Hasil Pencarian  ::  Simpan CSV :: Kembali

"Implementasi Market basket analysis pada e-grocery studi kasus : bigbasket.com. Salah satu cara untuk meningkatkan keuntungan bagi perusahaan adalah memanfatkan pelanggan yang ada untuk menambah item barang pada keranjang belanjanya. Pemasar perlu memberikan rekomedasi produk yang sesuai dengan pelanggan. Pemasar tertarik untuk menganalisis perilaku konsumen dari item-item yang dibelanjanya. Proses analisis ini dinamakan Market basket analysis menggunakan konsep association rule. Market basket analysis bermanfaat bagi pemasar untuk memberikan rekomendasi produk, personalisasi konten promosi baik pada banner halaman homepage e-grocery, promosi melalui newsletter, menyusun product bundling atau cross selling, dan penempatan produk-produk yang saling berkaitan secara dekat.Data yang digunakan pada penelitian ini merupakan data sekunder transaksi Bigbasket.com pada periode Maret 2011 sampai dengan Desember 2014.Berdasarkan hasil analisis, produk yang dibeli oleh konsumen Bigbasket dikelompokan menjadi tiga jenis, most frequent category kategori produk yang paling banyak dibeli, medium frequent category kategori produk yang tidak terlalu sering dibeli, dan least frequent category kategori produk yang paling sedikit dibeli. Tren penjualan grocery dalam rentang satu tahun meningkat pada akhir tahun dimana terdapat hari besar India. Kemudian dalam rentang bulan, transaksi meningkat direntang tanggal 10-15.Berdasarkan pola tersebut, dibagi menjadi high season dan low season. Kemudian dengan menggunakan market basket analysis, menganalisis produk-produk apa saja yang bisa dilakukan price bundling dan product recommendation berdasarkan jenis kategori produknya most, medium, least frequent category product pada saat low season dan high season.Kata kunci: e-grocery, market basket analysis, price bundling, product recommendation, cross selling.

---

Implementation of Market basket analysis in e grocery studi kasus bigbasket.com, India . One method to increase company rsquo s profit is to utilize the existing customer. Marketers try to influence them to add items on their shopping basket. Marketers could be able to give the right product recommendation to customer. Therefore, marketers interested in analysis the shopping behavior based on item product that customer bought. This method is used association rules concept and it is called market basket analysis. Marketers can use market basket analysis to give product recommendation, targeting promotion, bundling and cross selling, and placing the associated products. This research use seconder data from sample trasanction at Bigbasket.com period from March 2011 to December 2014.

Based on analysis, product classified into three types most frequent category, medium frequent category, and least frequent category. The grocery sales trend in the one year span is increasing by the end of the year whwn there is India celebration day Divavali . Then in around one month, the transaction increases in interval date 10 15.Based on those pattern transaction, we determine seasonal period of sales, high season and low season. Market basket analysis defines products related for price bundling and product recommendation based on the category products most, medium, least frequent category product in low and high season. Keyword e grocery, market basket analysis, price bundling, product recommendation, cross selling."

"E-Grocery merupakan layanan grocery yang dilakukan secara online, yang manapelanggan dapat melakukan pemesanan, memilih dan membayar belanja merekasecara online hanya dengan menggunakan aplikasi mobile. Pengguna e-grocerysemakin meningkat dikarenakan adanya pandemi COVID-19. Pada Kuartalpertama tahun 2020, bisnis e-grocery mendapati lonjakan pengguna sebesar 20%dari sebelum masa pandemi. Penelitian ini dilakukan untuk mengetahui faktorfaktoryang dapat memengaruhi niat pengguna dalam melakukan pembeliankembali di aplikasi e-grocery. Hasil dari penelitian ini diolah dari 427 respondenvalid. Data tersebut kemudian dianalisis menggunakan metode Covariance BasedStructural Equation Modelling (CB-SEM) dengan bantuan software AMOS 24.Hasil pengolahan data dan analisis data menunjukkan bahwa faktor yangmemengaruhi memengaruhi niat pengguna dalam melakukan pembelian kembali diaplikasi e-grocery, yaitu online shopping satisfaction, trust to e-grocery,repurchase intention, perceived value, perceived price fairness, service excellence,attitude, efficiency, health conscious, dan product excellence.

---

E-Grocery is an online grocery service, where customers can place orders, choose

and pay for their shopping online using only a mobile application. E-grocery users

are increasing due to the COVID-19 pandemic. In the first quarter of 2020, the egrocery

business saw a 20% jump in users from before the pandemic. The study

was conducted to see the factors that can influence user intentions to make

repurchases in electronic store applications. The research results were processed

from 427 valid respondents. The data is then analyzed using the Covariance Based

Structural Equation Modeling (CB-SEM) method with the help of AMOS 24

software. The results of data processing and data analysis show that the factors that

influence user intention to make repurchases in e-grocery applications are online

shopping satisfaction. , trust in e-grocery, repurchase intention, perceived value,

perceived price fairness, service excellence, attitude, efficiency, health awareness,

and product excellence."

"Industri ritel merupakan Salah satu jenis usaha dengan tingkat kompetisi yang tinggi. Kemampuan bisnis ini untuk tetap berlahan sangat bergantung pada kemampuannya dalam memahami konsumen. Contoh aplikasi yang paling banyak dilakukan pada bidang supermarket dalam memahami konsumen adalah teknik mix merchandise.Tujuan penelitian ini adalah untuk mengidentifikasikan produk-produk apa saja yang saling berasosiasi dan dapat digabungkan dalam kelompok mix merchandise yang sama dengan menggunakan teknik marker basket analysis.Algoritma yang dipilih dari keseluruhan proses data mining adalah algoritma Apriori. Perhitungan asosiasi dari produk dilakukan dengan menggunakan software WEKA (Waikato Environemt for Knowledge Analysis). Dari 5 aturan asosiasi kategori dan 14 aluran asosiasi sub-kategori yang didapatkan, kemudian diinterpretasikan dalam bentuk corgfidence dan suppert untuk menjadi pertimbangan dalam penyusunan tata letak produk."

"Dalam menghadapi persaingan bidang ritel bahan bangunan tradisional, ritel perlu menerapkan strategi untuk mempercepat proses pelayanan. Pengaturan tata letak produk dengan mempertimbangkan hubungan asosiasi antar produk dan tingkat frekuensi pengambilan produk dapat meningkatkan efisiensi order picking. Dengan menggunakan market basket analysis melalui metode association rule dan strategi storage assignment dengan class-based storage, studi ini merancang tata letak produk untuk meningkatkan efisiensi pelayanan. Hasilnya diperoleh 6 asosiasi produk antar kategori dan 3 klasifikasi produk berdasarkan frekuensi pengambilan produk.

---

Facing competition in the field of traditional building materials retail, retail needs to implement a strategy to accelerate the service process. Design of product placement layout by considering the association relationship between the product and the level of frequency of taking the product can improve the efficiency of order picking. By using market basket analysis through association rule method and storage assignment strategy with class-based storage, the study design product placement layout to improve service efficiency. The result found 6 association rules between the product category and 3 classification products based on the frequency of taking the product."

"Retailing is an industry with high level of competition. It is a customer-based industry which depends on how it could be aware of what the customers needs and requirements are. One technique most used in supermarkets is the mix merchandise. The purpose of this paper is to identify associated products, which then grouped in mix merchandise with the use of market basket analysis. This association between products then will be applied in the design layout of the product in the supermarket. The process of identifying the related products bought together in one transaction is done by using data mining technique. Apriori algorithm is chosen as a method in the data mining process. Using WEKA (Waikato Environment for Knowledge Analysis) software, the association rule between products is calculated. The results found five category association rules and fourteen sub-category association rules. These associations then will be interpreted as confidence and support to become consideration for the product layout."

"Pesatnya perkembangan teknologi informasi dan komunikasi menuntut adanya inovasi dalam pengembangan aplikasi agar dapat mengikuti perkembangan yang cepat tersebut. Segari adalah salah satu penyedia layanan supermarket online yang populer di Indonesia. Segari merupakan perusahaan yang berlandasan customer centric dan mempunyai nilai Be Obsessed with our Customers, sangat mengedepankan kebutuhan dari pelanggannya. Minimnya sumber daya manusia dan banyaknya ulasan pelanggan yang perlu di analisis menghambat proses penggalian informasi dari ulasan pelanggan tersebut, sehingga diperlukan model pembelajaran mesin yang dapat secara otomatis melakukan analisis sentimen untuk mengklasifikasikan ulasan menjadi sentimen positif atau negatif. Informasi yang diambil dari analisis sentimen dapat digunakan sebagai referensi untuk menjaga kualitas layanan berdasarkan sentimen positif, sedangkan hasil dari sentimen negatif dapat digunakan sebagai bahan evaluasi untuk meningkatkan layanan dan aplikasi Segari. Dalam penelitian ini, peneliti membahas implementasi model analisis sentimen menggunakan ulasan pelanggan dari Google Play Store. Metode pembuatan model dimulai dari pengumpulan data, pelabelan data, pra proses data, ekstraksi fitur, model klasifikasi sentimen, evaluasi model, dan pemodelan topik. Peneliti menggunakan dua algoritma klasifikasi, Naive Bayes Classifier (NB) dan Support Vector Machine (SVM), pada total 10.507 ulasan. Data menunjukkan bahwa 74,37% ulasan mengungkapkan sentimen positif, sedangkan 25,63% mengungkapkan sentimen negatif. Hasil penelitian menunjukkan bahwa algoritma SVM dengan oversampling mencapai kinerja model terbaik, dengan recall sebesar 89,98%. Selain itu, peneliti menggunakan Latent Dirichlet Allocation (LDA) untuk mengidentifikasi topik terkait dengan perspektif pelanggan tentang Segari yang selanjutnya disampaikan kepada tim terkait. Hasil analisis mengungkapkan bahwa terdapat pelanggan yang puas dan kecewa dengan proses pengiriman produk. Pelanggan umumnya sudah puas dengan kualitas dan kesegaran dari produk. Beberapa pelanggan merasa kecewa karena pesanan yang kosong atau tidak lengkap dalam paket. Terdapat pelanggan yang puas dan kecewa terhadap aplikasi antarmuka pengguna, kecepatan, maupun kinerja aplikasi. Terdapat pelanggan yang puas dan kecewa terhadap harga, promo, dan voucher yang tersedia. Beberapa pelanggan merasa kecewa terhadap servis yang diberikan oleh customer service. Secara keseluruhan, penelitian ini memperluas pengetahuan tentang metode analisis sentimen dan memberikan wawasan tentang melakukan penelitian terkait analisis sentimen dan ulasan pelanggan.

---

The rapid development of information and communication technology demands innovation in application development to keep up with such rapid advancement. Segari is one of the popular online supermarket service providers in Indonesia. Segari is a customer-centric company with a core value of being obsessed with its customers, prioritizing their needs. The lack of human resources and the abundance of customer reviews that need to be analyzed hinder the process of extracting information from these reviews. Therefore, a machine learning model is needed to automatically perform sentiment analysis and classify the reviews into positive or negative sentiments. The information extracted from sentiment analysis can be used as a reference to maintain service quality based on positive sentiments, while the results of negative sentiments can be used for evaluation to improve Segari's services and application. In this research, the implementation of a sentiment analysis model using customer reviews from the Google Play Store is discussed. The model development process includes data collection, data labeling, data preprocessing, feature extraction, sentiment classification model, model evaluation, and topic modeling. The researcher utilized two classification algorithms, Naive Bayes Classifier (NB) and Support Vector Machine (SVM), on a total of 10,507 reviews. The data shows that 74.37% of the reviews express positive sentiments, while 25.63% express negative sentiments. The results of the study indicate that the SVM algorithm with oversampling achieved the best model performance, with a recall of 89.98%. Additionally, the researcher used Latent Dirichlet Allocation (LDA) to identify topics related to customer perspectives on Segari, which will be communicated to the relevant team. The analysis revealed that some customers are satisfied while others are disappointed with the product delivery process. Customers generally expressed satisfaction with the quality and freshness of the products. Some customers felt disappointed due to missing or incomplete items in their orders. There were mixed opinions about the user interface, speed, and performance of the application. Customers also expressed satisfaction and dissatisfaction with the available prices, promotions, and vouchers. Some customers felt disappointed with the service provided by the customer service team. Overall, this paper extends knowledge of sentiment analysis methods and provides insights on conducting research related to sentiment analysis and customer reviews.

"

"Industri ritel merupakan salah satu bidang usaha yang berkembang pesat. dengan tingkat kompetisi yang tinggi. Salah satu cara memenangi kompetisi tersebut adalah membangun sebuah competitive advantage melalui analisa akan perilaku pelanggan. Salah satu metode yang umum digunakan dalam memahami perilaku pelanggan dalam bisnis ini adalah market basket analysis. Market basket analysis merupakan bagian dari metode data mining yang menggunakan teknik algoritma apriori untuk mengetahui produk-produk yang berasosiasi. Perhitungan asosiasi produk dilakukan menggunakan software WEKA (Waikato Environment for Knowledge Analysis) atas input data transaksi pelanggan. Hasil dari metode ini adalah 5 aturan asosiasi kategori dan 17 aturan asosiasi sub kategori produk guna diinterpretasikan sebagai pertimbangan dalam memperbaiki tata letak dan strategi penjualan produk.

---

Retail industry is one of the businesses that thrive with a high level of competition. One way to win the competition is building a competitive advantage through customer behavior analysis. One method commonly used in understanding customer behavior in this business is the market basket analysis. Market basket is a part of data mining method that use apriori algorithm to discover association of product. The calculation is done by using WEKA (Waikato Environment for Knowledge Analysis) software with customer transaction data as an input. The results of this method are 5 association rule category and 17 association rule sub category product to be interpreted as a consideration for improving product layout and marketing strategy."

"ABSTRAKDalam rangka memperluas pasar konsumen, perusahaan perlu memperhatikan kepuasan konsumen yang akan berdampak pada keberlanjutan kegiatan pembelian produk. Market basket analysis dilakukan untuk melihat pola pembelian konsumen dengan cara mengidentifikasi asosiasi dari berbagai produk yang diletakkan konsumen pada keranjang belanja. Penelitian ini dilakukan untuk melihat pengaruh jenis gerai terhadap pola pembelian konsumen. Data yang digunakan pada penelitian ini merupakan basis transaksi pelanggan. Data tersebut diolah menggunakan teknik data mining dan salah satu algoritma association rule, yaitu apriori. Hasil dari penelitian ini menunjukkan adanya perbedaan pola pembelian konsumen pada setiap jenis gerai.

---

ABSTRACTIn order to expand the current market, companies need to pay attention to customer satisfaction that will affect the sustainability of product purchasing activities. Market basket analysis is done to extract consumer buying behavior by identifying the associations of various products that consumers put on the shopping cart. This research was conducted to see whether outlet type affects consumer buying behavior. The data used in this study was taken from customer transactions database. The data was processed using data mining techniques and association rule algorithm, which is apriori. The results of this study show that there are differences in consumer buying behavior on each type of outlet."

"ABSTRAKPenelitian ini bertujuan untuk menyusun sebuah jadwal belanja berdasarkan pola yang berhasil diamati dari laporan belanja selama periode 6 bulan dengan metode market basket analysis dan association rule. Hasil penelitian berhasil mengelompokkan 17 bahan baku yang mempunyai keterikatan ke dalam 4 kelompok, dengan tetap memperhatikan karakteristik bahan baku.

---

ABSTRACT

This study attempts to create a shopping schedule of a catering service company based on the observed pattern of its shopping for the past 6 months, using market basket analysis and association rule as the general method. The study manages to find and group 17 influential enough raw material into 4 separate groups, with attention also to the natural characteristics of the said material."

"Apoteker sebagai pelaku usaha harus mengelola dan mengembangkan bisnis apotek dengan mengidentifikasi masalah dan membuat keputusan yang strategis. Metode yang dapat dilakukan untuk membantu hal tersebut adalah dengan melakukan analisis basket size. Analisis ini dapat memahami pola perilaku konsumen dan hubungannya terhadap transaksi tunai. Selain itu, analisis ini dilakukan untuk mengetahui pencapaian target basket size di Apotek Kimia Farma Taman Harapan Indah. Nilai rata-rata basket size (ABS) dapat dihitung melalui pembagian antara total stock keeping unit (SKU) dengan total transaksi. Jumlah SKU yang dicatat dikelompokkan menjadi obat over the counter (OTC), upaya pengobatan diri sendiri (UPDS), dan resep. Analisis dilakukan dari hasil observasi 7 jam per hari selama 10 hari. Berdasarkan data yang diperoleh, nilai ABS untuk obat bebas, UPDS, dan resep berturut-turut adalah 1,54; 1,38; dan 2,60. Berdasarkan hasil tersebut, basket size Apotek Kimia Farma THI belum mencapai target yang diharapkan, yaitu sebesar 2.

---

Pharmacists as business actors must manage and develop the pharmacy business by identifying problems and making strategic decisions. The method that can be done to help with this is to do a basket size analysis. This analysis can understand consumer behavior patterns and their relationship to cash transactions. In addition, this analysis was conducted to determine the achievement of the target basket size at Kimia Farma Taman Harapan Indah Pharmacy. The average basket size (ABS) value can be calculated by dividing the total stock-keeping unit (SKU) by the total transactions. The number of SKUs recorded was grouped into over-the-counter (OTC) drugs, self-medication (UPDS), and prescriptions. The analysis was carried out from the results of observations 7 hours per day for 10 days. The result of ABS values for over-the-counter drugs, UPDS, and prescriptions were 1.54; 1.38; and 2.60. Based on these results, the basket size of Kimia Farma THI Pharmacy has not reached the expected target, which is 2."