Pencarian High Utility Itemset pada Dataset YooChoose Buys

Rangga Nugroho; Ridowati Gunawan

doi:10.24002/prosidingkonstelasi.v2i1.11139

Authors

Rangga Nugroho Universitas Sanata Dharma
Ridowati Gunawan Universitas Sanata Dharma

DOI:

https://doi.org/10.24002/prosidingkonstelasi.v2i1.11139

Keywords:

E-commerce, Data mining, High Utility Itemset, HUI-Miner

Abstract

Abstrak. Perkembangan e-commerce yang pesat, membuat strategi penjualan harus dioptimalkan untuk meningkatkan keuntungan bisnis. Dalam upaya untuk meningkatkan keuntungan, penting untuk mengidentifikasi pola pembelian pelanggan yang dapat memberikan keuntungan maksimal. Data mining menawarkan beberapa metode analisis pola pembelian, seperti Frequent Itemset Mining (FIM) dan High utility Itemset (HUI). FIM dapat menghasilkan pola yang kurang relevan bagi bisnis karena hanya mempertimbangkan kemunculan item daripada nilai ekonominya, metode HUI, khususnya algoritma HUI-Miner, digunakan untuk mengidentifikasi itemset yang mempunyai nilai keuntungan yang tinggi. HUI-Miner memanfaatkan struktur utility-list untuk meningkatkan efisiensi dalam pencarian pola pembelian yang menguntungkan. HUI-Miner diterapkan pada dataset transaksi YooChoose Buys untuk menganalisis pola pembelian pelanggan. Hasil analisis menunjukan bahwa algoritma HUI-Miner mampu menemukan itemset yang bernilai tinggi secara efisien. Semakin tinggi threshold yang digunakan, semakin sedikit itemset yang memenuhi kriteria sebagai HUI, yang menunjukan bahwa pemilihan threshold yang tepat sangat berpengaruh terhadap hasil analisis. Hasil ini dapat dimanfaatkan untuk mengoptimalkan strategi pemasaran dan pengelolaan stok untuk meningkatkan keuntungan penjualan.

Kata kunci: E-commerce; Data mining; High Utility Itemset; HUI-Miner

References

[1] G. Taher, “E-commerce: advantages and limitations,” International Journal of Academic Research in Accounting Finance and Management Sciences, vol. 11, no. 1, pp. 153–165, 2021.

[2] V. Jain, B. Malviya, and S. Arya, “An overview of electronic commerce (e-Commerce),” The journal of contemporary issues in business and government, vol. 27, no. 3, pp. 665–670, 2021.

[3] O. Mokryn, V. Bogina, and T. Kuflik, “Will this session end with a purchase? Inferring current purchase intent of anonymous visitors,” Electron Commer Res Appl, vol. 34, p. 100836, 2019, doi: https://doi.org/10.1016/j.elerap.2019.100836.

[4] Y. Djenouri, P. Fournier-Viger, A. Belhadi, and J. Chun-Wei Lin, “Metaheuristics for frequent and high-utility itemset mining,” High-Utility Pattern Mining: Theory, Algorithms and Applications, pp. 261–278, 2019.

[5] Q.-H. Duong, P. Fournier-Viger, H. Ramampiaro, K. Nørvåg, and T.-L. Dam, “Efficient high utility itemset mining using buffered utility-lists,” Applied Intelligence, vol. 48, pp. 1859–1877, 2018.

[6] J.-F. Qu, M. Liu, and P. Fournier-Viger, “Efficient Algorithms for High Utility Itemset Mining Without Candidate Generation,” in High-Utility Pattern Mining: Theory, Algorithms and Applications, P. Fournier-Viger, J. C.-W. Lin, R. Nkambou, B. Vo, and V. S. Tseng, Eds., Cham: Springer International Publishing, 2019, pp. 131–160. doi: 10.1007/978-3-030-04921-8_5.

[7] R. Teresya, R. R. Nabiilah, and S. Tunnajah, “Literature Review E-Commerce: Profitabilitas, tekanan eksternal dan kemudahan pengguna,” Jurnal Ekonomi Manajemen Sistem Informasi, vol. 3, no. 4, pp. 474–484, 2022.

[8] Y. L. R. Rehatalanit, “Peran e-commerce dalam pengembangan bisnis,” Jurnal Teknologi Industri, vol. 5, 2021.

[9] J. A. Napieralski, “Statistical methods for data prediction,” in 2016 XII International Conference on Perspective Technologies and Methods in MEMS Design (MEMSTECH), 2016, pp. 120–123. doi: 10.1109/MEMSTECH.2016.7507532.

[10] A. Yani, Z. Azmi, and D. Suherdi, “Implementasi Data mining Menganalisa Data Penjualan Menggunakan Algoritma K-Means Clustering,” Jurnal Sistem Informasi Triguna Dharma (JURSI TGD), vol. 2, no. 2, pp. 315–323, 2023.

[11] C. Zai, “Implementasi data mining sebagai pengolahan data,” Jurnal Portal Data, vol. 2, no. 3, 2022.

[12] B. Rahmati and M. K. Sohrabi, “A Systematic Survey on High Utility Itemset Mining,” Int. J. Inf. Technol. Decis. Mak., vol. 18, pp. 1113–1185, 2019, [Online]. Available: https://api.semanticscholar.org/CorpusID:145922793

[13] J. M.-T. Wu, J. C.-W. Lin, and A. Tamrakar, “High-Utility Itemset Mining with Effective Pruning Strategies,” ACM Trans. Knowl. Discov. Data, vol. 13, no. 6, Nov. 2019, doi: 10.1145/3363571.

[14] F. Putra, H. F. Tahiyat, R. M. Ihsan, R. Rahmaddeni, and L. Efrizoni, “Penerapan Algoritma K-Nearest Neighbor Menggunakan Wrapper Sebagai Preprocessing untuk Penentuan Keterangan Berat Badan Manusia: Application of K-Nearest Neighbor Algorithm Using Wrapper as Preprocessing for Determination of Human Weight Information,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 4, no. 1, pp. 273–281, 2024.

[15] R. Sowmya and K. R. Suneetha, “Data mining with big data,” in 2017 11th International Conference on Intelligent Systems and Control (ISCO), IEEE, 2017, pp. 246–250.