Pernahkah Anda memperhatikan strategi promosi yang ditawarkan di berbagai supermarket atau toko retail? Contohnya seperti “Beli ayam goreng dapat es teh gratis” atau “Pembelian 3 minuman varian rasa berbeda berhadiah tas cantik”. Mungkin terlihat sederhana, namun di balik penawaran promosi tersebut terdapat perhitungan analitik yang mendalam. Bagaimana perusahaan menentukan kombinasi produk yang tepat? Bagaimana mereka memproyeksikan tingkat keuntungan dari strategi promosi ini? Dan apa alasan di balik pemilihan produk-produk spesifik dalam paket promosi tersebut? Mari kita telusuri lebih jauh sistem yang bekerja di balik strategi pemasaran yang tampaknya spontan ini. 

Salah satu teknik yang digunakan adalah Association Rule Mining (ARM), sebuah algoritma data mining yang secara otomatis menganalisis pola pembelian konsumen dari ribuan transaksi harian. Algoritma ini bekerja layaknya detektif digital yang mampu mengungkap hubungan tersembunyi antar produk, contohnya adalah konsumen yang membeli roti tawar cenderung juga membeli selai, atau pembeli beras cenderung akan membeli sayuran. Dengan mengidentifikasi pola-pola ini, perusahaan dapat merancang strategi promosi yang tidak hanya menarik konsumen, tetapi juga memaksimalkan penjualan produk yang saling berkaitan. ARM mengubah data transaksi yang tampak acak menjadi informasi strategis yang dapat meningkatkan revenue secara signifikan. 

Terdapat 3 atribut utama pada Associate Rule Mining, yaitu Support, Confidence, dan Lift. Atribut – atribut ini digunakan untuk mengungkapkan pola kombinasi yang tersembunyi. 

Support, atribut ini digunakan untuk mengukur seberapa sering kombinasi item tertentu muncul pada keseluruhan dataset transaksi. Contohnya adalah nilai support menunjukkan popularitas suatu pola pembelian diantara seluruh konsumen pada aktivitas transaksi yang terjadi di supermarket. 

Rumus support: 

Contoh penerapan dari support ini adalah jika ada 1000 transaksi yang terjadi pada suatu supermarket, terdapat 150 transaksi yang memiliki kombinasi pola roti dan selai pada tiap transaksinya. Maka perhitungan support nya adalah: 

Dari perhitungan ini didapati bahwa nilai support nya adalah 15%. 

Confidence, atribut ini digunakan untuk menghitung probabilitas hubungan bahwa item Y akan dibeli ketika item X sudah dibeli. Confidence menggambarkan kekuatan suatu hubungan dalam aturan asosiasi.  

Misalnya dari 1000 transaksi yang terjadi di suatu supermarket, terdapat 200 transaksi yang membeli roti, dan 150 diantaranya membeli susu juga. Maka perhitungan confidence nya sebagai berikut.  

Dari perhitungan ini, maka posibilitas konsumen yang membeli roti dan juga membeli susu juga adalah 75%. 

Lift, atribut ini digunakan untuk mengukur kekuatan asosiasi dengan membandingkan confidence observed (adalah probabilitas bahwa item Y akan dibeli jika item X sudah dibeli berdasarkan data historis) dan confidence expected (adalah nilai confidence yang diharapkan ketika kedua item dibeli secara independent atau acak). Lift digunakan untuk mengidentifikasi apakah hubungan antar item benar-benar signifikan atau hanya kebetulan. Berikut adalah rumus perhitungan untuk lift.  

 

Nilai lift = 1 berarti tidak ada korelasi, lift > 1 menunjukkan korelasi positif yang kuat, sedangkan lift < 1 mengindikasikan korelasi negatif. 

Berikut adalah contoh dari penerapan Associate Rule Mining dengan contoh case real: 

Pada suatu kafe terdapat 1000 transaksi yang terjadi di setiap bulannya. Bulan depan ingin membuat promo yang diperuntukkan untuk meningkatkan penjualan harian mereka. Mereka ingin menganalisis produk apa aja yang saling berkorelasi untuk dibuat menjadi promo bulan depan mereka. Berikut adalah rangkuman transaksi suatu kafe bulan ini. 

Total transaksi yang membeli kopi: 500 

Total transaksi yang membeli donat: 300 

Total transaksi yang membeli kopi dan donat: 250 

Untuk penjabaran perhitungan sebagai berikut: 

Support (Kopi ∩ Donat): 

Lift (Kopi → Donat): 

 

Coba kalian analisis kenapa bisa dapat 30% ya . 

Support 25% menunjukkan bahwa seperempat dari seluruh transaksi kafe melibatkan pembelian kopi dan donat secara bersamaan. Ini merupakan pola yang cukup signifikan. Confidence yang menunjukkan pelanggan yang membeli kopi juga membeli donat adalah 50% yang berarti setengah dari total aktivitas transaksi bulan tersebut, pelanggan juga membeli donat. Lift 1.67 untuk kedua aturan menunjukkan korelasi positif yang kuat, karena nilainya > 1. Artinya, peluang membeli kedua produk bersamaan adalah 1.67 kali lebih tinggi dibandingkan jika kedua produk dibeli secara independen.