Building of Informatics, Technology and Science (BITS) Volume 5, No 1, Juni 2023 Page: 126−133 ISSN 2684-8910 (media cetak) ISSN 2685-3310 (media online) DOI 10.47065/bits.v5i1.3592 Copyright © 2023 Risna Lailatun Najmi, Page 126 This Journal is licensed under a Creative Commons Attribution 4.0 International License Analisis Pola Asosiasi Data Transaksi Penjualan Minuman Menggunakan Algoritma FP-Growth dan Eclat Risna Lailatun Najmi, Muhammad Irsyad * , Fitri Insani, Alwis Nazir, Pizaini Fakultas Sains dan Teknologi, Teknik Informatika, Universitas Islam Negeri Sultan Syarif Kasim Riau, Pekanbaru, Indonesia Email: 1 11950120055@students.uin-suska.ac.id, 2,* irsyadtech@uin-suska.ac.id, 3 fitri.insani@uin-suska.ac.id, 4 alwis.nazir@uin- suska.ac.id, 5 pizaini@uin-suska.ac.id Email Penulis Korespondensi: irsyadtech@uin-suska.ac.id Submitted: 07/06/2023; Accepted: 27/06/2023; Published: 29/06/2023 Abstrak−Setiap hari aktivitas transaksi antara perusahaan dan konsumen terus dilakukan. Hal tersebut membuat data-data transaksi semakin banyak dan menumpuk. Data-data transaksi tersebut dapat diolah menjadi berupa informasi yang lebih bermanfaat menggunakan teknologi. Data mining merupakan teknologi yang dapat mengerjakan kumpulan data transaksi tersebut menjadi sebuah keterangan yang dapat diambil oleh perusahaan sebagai pengambil keputusan. Metode Association Rule digunakan sebagai metode untuk melihat hubungan antara item di dalam sebuah data transaksi. Peneliti menganalisis data transaksi menggunakan algoritma FP-Growth dan Eclat. Terdapat tiga tahapan asosiasi pada penelitian ini yang dibedakan dari nilai confidence. Hasil pada tahap pertama nilai minimal confidence 0.4, algoritma FP-Growth menghasilkan 41 aturan pola asosiasi, sedangkan algoritma Eclat menghasilkan 32 aturan pola asosiasi. Kemudian, pada tahap kedua nilai minimal confidence 0.5, algoritma FP-Growth menghasilkan 40 aturan pola asosiasi, untuk algoritma Eclat menghasilkan 32 aturan pola asosiasi. Pada tahap ketiga nilai minimal confidence 0.6, algoritma FP-Growth menghasilkan 32 aturan pola asosiasi, sedangkan untuk algoritma Eclat menghasilkan 30 aturan pola asosiasi. Dari hasil aturan pola asosiasi menunjukkan bahwa algoritma Eclat lebih efisien dalam menentukan aturan pola asosiasi dari algoritma Fp-Growth. Kata Kunci: Data Mining; Data Transaksi; Association Rule; FP-Growth; Eclat Abstract−Every day transaction activities between companies and consumers continue to be carried out. This makes transaction data more and more and accumulate. This transaction data can be processed into more useful information using technology. Data mining is a technology that can work on a collection of transaction data into information that can be taken by companies as decision makers. The association rule method is used as a method to see the relationship between items in a transaction data. To analyze transaction data, researchers used the FP-Growth and Eclat algorithms. There are three stages of association in this study which are distinguished from the confidence value. The results in the first stage have a minimum confidence value of 0.4, the FP-Growth algorithm produces 41 association pattern rules, while the Eclat algorithm produces 32 association pattern rules. Then in the second stage the minimum trust value is 0.5, the FP-Growth algorithm produces 40 association pattern rules, for the Eclat algorithm it produces 32 association pattern rules. In the third stage, the minimum trust value is 0.6, the FP-Growth algorithm generates 32 association pattern rules, while the Eclat algorithm generates 30 association pattern rules. The results of the association pattern rules show that the Eclat algorithm is more efficient in determining the association pattern rules than the Fp-Growth algorithm. Keywords: Data Mining; Transaction Data; Association Rule; FP-Growth; Eclat 1. PENDAHULUAN Pengambilan keputusan dengan akurat serta cepat adalah faktor yang penting untuk menentukan strategi bisnis perusahaan[1], [2]. Dalam mengambil keputusan para pemimpin perusahaan tidak dapat lagi menggunakan intuisi, namun harus dilakukan berdasarkan data[1]. Seiring dengan perkembangan zaman, kemajuan dalam proses pengumpulan data memungkinkan perusahaan menampung jumlah data yang sangat banyak dan beragam tiap harinya[3]. Seperti data pembelian barang, data penjualan, data keuangan yang masuk dan data lainnya. Data yang ada dalam beberapa jangka waktu jika diolah dengan benar akan membuat pola tertentu yang bermanfaat bagi perusahaan[4]. PT. RAS merupakan salah satu perusahaan distributor yang menghimpun banyak data transaksi penjualan. Apabila kumpulan data transaksi penjualan tidak diolah dengan benar maka akan merugikan pemilik perusahaan dan konsumen[4]–[6]. Jika stok produk terlalu sedikit dan permintaan meningkat, hal tersebut akan membuat konsumen merasa putus asa dan bisa jadi konsumen tidak akan beli lagi karena sudah mendapat barang dari distributor lain. Demikian juga jika stok produk terlalu banyak, hal tersebut dapat membuat perusahaan tidak mendapatkan laba karena perusahaan harus mempersiapkan gudang yang lebih luas. Oleh sebab itu, manajemen perusahaan harus dapat menentukan berapa banyak suatu produk yang disimpan untuk dijual lagi. Selanjutnya, manajemen perusahaan juga perlu cermat dalam mengamati keinginan konsumen agar konsumen merasa senang karena memproleh apa yang dibutuhkan[7]. Akan diimplementasikan data mining untuk menemukan inventori yang sesuai dari analisis data-data transaksi penjualan. Data mining adalah teknologi yang dapat mengolah data dengan jumlah besar yang digunakan perusahaan buat mengganti data menjadi berupa informasi yang lebih berguna untuk memilih keputusan penting[1], [3]. Association Rule ialah metode dari data mining untuk mencari asosiasi antara item dalam sebuah kombinasi itemset di antara banyak transaksi[8]. Di dalam Association Rule terdapat prosedur yang disebut market basket analysis[9]. Market basket analysis merupakan metode analisis untuk melihat kebiasaan konsumen dalam beli barang secara bersamaan berdasarkan data[5], [10].