Penerapan Algoritma FP-Growth untuk Analisis Pola Pemesanan Menu pada Transaksi Restoran
DOI:
https://doi.org/10.69714/2rkgcb31Keywords:
FP-Growth, Data Mining, Association Rule, Restaurant Transactions, Menu Ordering PatternsAbstract
Advances in information technology enable restaurants to utilize transaction data to support business decision-making. However, many restaurants have not yet optimally processed transaction data, resulting in a lack of understanding of customer ordering patterns. This study aims to analyze menu ordering patterns in restaurant transaction data using the FP-Growth algorithm. The CRISP-DM method used encompasses the stages of Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, and Deployment. Transaction data was processed and analyzed using the RapidMiner application to identify relationships between frequently ordered menu items. The results revealed several association patterns, such as the relationship between Cheeseburger and Hot Dog with a confidence value of 0.400 and Hot Dog and Veggie Burger with a confidence value of 0.400. These patterns indicate a tendency for customers to choose certain menu combinations in a single transaction. The resulting information can be used by restaurants to develop promotional strategies, create menu packages, conduct cross-selling, and manage raw material inventory more effectively. Thus, the FP-Growth algorithm has proven effective in identifying customer ordering patterns and supporting restaurant business decision-making.
References
F. Teknik, F. Teknik, U. I. Pgri, dan U. I. Pgri, “IMPLEMENTASI TEKNOLOGI JAVA UNTUK SISTEM INFORMASI MANAJEMEN MENU DAN TRANSAKSI RESTORAN PADA RESTORAN KEDAI NDUY JISAMAR ( Journal of Information System , Applied , Management , Accounting and Researh ) p-ISSN : 2598-8700 ( Printed ) JISAMAR ( Journal of Information System , Applied , Management , Accounting and Researh ),” vol. 4, no. 4, hal. 138–143, 2020.
A. M. Wilhelmus, “Penerapan Data Mining Asosiasi Dalam Menganalisis Data Penjualan Untuk Meningkatkan Strategi Penjualan Pada PD Jumbo,” vol. 6, no. 2, hal. 445–457, 2025.
D. Kartika, “Penentuan Pola Penjualan pada Minimarket Gemilang Menggunakan Algoritme Apriori”.
J. T. Suryani et al., “PENERAPAN ASOSIASI UNTUK MENGANALISA PENJUALAN BARANG MENGGUNAKAN ALGORITMA FP-GROWTH,” vol. 8, no. 1, hal. 3435–3440, 2024.
S. J. Kendari dan U. I. Medan, “Analisa Data Mining Dengan Menggunakan Transaksi Penjualan Untuk Mengetahui Pola Beli Konsumen Pada Mini Market MGM Kendari Menggunakan Metode Apriori Berbasis Web,” vol. 07, no. 01, hal. 114–118, 2025.
I. D. Ayu, I. Saraswati, I. M. Agus, O. Gunawan, I. M. Agus, dan W. Putra, “Analisis Keranjang Belanja pada Data Ritel Non- Toko menggunakan Algoritma FP-Growth,” hal. 1692–1704, 2027.
S. Ikmi, J. P. No, K. Kesambi, K. Cirebon, dan J. Barat, “PENINGKATAN EFISIENSI MODEL ASOSIASI PADA DATA TRANSAKSI PENJUALAN SEMBAKO DENGAN ALGORITMA FP-GROWTH Penerapan Algoritma FP-Growth,” hal. 18–27.
S. Informasi, U. Multi, dan D. Palembang, “Penerapan Data Mining Menggunakan Algoritma Apriori Untuk Menganalisis Pola Pembelian Konsumen Pada Minimarket XYZ,” hal. 476–487.
K. F. Khasena, A. P. Wibowo, D. Sugianti, dan T. Informatika, “Cross Selling Untuk Promosi Produk Dengan Metode Apriori di Toko Sapphira Cake N Dessert Kabupaten Batang”.
J. Nasional, I. Komputer, E. T. Naldy, F. Teknik, I. Komputer, dan U. B. Darma, “Penerapan Data Mining Untuk Analisis Daftar Pembelian Konsumen Dengan Menggunakan Algoritma Apriori Pada Transaksi Penjualan Toko Bangunan MDN,” vol. 2, no. 2, hal. 89–101, 2021.
J. T. Informatika, “J-TIFA,” vol. 2617, no. 2, hal. 1–7, 2019.
P. Studi, T. Informatika, F. I. Komputer, U. Singaperbangsa, dan A. K-means, “Implementasi K-Means Clustering untuk Pengelompokkan Daerah Rawan Bencana Kebakaran Menggunakan Model,” vol. 12, hal. 64–77, 2022, doi: 10.34010/jati.v12i1.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Jurnal Riset Sistem Informasi
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
