkat asosiasi yang kuat dan tidak terjadi secara kebetulan. Aturan dengan nilai Lift Ratio tertinggi sebesar 2,70 menunjukkan bahwa kombinasi produk Cookie dan Cereal memiliki hubungan yang sangat kuat terhadap pembelian Milk, sehingga dapat dijadikan sebagai dasar dalam penyusunan strategi pemasaran. Dengan demikian, tujuan penelitian untuk memanfaatkan data transaksi sebagai sumber informasi pendukung dalam pengambilan keputusan bisnis telah tercapai. Penerapan hasil analisis ke dalam sistem informasi retail berbasis web memberikan kemudahan bagi pengguna dalam mengelola data transaksi serta memperoleh informasi pola pembelian konsumen secara lebih terstruktur. Informasi yang dihasilkan dapat diterapkan untuk mendukung strategi bisnis seperti penyusunan promosi, rekomendasi produk, pengelolaan persediaan, penataan produk pada toko retail, serta penyusunan paket bundling berdasarkan aturan asosiasi dengan nilai Lift Ratio yang tinggi. Pengembangan selanjutnya dapat dilakukan dengan menggunakan jumlah data transaksi yang lebih besar serta menambahkan metode analisis lain agar hasil pola pembelian yang diperoleh semakin optimal dan dapat memberikan informasi yang lebih akurat bagi pengelola retail. Referensi 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,” Jurnal Sistem Informasi dan Sistem Komputer, vol. 10, no. 2, pp. 289-295, 2025. H. Lahuddin and R. Satra, "Data Mining Approach to Improve Minimarket Sales using Association Rule Method," Jurnal Informatika, vol. 12, no. 1, 2024 Fuadi, A. N., Bhakti, M. H., & Premana, A. (2024). Analisis Pola Pembelian Konsumen Di Toko Ritel DMART Menggunakan Algoritma Apriori Berbasis Website. Jurnal Informatika dan Teknik Elektro Terapan, 12(3). G. F. Nama, et al., "Implementasi Association Rule Dengan Algoritma Apriori Pada Data Peminjaman Buku UPT Perpustakaan Universitas Lampung Menggunakan Metodologi CRISP-DM," Jurnal Informatika dan Teknik Elektro Terapan, vol. 10, no. 1, 2022. V. Arinal and I. Rusmarhadi, "Implementasi Data Mining Untuk Menentukan Strategi Penjualan Produk UMKM Raja Geprek Pada Pola Pembelian Konsumen Menggunakan Algoritma Apriori," INTECOMS: Journal of Information Technology and Computer Science, vol. 7, no. 5, 2024. D. Nurhidayanti and I. Kurniawati, “Implementasi Algoritma Apriori Dalam Menemukan Association Rules Pada Persediaan Sparepart Motor,” Innov. Res. Informatics, vol. 4, no. 2, pp. 62–67, 2022, doi: 10.37058/innovatics.v4i2.5300. R. Siddik, A. P. Juledi, dan V. Sihombing, "Memanfaatkan Algoritma Apriori: Aplikasi Berbasis Web untuk Penambangan Aturan Asosiasi," Jurnal Ilmu Komputer dan Sistem Informasi (JIKOMSI), vol. 7, no. 1, pp. 349–354, 2024. A. Fauziyyah, T. Radillah, dan D. G. A. Candra, "Analisis Data Penjualan Alat-Alat Pancing Menggunakan Algoritma Apriori pada Toko Zacozi Pancing," Technologica, vol. 5, no. 1, pp. 64–74, Jan. 2026. N. M. Mustofa, A. M. Alfarisi, dan A. Tholib, "Penerapan Algoritma Apriori Untuk Menentukan Pola Pembelian Konsumen," Jurnal Sistem Informasi dan Teknologi Informasi Komputer (JSITIK), vol. 4, no. 1, pp. 11–30, Dec. 2025. A. S. Aji dan F. Sulianta, "Mining Data Perilaku Belanja Online Konsumer Menggunakan Algoritma Apriori untuk Menghasilkan Aturan Asosiasi Sebagai Dasar Menentukan Aksi Bisnis pada Web E-Commerce," Sinkron, vol. 8, no. 1, pp. 421–432, 2024, doi: 10.33395/sinkron.v8i1.12071. K. D. Pujiono, Mugiarso, D. Handayani, dan Rasim, "Implementasi Algoritma Apriori pada Sistem Informasi Penjualan Web," Jurnal JSRCS, vol. 6, no. 2, pp. 159–168, Nov. 2025, doi: 10.31599/kjhjrc12. M. Nurdin, B. Sulaeman, dan D. Dasril, "Sistem Informasi Penjualan pada Toko Rahmat Berbasis Website," Jurnal Informatika dan Teknik Elektro Terapan (JITET), vol. 13, no. 3S1, 2025, doi: 10.23960/jitet.v13i3S1.7900. K. D. Fernanda, A. P. Widodo, dan J. Lemantara, "Analysis and Implementation of the Apriori Algorithm for Strategies to Increase Sales at Sakinah Mart," JUITA: Jurnal Informatika, vol. 11, no. 2, p. 203, 2023, doi: 10.30595/juita.v11i2.17341. S. R. P. Ananda, L. P. Y. Putra, A. R. Oktaviano, T. Sulanjari, A. N. Farida, and A. A. Sari, "Analisis pola pembelian pelanggan menggunakan algoritma Apriori pada transaksi belanja supermarket," Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB), pp. 407–413, Jul. 2025. M. Lim and I. Fenriana, "Analisis pola pembelian pelanggan menggunakan algoritma Apriori serta metode pengujian SUS," bit-Tech, vol. 7, no. 3, pp. 705–714, Apr. 2025.
