Implementasi Hybrid Data Mining Menggunakan DBSCAN, FP-Growth, dan Random Forest pada Analisis Penjualan Soraya Bedsheet di Shopee

Sandy Mulyanda; Nurul Aulya; Gusrianty Gusrianty

doi:10.55382/jurnalpustakarobotsister.v4i2.2139

Penulis

Sandy Mulyanda Institut Bisnis dan Teknologi Pelita Indonesia
Nurul Aulya Universitas Bung Hatta
Gusrianty Institut Bisnis dan Teknologi Pelita Indonesia

DOI:

https://doi.org/10.55382/jurnalpustakarobotsister.v4i2.2139

Kata Kunci:

hybrid data mining, penjualan, soraya bedsheet, shopee, prediksi

Abstrak

Pertumbuhan marketplace dalam beberapa tahun terakhir telah menghasilkan data transaksi dalam jumlah besar yang berpotensi dimanfaatkan sebagai sumber informasi bagi pelaku usaha. Namun, sebagian besar data penjualan masih digunakan sebatas laporan operasional sehingga informasi yang ada di dalamnya belum dimanfaatkan dengan optimal. Adapun tujuannya dari penelitian ini guna menganalisa karakteristik penjualan dan memprediksi performa penjualan produk Soraya Bedsheet pada Shopee melalui pendekatan hybrid data mining. Metode yang digunakan mengombinasikan DBSCAN untuk segmentasi produk, FP-Growth untuk analisis asosiasi antarproduk, dan Random Forest untuk prediksi penjualan. Dataset penelitian terdiri atas 120 data produk, jumlah stok, jumlah produk terjual, dan harga awal produk. Tahapan penelitian meliputi pengumpulan data, preprocessing, implementasi model, serta evaluasi dengan digunakannya RapidMiner. Temuan ini mengungkapkan bahwasanya DBSCAN mampu mengklasifikasikan produk sebagaimana karakteristik penjualannya, FP-Growth berhasil menemukan pola keterkaitan antarproduk dalam transaksi, dan Random Forest memperoleh rata-rata accuracy sebesar 91,67% melalui 10-fold Cross Validation. Hasil penelitian menunjukkan bahwasanya pendekatan hybrid data mining mampu menghasilkan informasi yang mendukung pengelolaan stok, penyusunan strategi promosi, dan pengambilan keputusan bisnis secara lebih efektif pada marketplace Shopee.

Unduhan

Data unduhan belum tersedia.

Referensi

Amelia, R., Darmansyah, D., dan Rismadin, A. 2024. Perbandingan Algoritma Apriori dan FP-Growth dalam Pengaplikasian Market Basket Analysis untuk Strategi Bisnis Retail. Building of Informatics, Technology and Science (BITS). 6(1): 279-288.

Hidayatullah, S., Umam, K., dan Fauziyah, F. 2023. Implementasi Algoritma FP-Growth untuk Analisis Pola Pembelian Konsumen pada Marketplace. Jurnal Media Informatika Budidarma. 7(2): 944-952.

Irawan, F., Amaluddin, F., dan Wijayanti, A. 2025. E-Commerce Customer Segmentation Based on RFM Analysis Using DBSCAN Algorithm to Improve Marketing Strategy. Jurnal EMT KITA. 9(4): 1850-1859.

Kotu, V. dan Deshpande, B. 2022. Predictive Analytics and Data Mining: Concepts and Practice with RapidMiner. Amsterdam: Elsevier.

Kusrini dan Luthfi, E.T. 2021. Algoritma Data Mining. Yogyakarta: Andi Publisher.

Larose, D.T. dan Larose, C.D. 2021. Discovering Knowledge in Data: An Introduction to Data Mining. Hoboken: Wiley.

Prasetyo, E. 2021. Data Mining Konsep dan Aplikasi Menggunakan RapidMiner. Yogyakarta: Andi Publisher.

Saputra, J.P.B., Rahayu, S.A., dan Hariguna, T. 2023. Market Basket Analysis Using FP-Growth Algorithm to Design Marketing Strategy by Determining Consumer Purchasing Patterns. Journal of Applied Data Sciences. 4(1): 38-49.

Tan, P.N., Steinbach, M., dan Kumar, V. 2021. Introduction to Data Mining. Boston: Pearson Education.

Witten, I.H., Frank, E., Hall, M.A., dan Pal, C.J. 2021. Data Mining: Practical Machine Learning Tools and Techniques. Cambridge: Morgan Kaufmann.

Yuliana, S. dan Prasetyo, A. 2022. Product Segmentation Analysis Using DBSCAN Method in E-Commerce Data. Journal of Soft Computing Exploration. 3(4): 201-210.

Wahyudi, R.N., Herwindiati, D.E., dan Hendryli, J. 2023. Market Basket Analysis dengan Perbandingan Metode Apriori dan FP-Growth Pada Data Transaksi XYZ. Jurnal Ilmu Komputer dan Sistem Informasi. 11(1).

Hidayat, T., Nugroho, A., dan Saputra, D. 2022. Customer Segmentation Using DBSCAN Algorithm for Retail Data Analysis. International Journal of Advanced Computer Science and Applications. 13(5): 214-221.

Putra, A., et al. 2024.

Hybrid Data Mining for E-Commerce Sales Prediction Using Clustering and Classification. International Journal of Intelligent Systems.

Kumar, S., et al. 2024.

Product Recommendation and Customer Segmentation Using Data Mining Techniques. Applied Soft Computing.

Nguyen, T., et al. 2023.

Machine Learning Based Sales Prediction in E-Commerce Platforms. Expert Systems with Applications.

Johannes, R., & Alamsyah, A. 2021. Sales Prediction Model Using Classification Decision Tree Approach for Small Medium Enterprise Based on Indonesian E-Commerce Data. arXiv preprint arXiv:2103.03117.

Han, J., Pei, J., Yin, Y., & Mao, R. 2004. Mining Frequent Patterns without Candidate Generation: A Frequent Pattern Tree Approach. Data Mining and Knowledge Discovery. 8(1): 53–87.