ANALISIS POLA PEMBELIAN KONSUMEN MENGGUNAKAN MARKET BASKET ANALYSIS DENGAN PERBANDINGAN ALGORITMA APRIORI DAN FP-GROWTH (STUDI KASUS: ONLINE RETAIL DATASET)

Pesatnya pertumbuhan transaksi e-commerce menghasilkan volume data besar yang belum dimanfaatkan optimal untuk strategi pemasaran. Penelitian ini bertujuan mengidentifikasi karakteristik pola pembelian konsumen dan merumuskan rekomendasi penataan produk (store layout) berbasis Market Basket Analysis. Sumber data menggunakan Online Retail Dataset (UCI Machine Learning Repository) fokus wilayah United Kingdom menghasilkan 467.054 baris transaksi bersih setelah preprocessing. Penelitian ini menempatkan Algoritma Apriori sebagai metode baseline utama dan Algoritma FP-Growth sebagai solusi optimalisasi komputasi. Pengujian empiris dilakukan pada perangkat lunak Visual Studio Code dengan Jupyter Notebook menggunakan laptop Axioo Hype 5 AMD (RAM 8 GB). Hasil pengujian menunjukkan Algoritma Apriori mengalami kegagalan memori (Out Of Memory), sedangkan FP-Growth sukses mengekstraksi pola secara efisien dalam waktu 4,06 detik dengan konsumsi RAM hanya 0,14 GB. Melalui uji sensitivitas, ditetapkan parameter optimal minimum support 2% (frekuensi ≥517 kali) dan minimum confidence 50%, menghasilkan 8 aturan asosiasi final berkoefisien Lift Ratio >1 hingga 15,41. Karakteristik pola menunjukkan interaksi timbal-balik kuat pada kelompok varian warna dekorasi (Regency Teacup Series dan Alarm Clock). Hasil tersebut diimplementasikan menjadi strategi pengemasan produk (product bundling), promosi silang (cross-selling), dan optimalisasi etalase digital untuk menstimulasi pembelian tidak terencana (impulse buying).