PENGGUNAAN ASSOSIATION RULE MINING DALAM PENETAPAN HARGA PROMOSI, STOK, DAN PENATAAN PRODUK PADA ETALASE
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In the first quarter of 2017, retail in Indonesia recorded a growth of 2.5%, while in 2018 the growth was only in the range of 1% -1.5%. The cause of the slow growth is the change in the consumption pattern of the people and it will continue at the beginning of 2018. In addition, the decreasing productivity of the community at the lower middle level. As a retailer, Anterah store also faces the same thing, so anticipating a decline in sales requires an analysis of the best-selling products and how to find out the relationship between the products purchased by consumers. The association relationship between these products will be used as the basis for product arrangement, so that the frequency of products that consumers often buy can be arranged closely together so that consumers do not have to look for them longer. Market basket analysis to determine the relationship between products sold simultaneously is used to explore association rules (Association Rule Mining) which will produce products that are purchased simultaneously as a consideration for product arrangement in Anterah Retail storefront. Meanwhile, the best-selling products will be explored using the Frequent Pattern Growth method in order to obtain a ranking list of the most purchased products by consumers. This analysis is used as a basis for considering product promotion. The test results on the sales sample data obtained an average value of minimum support = 0.0025, minimum confidence = 0.610, LaPlace = 0.9985, Gain = -0.006, p-s = 0.003, Lift = 103.82, Convicting 2.5285 with a processing time of 41.456 seconds.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle