Berikut adalah Silabus 20x sesi (1,5 jam per sesi) untuk topik: “Analisis Data Penjualan untuk Rekomendasi Produk Menggunakan Algoritma Apriori dengan Python” Silabus ini disusun bertahap: mulai dari pengenalan data mining dan asosiasi, hingga penerapan, evaluasi, dan penyajian hasil.
Tujuan Umum:
Peserta mampu melakukan analisis data penjualan dan membangun sistem rekomendasi produk menggunakan algoritma Apriori dalam Python, mulai dari eksplorasi data hingga visualisasi hasil.
️ Silabus 20 Sesi x 1,5 Jam
Tahap 1: Pengenalan dan Dasar Teori
-
Sesi 1: Pengantar Data Mining dan Sistem Rekomendasi Definisi data mining dan rekomendasi
-
Jenis-jenis sistem rekomendasi
-
Studi kasus: market basket analysis
-
Sesi 2: Teori Algoritma Asosiasi (Apriori vs FP-Growth) Association rule mining
-
Support, confidence, lift
-
Kapan menggunakan algoritma apriori
-
Sesi 3: Studi Kasus Data Penjualan dan Pemahaman Dataset Struktur data transaksi (dataset market basket)
-
Dataset contoh: retail.csv / groceries.csv
-
Format data transaksi (list of list, one-hot encoding)
-
Sesi 4: Instalasi dan Setup Lingkungan Python Python, Jupyter Notebook
-
Pandas, Mlxtend, Matplotlib, Seaborn
-
Membuat virtual environment
Tahap 2: Eksplorasi dan Persiapan Data
-
Sesi 5: Data Wrangling dan Cleaning Handling missing values
-
Standarisasi nama produk
-
Mengubah data menjadi format transaksi
-
Sesi 6: Transformasi Data untuk Apriori One-hot encoding data transaksi
-
Pivoting dan cross-tabulation
-
Format dataframe untuk input apriori
-
Sesi 7: Analisis Deskriptif dan Visualisasi Awal Frekuensi produk
-
Kombinasi produk populer
-
Visualisasi dengan bar plot dan heatmap



