Integrasi Algoritma FP-Growth dan K-Means untuk Analisis Keranjang Belanja dan Segmentasi Pelanggan pada Data Transaksi Ritel
DOI:
https://doi.org/10.25077/TEKNOSI.v11i2.2025.128-135Kata Kunci:
Transaksi Retail, FP-Growth, K-Means, Segmentasi Pelanggan, Keranjang BelanjaAbstrak
Seiring meningkatnya volume transaksi dalam industri ritel, kebutuhan untuk memahami perilaku konsumen secara mendalam menjadi semakin krusial. Penelitian ini bertujuan untuk menerapkan analisis keranjang belanja dan segmentasi pelanggan guna mengidentifikasi pola pembelian produk sekaligus memahami karakteristik pelanggan berdasarkan perilaku transaksional. Dataset yang digunakan adalah Retail Transaction Dataset dari Kaggle, berisi satu juta transaksi ritel tahun 2020 hingga 2024. Dataset diproses melalui tahapan pembersihan, transformasi format data, dan seleksi transaksi yang memenuhi kriteria minimal pembelian 2 produk per transaksi. Analisis dilakukan dengan algoritma FP-Growth dan K-Means. Hasil analisis FP-Growth menunjukkan adanya 16 aturan asosiasi dengan nilai support tertinggi sebesar 0.31%, confidence 7.35%, dan lift 0.89, dengan produk Toothpaste menjadi produk yang paling sering diasosiasikan. Segmentasi pelanggan dilakukan menggunakan algoritma K-Means dengan atribut demografis pelanggan, yaitu Payment Method, Customer Category, Promotion, Season, Discount Applied, dan Store Type. Jumlah klaster optimal ditentukan menggunakan Metode Elbow dan Davies-Bouldin Index (DBI). Hasil menunjukkan k = 3 sebagai jumlah klaster terbaik dengan nilai DBI sebesar 2.4724, yang menandakan pemisahan klaster cukup baik. Berdasarkan hasil segmentasi K-Means, diperoleh tiga klaster pelanggan dengan karakteristik berbeda, yaitu retiree, teenager, dan profesional. Pengelompokan klaster ini mencerminkan kecenderungan kategori dominan yang muncul pada atribut Customer Category. Integrasi kedua metode ini menghasilkan rekomendasi strategi pemasaran berbasis segmen yang lebih personal, seperti bundling sederhana untuk pelanggan retiree, promosi visual dan hadiah menarik untuk pelanggan teenager, dan sistem poin loyalitas untuk pelanggan profesional. Temuan ini diharapkan membantu pelaku industri ritel memahami perilaku pelanggan secara lebih mendalam dan menyusun strategi pemasaran yang lebih tepat sasaranReferensi
Havid, “Ritel Modern Mengancam Keberadaan Toko Kelontong,” Deras.id. Internet: https://deras.id/ritel-modern-mengancam-keberadaan-toko-kelontong/, Mei. 10, 2023 [Juli. 2, 2025].
D. P. Pameling, G. Sari, N. Faradea, dan J. H. K, “Pengaruh pasar modern terhadap pasar tradisional di era digital,” Jurnal Review Pendidikan dan Pengajaran, vol. 7, 2024.
D. K. Chauhan, “Association Rule Mining for Market Basket Analysis on Online Retail Store,” International Journal of Mechanical Engineering, 2023, doi: 10.56452/6-3-671.
Suherman, A. D. Arsita, dan I. Afriantoro, “Analisis Pola Penjualan di Toko Retail Menggunakan Algoritma Apriori dengan Rapid Minner,” Jurnal Teknologi Informatika dan Komputer, vol. 10, no. 2, hlm. 734–753, Des 2024, doi: 10.37012/jtik.v10i2.2407.
M. Aldyan Ruansyah, M. Zaky Hadi, M. Iqbal, J. Juniwati, dan L. Aulia, “Designing an analytics dashboard for knowledge extraction in the retail industry using descriptive and predictive analytics,” Journal Industrial Servicess is, vol. 10, no. 2, 2024, doi: 10.62870/jiss.v10i2.27900.
V. E. Putri dan H. D. Purnomo, “Integrasi algoritma apriori dan k-means dalam analisis pola pembelian untuk meningkatkan strategi pemasaran,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 10, no. 1, hlm. 409–423, Jan 2025, doi: 10.29100/jipi.v10i1.5768.
A. Shinta dan K. Y. S. Putri, “Manajemen krisis public relations PT Hero supermarket pada penutupan gerai Giant Indonesia,” Jurnal Ilmu Komunikasi, 2022, [Daring]. Tersedia pada: http://jurnal.utu.ac.id/jsource
A. U. Khasanah dan M. R. Q. Baihaqie, “Analysis of consumer characteristics on retail business with clustering analysis method and association rule for selling improvement strategy recommendations,” OPSI, vol. 17, no. 1, hlm. 249, Jun 2024, doi: 10.31315/opsi.v17i1.11411.
A. Wijaya, A. Faqih, D. Solihudin, C. L. Rohmat, dan S. E. Permana, “Penerapan association rules menggunakan algoritma apriori untuk identifikasi pola pembelian,” Jurnal Mahasiswa Teknik Informatika, vol. 7, no. 6, 2023.
F. Achmad, O. Nurdiawan, dan Y. A. Wijaya, “Analisa pola transaksi pembelian konsumen pada toko ritel kesehatan menggunakan algoritma FP-Growth,” Jurnal Mahasiswa Teknik Informatika, vol. 7, no. 1, 2023, [Daring]. Tersedia pada: www.researchgate.net
M. Fathur Rezki Junaedi dan U. Hayati, “Analisis pola transaksi pembelian makanan dan minuman menggunakan algoritma FP-Growth,” Jurnal Mahasiswa Teknik Informatika, vol. 8, no. 1, 2024.
F. N. Hasan dan R. Ariyansah, “Utilization of the FP-Growth Algorithm on MSME Transaction Data:Recommendations for Small Gifts from The Padang Region,” Jurnal Teknik Informatika, vol. 17, no. 1, hlm. 70–78, Mei 2024, doi: 10.15408/jti.v17i1.37966.
S. L. Achmad, A. Fauzi, R. Rahmat, dan J. Indra, “Segmentasi pelanggan menggunakan k-means clustering di toko retail,” Jurnal Teknik Informasi dan Komputer (Tekinkom), vol. 7, no. 2, hlm. 736, Des 2024, doi: 10.37600/tekinkom.v7i2.1226.
E. Prayitno, I. Jaka Perdana, E. Iskandar, B. H. Winarno, dan A. A. Subagyo, “Optimalisasi profitabilitas ritel melalui segmentasi pelanggan dengan k-means clustering,” Jurnal Informasi Interaktif, vol. 9, no. 3, 2024.
Zahrudin, A. Irma Purnamasari, dan I. Ali, “Analisis tren penjualan fashion import menggunakan algoritma fp-growth pada toko Air Gaul,” Jurnal Kecerdasan Buatan dan Teknologi Informasi, vol. 3, no. 2, hlm. 75–84, 2024.
R. Dio dkk., “Analisis Data Mining Pembelian dengan Association Rule Market Basket Analysis menggunakan algoritma FP-Growth,” Universitas Syiah Kuala Jl. Teuku Nyak Arief, vol. XVII, no. 2, 2311.
E. Febrianty, L. Awalina, dan W. I. Rahayu, “Optimalisasi Strategi Pemasaran dengan Segmentasi Pelanggan Menggunakan Penerapan K-Means Clustering pada Transaksi Online Retail Optimizing Marketing Strategies with Customer Segmentation Using K-Means Clustering on Online Retail Transactions,” Jurnal Teknologi dan Informasi (JATI), vol. 13, 2023, doi: 10.34010/jati.v13i2.
D. Putri, A. Asih, B. Irawan, dan A. Bahtiar, “Pengelompokan data transaksi dalam menentukan strategi penjualan menggunakan algoritma k-means,” Jurnal Mahasiswa Teknik Informatika, vol. 8, no. 1, 2024.
T. A. Pertiwi, M. Afdal, R. Novita, dan M. Mustakim, “Penerapan Algoritma K-Medoids dan FP-Growth dengan Model RFM untuk Kombinasi Produk,” Building of Informatics, Technology and Science (BITS), vol. 6, no. 2, hlm. 721–732, Sep 2024, doi: 10.47065/bits.v6i2.5268.
Prasad Patil, “Retail Transactions Dataset,” Kaggle. Diakses: 10 Juli 2025. [Daring]. Tersedia pada: https://www.kaggle.com/datasets/prasad22/retail-transactions-dataset/data
A. Agung, A. Daniswara, I. Kadek, dan D. Nuryana, “Data Preprocessing Pola Pada Penilaian Mahasiswa Program Profesi Guru,” Journal of Informatics and Computer Science, vol. 05, 2023.
F. Dwi Insani, Kusrini, dan H. Al Fatta, “Perbandingan algoritma apriori dan fp-growth untuk rekomendasi item paket pada konten promosi di perusahaan Mu-Mart,” Jurnal Bisnis Digital dan Sistem Informasi, vol. 4, no. 2, hlm. 19–24, 2023.
I. Juwita dan I. Ali, “Penerapan pola penjualan dengan menggunakan metode algoritma asosiasi fp-growth bertujuan untuk meningkatkan penjualan kopi di Point Coffee,” Jurnal Mahasiswa Teknik Informatika, vol. 8, no. 2, hlm. 1600, 2024.
F. A. W. T. S. Wijaya, E. Prasetyo, dan R. F. Tias, “Dynamic Time Warping Pada Metode K-Means Untuk Pengelompokan Data Trend Penjualan Produk,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 10, no. 2, hlm. 100–109, Agu 2024, doi: 10.25077/teknosi.v10i2.2024.100-109.
I. Zuhdiansyah dan A. Luthfiarta, “Sistem Rekomendasi Pembelian Smartphone berbasis Algoritma K-Means dan Singular Value Decomposition,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 10, no. 1, hlm. 45–53, Mei 2024, doi: 10.25077/teknosi.v10i1.2024.45-53.
Unduhan
Telah diserahkan
Diterima
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Jurnal Nasional Teknologi dan Sistem Informasi

Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Hak cipta untuk artikel ini ditransfer ke Jurnal Nasional Teknologi dan Sistem Informasi (TEKNOSI) jika dan ketika artikel diterima untuk publikasi. Yang bertanda tangan di bawah ini dengan ini mentransfer setiap dan semua hak di dalam dan ke kertas termasuk tanpa batasan semua hak cipta untuk TEKNOSI. Yang bertanda tangan di bawah ini dengan ini menyatakan dan menjamin bahwa makalah tersebut asli dan bahwa ia adalah pembuat makalah, kecuali untuk bahan yang secara jelas diidentifikasi sebagai sumber aslinya, dengan pemberitahuan izin dari pemilik hak cipta jika diperlukan. Yang bertanda tangan di bawah ini menyatakan bahwa ia memiliki kekuatan dan wewenang untuk membuat dan melaksanakan penugasan ini.
Kami menyatakan bahwa:
- Makalah ini belum diterbitkan dalam bentuk yang sama di tempat lain.
- Makalah ini tidak akan dikirimkan di tempat lain untuk publikasi sebelum penerimaan/penolakan oleh Jurnal ini
- Izin hak cipta diperoleh untuk materi yang diterbitkan di tempat lain dan yang memerlukan izin ini untuk reproduksi.
Selanjutnya, Saya/kami dengan ini mentransfer hak publikasi yang tidak terbatas dari makalah yang disebutkan di atas secara keseluruhan kepada TEKNOSI. Transfer hak cipta mencakup hak untuk mereproduksi dan mendistribusikan artikel, termasuk cetak ulang, terjemahan, reproduksi foto, mikroform, bentuk elektronik (offline, online) atau reproduksi lain yang serupa.
Penulis yang sesuai menandatangani dan menerima tanggung jawab untuk merilis materi ini atas nama setiap dan semua penulis bersama. Perjanjian ini harus ditandatangani oleh setidaknya salah satu penulis yang telah memperoleh persetujuan dari rekan penulis jika berlaku. Setelah pengajuan perjanjian ini ditandatangani oleh penulis yang sesuai, perubahan kepengarangan atau dalam urutan penulis yang tercantum tidak akan diterima.
Hak / Syarat dan Ketentuan yang dipertahankan :
- Penulis memiliki semua hak kepemilikan dalam setiap proses, prosedur, atau artikel manufaktur yang dijelaskan dalam Karya ini.
- Penulis dapat mereproduksi atau mengotorisasi orang lain untuk mereproduksi karya ini atau karya turunannya untuk penggunaan pribadi penulis atau untuk penggunaan perusahaan, dengan ketentuan bahwa sumber dan menyatakan hak cipta dimiliki TEKNOSI, salinan tidak digunakan dengan cara apa pun yang menyiratkan pengesahan TEKNOSI atas suatu produk atau layanan dari pihak mana pun, dan salinannya sendiri tidak ditawarkan untuk dijual.
- Meskipun penulis diizinkan untuk menggunakan kembali semua atau sebagian dari karya ini dalam karya lain, ini tidak termasuk mengabulkan permintaan pihak ketiga untuk mencetak ulang, menerbitkan ulang, atau jenis penggunaan ulang lainnya.