STUDI KOMPARASI ALGORITMA APRIORI, ECLAT, dan FP-GROWTH UNTUK PENDUKUNG KEPUTUSAN DI CAFÉ JUS XYZ

COMPARATIVE STUDY OF APRIORI, ECLAT, AND FP-GROWTH ALGORITHMS FOR DECISION SUPPORT IN XYZ JUICE CAFÉ

Abstract

Pengambilan keputusan merupakan sebuah pekerjaan yang penting, terutama di bidang usaha. Cafe Jus XYZ merupakan usaha penjualan minuman jus yang melayani banyak pesanan tiap harinya. Promosi yang ditentukan tanpa rekomendasi berdasarkan pola pembelian dapat mengakibatkan pengeluaran yang tidak efektif dan efisien. Algoritma FP-Growth, Apriori, dan Eclat merupakan metode data mining yang umum digunakan dalam memberikan rekomendasi berdasarkan pola pembelian. Penelitian ini menggunakan data transaksi yang dicatat di sistem Cafe Jus XYZ sebanyak 1.250 transaksi. Tiap kombinasi item pembelian diolah di tiap Algoritma yang dibandingkan. Perbandingan Algoritma dibagi ke dalam 6 percobaan, di mana tiap percobaan nilai support dan nilai confidence semakin naik. Variabel yang dibandingkan adalah waktu komputasi, aturan yang terbentuk, dan frequent itemset. Hasil penelitian ini menunjukkan semakin tinggi nilai support, maka semakin sedikit asosiasi yang terbentuk. Asosiasi yang paling banyak terbentuk adalah 33 ketika nilai support sebesar 5% dan nilai confidence 45% dan 50%. Asosiasi yang paling sedikit terbentuk adalah 3 ketika nilai support sebesar 15%. Algoritma Eclat menunjukkan performa yang baik dalam hal waktu komputasi sebesar 0,2-0,4 ms. Rekomendasi yang dihasilkan terbagi menjadi 3 yaitu cross selling, up selling, dan paket bundle. Hasil pengujian menunjukkan kombinasi melon lychee, red guava, melon, mango merupakan kombinasi terkuat dengan nilai lift rasio sebesar 5,76.

Decision-making is a critical task, especially in business. Café Jus XYZ, a juice beverage retailer, handles numerous orders daily. Promotions determined without recommendations based on purchasing patterns can result in ineffective and inefficient expenditures. The FP-Growth, Apriori, and Eclat algorithms are common data-mining methods used to generate recommendations from purchase patterns. This study analyzes 1,250 transactions recorded in the Café Jus XYZ system. Each combination of purchased items was processed by each algorithm under comparison. The comparison is divided into six experiments, where support and confidence thresholds increase incrementally. The variables compared are computation time, number of generated rules, and frequent itemsets. Results show that higher support values yield fewer associations: the greatest number of associations (33) occurs at 5% support with 45% and 50% confidence, while the fewest (3) occurs at 15% support. The Eclat algorithm demonstrated superior performance in computation time (0.2–0.4 ms). The resulting recommendations are categorized into three types: cross-selling, up-selling, and bundle packages. The experiment results showed that the combination of lychee melon, red guava, melon, and mango was the strongest combination with a lift ratio 5.76.