Implementasi Association Rule Pada Transaksi Penjualan Menggunakan Metode Neural Network Backpropagation
Abstract
Pertumbuhan perdagangan dan penjualan telah menghasilkan volume data transaksi
yang besar dan kompleks. Analisis data transaksi dapat memberikan wawasan berharga tentang
pola pembelian pelanggan dan asosiasi antara item yang dibeli. Dalam penelitian ini, kami
mengusulkan pendekatan baru untuk mengekstraksi aturan asosiasi dari data transaksi penjualan
menggunakan metode Neural Network Backpropagation. Pendekatan ini mengintegrasikan
kekuatan jaringan saraf untuk memodelkan pola kompleks dalam data transaksi untuk menemukan
hubungan antara item yang dibeli. Pertama, data transaksi diubah menjadi representasi biner
yang sesuai untuk pemrosesan oleh jaringan saraf. Selanjutnya, jaringan saraf feedforward
dengan lapisan tersembunyi diinisialisasi dan dilatih menggunakan algoritma backpropagation.
Kami menguji pendekatan kami menggunakan dataset transaksi penjualan dari data di PT.
Program Induk Utama. Hasil percobaan menunjukkan bahwa pendekatan yang diusulkan mampu
menemukan aturan asosiasi yang signifikan dan bermakna dalam dataset penjualan, dengan
tingkat keakuratan 92,30%, epoch 1312, dan MSE 0,0009979927. Selain itu, pendekatan ini
menawarkan kelebihan dalam menangani pola-pola yang kompleks dan tidak terstruktur dalam
data transaksi.
Full Text:
PDFReferences
Budi Mulyono and Nursalim, “Prediksi Rentet Waktu Penjualan Barang Menggunakan
Algoritma Backpropagation,” J. Kolaboratif Sains, vol. 6, no. 2, pp. 131–139, 2023, doi:
56338/jks.v6i2.3300.
M. Mulyana, “Manajemen Sumber Daya Manusia (Sdm) Ritel Dalam Meningkatkan Kinerja
Perusahaan Oleh Mumuh Mulyana,” J. Ilm. Ranggagad., vol. 10, no. 2, pp. 164–170, 2010.
I. Djamaludin and A. Nursikuwagus, “Analisis Pola Pembelian Konsumen Pada Transaksi
Penjualan Menggunakan Algoritma Apriori,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput.,
vol. 8, no. 2, p. 671, 2017, doi: 10.24176/simet.v8i2.1566.
A. A. Fajrin and A. Maulana, “Penerapan_Data_Mining_Untuk_Analisis_Pol,” Kumpul. jurnal,
Ilmu Komput., vol. 05, no. 01, pp. 27–36, 2018.
W. A. Triyanto, “Association Rule Mining Untuk Penentuan Rekomendasi Promosi Produk,” J.
SIMETRIS, vol. Vol.5, no. No.2, pp. 121–126, 2014.
S. Andriyani and N. Sihombing, “Implementasi Metode Backpropagation Untuk Prediksi Harga
Jual Kelapa Sawit Berdasarkan Kualitas Buah,” Jurteksi, vol. 4, no. 2, pp. 155–164, 2018, doi:
33330/jurteksi.v4i2.40.
M. Yanto, E. P. W. Mandala, D. E. Putri, and Y. Yuhandri, “Peramalan Penjualan Pada Toko
Retail Menggunakan Algoritma Backpropagation Neural Network,” J. Media Inform.
Budidarma, vol. 2, no. 3, pp. 110–117, 2018, doi: 10.30865/mib.v2i3.811.
R. R. Putra, “TRANSAKSI,” vol. 3, no. 1, pp. 16–20, 2019.
M. F. Mubarokh, M. Nasir, and D. Komalasari, “Jaringan Syaraf Tiruan Untuk Memprediksi
Penjualan Pakaian Menggunakan Algoritma Backpropagation,” J. Comput. Inf. Syst. Ampera,
vol. 1, no. 1, pp. 29–43, 2020, doi: 10.51519/journalcisa.v1i1.3.
S. Hadija, E. Irawan, and I. S. Damanik, “Penerapan Data Mining Pada Pola Penjualan Barang
di Minimarket Menggunakan Algoritma Apriori Application of Data Mining on Patterns of Sales
of Goods …,” … Artif. Intell., vol …, vol. 1, no. 4, 2022, doi: 10.55123/jomlai.v1i4.1668.
M. Syafiq, D. Hartama, I. O. Kirana, I. Gunawan, and A. Wanto, “Prediksi Jumlah Penjualan
Produk di PT Ramayana Pematangsiantar Menggunakan Metode JST Backpropagation,”
JURIKOM (Jurnal Ris. Komputer), vol. 7, no. 1, p. 175, 2020, doi: 10.30865/jurikom.v7i1.1963.
D. Kurniasari and M. N. Ammar, “Analisis Struktur Terbaik Neural Network dengan Algoritma
Backpropagation dalam Memprediksi Indeks Kandungan Sulfida ( SO 2 ) di Ibu Kota Jakarta
Best Structural Analysis of Neural Network with Backpropagation Algorithm in Predicting
Sulfide Content Index,” vol. 12, no. 2, pp. 321–329, 2024, doi: 10.26418/justin.v12i2.76166.
Refbacks
- There are currently no refbacks.
