Implementasi Association Rule-Market Basket Analysis dalam Menentukan Strategi Product Bundling pada Usaha Ritel

Zakka Ugih Rizqi

Abstract

Semakin meningkatnya industri ritel di Indonesia membuat daya saing antar usaha ritel semakin tinggi. Oleh karena itu, strategi pemasaran yang baik menjadi penting untuk dilakukan. Ritel Z merupakan ritel yang menjual aksesoris HP dan elektronik, dengan strategi pemasaran yang hendak dilakukan adalah product bundling. Akan tetapi, pengelompokkan produk yang tidak tepat akan membuat strategi product bundling menjadi sia-sia akibat tidak sesuainya dengan kebutuhan pelanggan dalam pembelian produk secara bersamaan. Dengan menggunakan salah satu metode data mining yaitu Association Rule-Market Basket Analysis, dapat ditentukan produk mana yang sering dibeli secara bersamaan dengan memperhatikan parameter support dan confidence. Hasil didapat dengan bantuan software RapidMiner, departemen 5 dan departemen 2 merupakan departemen yang produknya sering dibeli secara bersamaan. Hal ini ditunjukkan dengan Lift Ratio 1,029, Confidence 0,852 dan Support 0,397. Sehingga product bundling dapat dilakukan dengan memberikan diskon kepada pembeli yang melakukan pembelian produk di departemen 5 dan di departemen 2 secara bersamaan.

Keywords

Association Rule; Data Mining; Market Basket Analysis; Product Bundling; Ritel

References

Aprindo. (2016). Aprindo: Industri Ritel Tumbuh Sekitar 10 Persen pada 2016. http://bisniskeuangan.kompas.com/read/2016/12/28/172204826/aprindo.industri.ritel.tumbuh.sekitar.10.persen.pada.2016. (Diakses 11 November 2018).

Bernadetta D. A. (2012). Analisis Kepuasan Pelanggan pada Alfamart Tembalang dari Dimensi Pelayanan. Universitas Diponogoro, Semarang. Buananda, M. F. dan

Ariyanti, M. (2018). Pengaruh Strategi Bundling terhadap Minat Beli Konsumen di Jakarta. Proceeding of Management, Vol. 5, hal. 3259-3265. Ghosh, A. (1992). Retailing Management, The Den Press 2nd Edition. Newyork University, Newyork.

Han, J. dan Kamber, M. (2006). Data Mining: Concepts and Techniques, Second Edition. Morgan Kaufmann, San Francisco. Kumar, A. V., dan Wahidabanu, R. S. D., Discovery of Frequent Itemsets: Frequent Item Tree-Based Approach, Journal ITB J. ICT, Vol. 1c, hal. 42-55, 2007.

Muzakir, A. dan Adha, L. (2016). Market Basket Analysis (MBA) pada Situs Web E-Commerce Zakiyah Collection. Jurnal SIMETRIS, Vol. 7, hal. 459-466.

Nofriansyah, D. (2014). Konsep Data Mining Vs Sistem Pendukung Keputusan. Deepublish, Yogyakarta.

Rahmat, B., Gafar, A. A., Fajriani, N., Ramdani, U., Uyun. F. R., Purnamasari, Y. P. dan Ransi, N. (2017). Implemetasi K-Means Clustering pada RapidMiner untuk Analisis Daerah Rawan Kecelakaan. Seminar Nasional Riset Kuantitatif Terapan 2017, Vol. 1, hal. 58-62

Samuel, D. (2008). Penerapan Stuktur FP-Tree dan Algoritma FPGrowth dalam Optimasi Penentuan Frequent Itemset. Institut Teknologi Bandung, Bandung.

Ulmer, D. (2002). Mining an Online Auctions DataWarehouse. The Mid-Atlantic Student Workshop on Programming Languages and Systems, Vol. 19, hal. 8.1-8.10.

Refbacks

  • There are currently no refbacks.