| Summary: | Penelitian ini tidak hanya bertujuan untuk memperbaiki Algoritma Apriori (AA) dalam metode Association Rules Mining (ARM) tetapi juga mengusulkan suatu solusi alternatif untuk model rekomendasi bundling produk bagi ritel. Problem pemetaan biner dengan pemangkasan aturan yang sering menghilangkan produk yang potensial coba diatasi dengan tambahan parameter UWS. Perbaikan ini sekaligus berdampak pada kualitas bundling produk yang direkomendasikan. Optimasi dilakukan pada aturan yang dihasilkan oleh AA dengan parameter U_gain dan W_gain yang merupakan representasi dari berbagai atribut produk[1]. Quantity dan profit adalah bagian dari atribut item produk yang akan digunakan dalam penelitian ini. Hasil pengujian dengan menggunakan data Point of Sales (POS) menunjukan adanya perbaikan aturan. Jika menggunakan AA konvensional, aturan yang dihasilkan sering tidak mengandung item yang potensial. Hal ini karena proses seleksi ulang dengan level confidence yang lebih kritis sering menghilang aturan dengan item yang potensial. Pada sisi yang lain, sejumlah aturan yang dihasilkan sering tidak mengandung item produk yang berkualitas. Optimasi dilakukan dengan mengubah parameter minimum transaksi, minimum support dan minimum confidence yang dikombinasikan dengan perhitungan U_gain dan W_gain untuk mendapatkan aturan yang menghasilkan nilai maksimal.
Â
|
|---|