Proyek ini menganalisis 3.000 struk belanja sebuah minimarket fiktif untuk menemukan kombinasi barang yang sering dibeli bersamaan. Hasilnya berupa aturan asosiasi dengan ukuran support, confidence, dan lift yang dapat langsung dipakai untuk penataan rak dan paket promosi.
Tujuan Bisnis
Temukan barang yang sering dibeli bersamaan untuk menata rak dan menyusun paket promo. Bidang penerapan: Ritel. Tingkat proyek: menengah.
Alat dan Operator RapidMiner
Proses dibangun dengan operator berikut:
- Read CSV
- Numerical to Binominal
- FP-Growth
- Create Association Rules
- Frequent Item Sets to Data
- Write CSV
Yang Akan Anda Pelajari
- Memahami support, confidence, dan lift dengan contoh nyata di ritel
- Mengubah aturan asosiasi menjadi keputusan penataan rak dan paket promosi
- Mengetahui mengapa lift lebih jujur daripada confidence untuk barang populer
Langkah Pengerjaan
- Baca data struk belanja — Read CSV memuat transaksi_ritel.csv: satu baris per struk dan satu kolom per barang (1 = dibeli, 0 = tidak). Kolom id_transaksi diberi peran id.
- Ubah angka 0/1 menjadi biner — FP-Growth hanya menerima kolom bertipe binominal. Numerical to Binominal mengubah 0 menjadi false dan selain 0 menjadi true.
- Cari itemset yang sering muncul — FP-Growth dengan minimum support 0,03 (minimal 3% struk) dan maksimum 4 barang per itemset. Support rendah dipilih agar kombinasi niche tetap terlihat.
- Bentuk aturan asosiasi — Create Association Rules memakai kriteria confidence minimum 0,4. Setiap aturan berbentuk "jika membeli A, maka membeli B" lengkap dengan support, confidence, dan lift.
- Simpan itemset dan aturan — Frequent Item Sets to Data mengubah itemset menjadi tabel lalu Write CSV menyimpannya. Aturan asosiasi dikirim ke port hasil sehingga dapat dilihat pada panel Results RapidMiner dan diekspor dari sana.
- Saring aturan yang bermakna — Di panel hasil, urutkan aturan menurut lift. Aturan dengan lift di atas 1 berarti barang dibeli bersamaan lebih sering daripada kebetulan; abaikan lift di bawah 1.



