Pola Pembelian Konsumen Supermarket Menggunakan Algoritma ECLAT Dan Fp-Growth

Penelitian ini bertujuan untuk menemukan pola pembelian konsumen di supermarket guna mendukung strategi penjualan yang lebih tepat sasaran. Fokus utamanya adalah mengidentifikasi produk yang sering dibeli bersama dan hubungannya dengan faktor kontekstual seperti metode pembayaran, musim, dan status diskon. Tantangan utama yang dihadapi adalah menangani data transaksi yang beragam (high cardinality) dan jarang muncul bersamaan (sparse), sehingga diperlukan pendekatan yang mampu menghasilkan pola asosiasi yang relevan. Untuk itu, penelitian ini menerapkan integrasi algoritma ECLAT dan FP-Growth dalam Market Basket Analysis. ECLAT digunakan untuk menyaring item dengan frekuensi rendah melalui struktur TID-List, sehingga diperoleh data transaksi yang lebih terfokus untuk diproses FP-Growth. FP-Growth kemudian digunakan untuk menemukan kombinasi produk dan atribut yang sering muncul bersama dan membentuk aturan asosiasi berdasarkan nilai support, confidence, dan lift. Data penelitian terdiri dari 10.000 transaksi dengan 13 atribut, difokuskan pada Product, Payment_Method, Discount_Applied, Season, dan City. Hasilnya, ECLAT berhasil menyaring 81 produk dan 101 atribut kontekstual yang sering muncul. FP-Growth kemudian menemukan 407 pola kombinasi item, dengan 13 pola valid membentuk aturan asosiasi antara produk dan atribut kontekstual. Selain itu, ditemukan pula pola tiga item pada produk jam yang terkait dengan diskon dan musim. Kontribusi penelitian ini adalah membuktikan bahwa integrasi ECLAT dan FP-Growth dapat digunakan sebagai metode efektif untuk menemukan pola belanja konsumen berdasarkan konteks transaksi, sehingga mendukung pengambilan keputusan bisnis berbasis data.