Implementasi Algoritma ECLAT Pada Proses Frequent Itemset Mining Untuk Rekomendasi Product Bundling
Abstract
Al Munawwir Swalayan dalam kegiatan operasionalnya menggunakan sistem Point of Sale (POS) dari pihak ketiga yang masih terbatas pada pencatatan transaksi penjualan dan belum menyediakan fitur analisis data untuk mendukung pengambilan keputusan bisnis. Hal ini menyebabkan data transaksi belum dimanfaatkan secara optimal dalam mengidentifikasi pola pembelian konsumen dan penyusunan strategi pemasaran. Penelitian ini bertujuan untuk merancang dan mengimplementasikan aplikasi analisis data transaksi berbasis desktop dengan menerapkan algoritma ECLAT (Equivalence Class Clustering and Bottom-Up Lattice Traversal) pada proses frequent itemset mining guna menghasilkan rekomendasi product bundling. Aplikasi dikembangkan menggunakan bahasa pemrograman Python dengan library Tkinter. Data yang digunakan berupa 22.765 transaksi penjualan pada periode 1–30 September 2025. Hasil pengujian dengan minimum support 0,001 dan minimum confidence 0,9 menghasilkan 2.385 frequent itemset dan 48 aturan asosiasi. Berdasarkan nilai lift tertinggi, diperoleh lima aturan terbaik yang direkomendasikan sebagai product bundling. Hasil penelitian ini menunjukkan bahwa aplikasi yang dibangun akan membantu mengoptimalkan pemanfaatan data transaksi sebagai dasar pengambilan keputusan bisnis.
Downloads
References
Amna, W. S, I. G. I. S. T. A. E. Putra, A. J. W. W. A. Syukrilla, A. K. W. N. H. T. Indriyani, and L. W. Santoso, Data Mining. Padang: PT Global Eksekutif Teknologi, 2023.
M. R. Dzikrillah, D. H. Gutama, D. P. Wijaya, D. Danianti, P. S. Informatika, and U. A. Ata, “IMPLEMENTASI ALGORITMA K-MEANS DALAM PENGELOMPOKKAN TINGKAT TRANSAKSI PRODUK PPOB NUSANTARA,” JIP (Jurnal Inform. Polinema), vol. 10, pp. 341–350, 2024.
N. W. Wardani, P. G. S. C. Nugraha, and G. S. Mahendra, “Implementasi Naïve Bayes Pada Data Mining Untuk Mengklasifikasikan Penjualan Barang Terlaris Pada Perusahaan Ritel,” JST (Jurnal Sains dan Teknol., vol. 12, no. 3, pp. 656–668, 2024, doi: 10.23887/jstundiksha.v12i3.38605.
D. P. Wijaya, P. F. Dewi, and N. M. Saraswati, “Analyzing the Effectiveness of Apriori and ECLAT Algorithms in Frequent Itemset Mining,” vol. 1, no. 1, pp. 16–20, 2025.
R. K. Hapsari et al., Data Mining. Bandung: Indie Press, 2024.
F. Ardian Nugroho, B. Pramono, and J. Teknik Informatika, “Komparasi Algoritma Equivalence Class Transformation (ECLAT) dan FP-Growth pada Analisis Data Penjualan,” Animator, vol. 2, no. 1, pp. 1–5, 2024.
D. Erlina, D. Irfansyah, and I. Pratama, “Literatur Sistematis Perbandingan Kinerja Algoritma Apriori, ECLAT, dan FP-Growth dalam Analisis Pola Asosiasi,” Indones. J. Comput. Sci. Eng., vol. 02, no. 1, pp. 58–63, 2025.
M. Zenia Rabbil, R. Permana, F. Agharid Zahra, and D. Fitri Sugiyanti, “Strategi Pemasaran Product Bundling Dalam Meningkatkan Penjualan Produk Hijab Sattka,” Manaj. Pemasar. Int., vol. 2, no. 3, pp. 315–325, 2025.
J. Han, J. Pei, and H. Tong, Data Mining: Concepts and Techniques, 4th ed., vol. 17. Cambridge: Morgan Kaufmann, 2023. [Online]. Available: https://datamineaz.org/textbooks/hanDataMiningConceptual.pdf
D. Winarti, M. Kom, E. Revita, and M. Kom, “Penerapan Data Mining untuk Analisa Tingkat Kriminalitas Dengan Algoritma Association Rule Metode FP-Growth,” J. SIMTIKA, vol. 4, no. 3, pp. 8–22, 2021.
Muttaqin et al., Pengenalan Data Mining, no. July. Yayasan Kita Menulis, 2023.
M. J. Zaki, “Scalable algorithms for association mining,” IEEE Trans. Knowl. Data Eng., vol. 12, no. 3, pp. 372–390, 2000, doi: 10.1109/69.846291.
P. Fournier-Viger, “Eclat Algorithm for Frequent Itemset Mining.” [Online]. Available: https://www.philippe-fournier-viger.com/spmf/Eclat.php
D. Manalu, R. S. Saragih, and P. S. P. Sitorus, Pemprograman Python Dengan Gui Tkinter. Balikpapan: Borneo Novelty Publishing, 2024.
J. W. Creswell and J. D. Creswell, Research Design: Qualitative, Quantitative, and Mixed Methods Aproaches, Fifth Edit. California: SAGE Publications, 2018.
I. Sommerville, Software Engineering. 2016.
H. Lan, X. Ma, L. Ma, and W. Qiao, “Pattern Investigation of Total Loss Maritime Accidents Based on Association Rule Mining,” Reliab. Eng. Syst. Saf., 2022, doi: https://doi.org/10.1016/j.ress.2022.108893
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
