Analisis dan Prediksi Pembelian Produk Fesyen Menggunakan Metode Association Rules dengan Algoritma Apriori

Khofifah, Fidhia Ainun (2023) Analisis dan Prediksi Pembelian Produk Fesyen Menggunakan Metode Association Rules dengan Algoritma Apriori. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 05111940000203-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 September 2025. Download (39MB) | Request a copy

Abstract

Pembelian produk fesyen secara daring menggunakan platform e-commerce memudahkan para penggunanya dalam melakukan pembelanjaan. Berbagai macam jenis dan model produk ditawarkan pada platform tersebut, alhasil membuat pengguna seringkali merasa kesulitan dalam memilih produk yang akan dibeli. Hadirnya sebuah sistem rekomendasi sangat diperlukan untuk memudahkan pengguna dalam memilih dan melakukan pembelian produk. Penambangan data merupakan solusi yang cocok dalam penyusunan sistem rekomendasi. Saat ini, penelitian mengenai rekomendasi dalam topik ini masih belum mendapatkan perhatian yang cukup. Maka, pada penelitian ini dilakukan analisis dan prediksi terkait pembelian produk fesyen menggunakan metode association rules. Pada tugas akhir ini, association rules memanfaatkan berbagai macam fitur atau variabel yang terdapat pada dataset untuk dicari bagaimana pengaruh setiap fitur terhadap rules dan prediksi yang dihasilkan. Prediksi menghasilkan 12 prediksi produk yang akan dibeli oleh pelanggan pada pembelian berikutnya. Prediksi ini juga melibatkan popularitas dari produk untuk setiap musimnya. Evaluasi dilakukan pada real world dataset dan performa dihitung dengan membandingkan nilai hasil prediksi dengan ground truth menggunakan Mean Average Precision (MAP@12). Performa dari prediksi dengan nilai akurasi terbaik didapatkan pada musim gugur dengan rules kelompok fitur produk dan kategori usia berparameter minimum support 0,3%, sebesar 0,174%
====================================================================================================================================
Purchasing fashion products online using an e-commerce platform makes it easier for users to make purchases. Various types and models of products are offered on the platform, as a result, users often feel confused in choosing the product to buy. Accordingly, the presence of a recommendation system is needed to facilitate users in selecting and purchasing products. Data mining is a suitable solution in designing recommendation systems. At present, research on recommendations in this topic has not received sufficient attention. In this study, a solution will be offered by analyzing and predicting the purchase of fashion products using the Association rules method. This final project, association rules make use of various features or variables contained in the dataset to find out how each feature influences the rules and the resulting predictions. The prediction generates 12 product predictions that will be purchased by the customer in the next purchase. This prediction also involves the popularity of the product for each season. Evaluation is carried out on real world datasets and performance is calculated by comparing the predicted value with the ground truth using Mean Average Precision (MAP@12). The prediction performance with the best accuracy value is obtained in the autumn season with a minimum support parameter of 0.3%, which is 0.174%.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Apriori, Association Rules, Prediksi, Produk Fesyen, Sistem Rekomendasi; Apriori, Association Rules, Prediction, Fashion Product, Recommendation System
Subjects:	Q Science > QA Mathematics > QA76.9.D343 Data mining. Querying (Computer science) Q Science > QA Mathematics > QA76.9.I58 Recommender systems (Information filtering)
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Fidhia Ainun Khofifah
Date Deposited:	07 Sep 2023 05:36
Last Modified:	07 Sep 2023 05:36
URI:	http://repository.its.ac.id/id/eprint/102824

Actions (login required)

View Item