Eksplorasi Frequent Itemset untuk Pola Asosiasi Produk Toko Bahan Kue Menggunakan Algoritma Apriori

Data Mining dan Analisis Pola adalah teknik penting dalam bisnis untuk menemukan pola tersembunyi dalam data transaksi. Penelitian ini membandingkan dua algoritma aturan asosiasi, yaitu Apriori dan FP-Growth, dalam mengidentifikasi hubungan antar produk. Tujuan dari penelitian ini adalah mengevaluasi kecepatan pemrosesan dan kualitas aturan yang dihasilkan oleh kedua algoritma dalam konteks ritel. Dataset yang digunakan berasal dari transaksi toko bahan kue, terdiri dari 143.523 entri dan 97.548 transaksi. Dataset ini dipilih karena relevansinya dalam analisis pola belanja pelanggan untuk meningkatkan strategi pemasaran. Uji coba dilakukan dengan parameter minimum support sebesar 0,01, dan hasil menunjukkan bahwa FP-Growth lebih cepat dalam pemrosesan dibandingkan Apriori, dengan selisih waktu rata-rata sebesar 33,33% lebih cepat pada dataset yang sama. Hasil penelitian ini memberikan manfaat bagi pemilik minimarket, yaitu penggunaan algoritma FP-Growth dalam analisis pola belanja dapat membantu dalam menyusun penataan produk dan strategi promosi yang lebih efektif. Selain itu, penelitian ini juga memberikan kontribusi dalam bidang Sistem Informasi dengan menunjukkan kemampuan FP-Growth dalam menangani data transaksi skala besar, serta memberikan wawasan dalam memilih algoritma yang sesuai untuk keperluan bisnis ritel. Kata Kunci: Algoritma Apriori, Aturan Asosiasi, Data Mining.   Data mining is an important technique in business analysis for finding hidden patterns in transaction data. This research compares the performance of two association rule algorithms, Apriori and FP-Growth, in identifying patterns of product relationships. The study aims to evaluate the processing time efficiency and the quality of association rules generated by both algorithms in a retail context. The dataset used comes from a bakery supplies store, including 143,523 entries and 97,548 transactions. This dataset was chosen based on its relevance to customer purchasing pattern analysis for marketing strategy optimization. Testing was conducted with a minimum support parameter of 0.01, and the results showed that FP-Growth performed better in processing speed compared to Apriori, with an average execution time difference of 33.33% faster on the same dataset. The implications of this research for minimarket owners are that using the FP-Growth algorithm for purchase pattern analysis can help improve product arrangement and more effective promotional strategies. Additionally, this study contributes to the field of Information Systems by showing the effectiveness of FP-Growth in handling large-scale transaction data, as well as providing insights into selecting the right algorithm for retail business needs.  Keywords: Apriori algorithm, Association rules, Data mining.