Integrasi Algoritma Apriori dan K-Means dalam Analisis Pola Pembelian untuk Meningkatkan Strategi Pemasaran

Abstract

UMKM pada bidang usaha kuliner sedang mengalami peningkatan yang signifikan sehingga, muncul persaingan dalam dunia bisnis yang semakin tidak terelakkan. Selain itu, kebiasaan pelanggan dalam melakukan pembelian yang membutuhkan waktu lama menjadi per-hatian khusus bagi pemilik bisnis Premium Salad.co untuk dapat mem-buat penawaran produk yang lebih sesuai dengan keinginan para pelanggann. Oleh karena itu, penelitian ini bertujuan untuk membentuk sebuah strategi pemasaran dalam bentuk rekomendasi paket menu atau dapat juga digunakan sebagai paket bundling produk dengan memperhatikkan produk apa saja yang memiliki frekuensi penjualan yang sering dibeli secara bersamaan oleh pelanggan, hal ini bertujuan untuk meningkatkan daya tarik pelanggan pada saat memilih dan membeli produk, meningkatkan profit penjualan, pemerataan penjualan produk, sekaligus inovasi baru untuk mengimbangi adanya persaingan bisnis kuliner. Data transaksi yang sebelumnya tidak di-manfaatkan secara optimal oleh Premium Salad.co kini dapat di-manfaatkan untuk mencari pengetahuan lebih dalam mengenai gam-baran penjualan produk yang terjadi secara keseluruhan dengan ban-tuan data mining. Pada penelitian ini metode data mining yang digunakan yaitu clustering dan association rules. Algoritma k-means berperan untuk mengelompokkan data dalam 4 cluster dengan nilai uji validitas Davies Bouldin Index (DBI) sebesar 0,465. Algoritma apriori berperan dalam pencarian aturan asosiasi pada cluster. Tujuan dari menggabungkan dua metode ini agar menghasilkan aturan asosiasi yang lebih variatif dan lebih sesuai dengan penyelesaian masalah yang dibutuhkan. Dengan menetapkan minimum support sebesar 0,01 dan minimum confidence sebesar 0,5. Pada cluster 0 dengan dataset 321 transaksi menghasilkan 1 rules dengan tingkat kepercayaan 57%, lalu pada cluster 1 dengan dataset sejumlah 228 mampu menghasilkan 3 rules dengan tingkat kepercayaan tertinggi sebesar 75%. Cluster 3 dengan dataset paling sedikit yaitu 127 transaksi mampu menghasilkan sejumlah 16 rules dengan tingkat kepercayaan tertinggi mencapai 100%.

UMKM in the culinary business sector are experiencing a significant increase so that competition in the business world is increasingly inevitable. Apart from that, the customer's habit of making purchases that take a long time is a special concern for the Premium Salad.co business owner to be able to make product offerings that are more in line with customers' wishes. Therefore, this research aims to form a marketing strategy in the form of menu package recommendations or can also be used as a product bundling package by paying attention to what products have a sales frequency that is often purchased simultaneously by customers. This aims to increase customer attraction. when selecting and purchasing products, increasing sales profits, equalizing product sales, as well as new innovations to balance the competition in the culinary business. Transaction data that was previously not utilized optimally by Premium Salad.co can now be used to gain deeper knowledge regarding the overall picture of product sales with the help of data mining. In this research, the data mining methods used are clustering and association rules. The k-means algorithm plays a role in grouping data into 4 clusters with a Davies Bouldin Index (DBI) validity test value of 0.465. The a priori algorithm plays a role in searching for association rules in clusters. The aim of combining these two methods is to produce association rules that are more varied and more suitable for solving the required problem. By setting a minimum support of 0.01 and a minimum confidence of 0.5. In cluster 0 with a dataset of 321 transactions, it produces 1 rule with a confidence level of 57%, then in cluster 1 with a dataset of 228 it is able to produce 3 rules with the highest confidence level of 75%. Cluster 3 with the smallest dataset, namely 127 transactions, was able to produce 16 rules with the highest level of confidence reaching 100%.