Abstrak Tujuan Market Basket Analysis adalah memahami kebiasaan pembelian pelanggan serta menentukan produk yang dibeli pelanggan secara bersamaan. Manfaatnya adalah untuk proses asosiasi produk sehingga manajer tidak kesulitan dalam menemukan pola produk yang mungkin dibeli secara bersamaan. Tulisan ini merancang model Market Basket Analysis pada toko menggunakan algoritma Apriori guna penataan barang pada display product. Tahap awal adalah pengolahan data awal pada dataset transaksi penjualan

more »

... dengan memilih data berdasarkan kriteria jumlah minimal produk yang terjual, dan proses binerisasi terhadap dataset tersebut. Kedua, proses pembangkitan Frequent Item Set yaitu kombinasi item set yang memiliki nilai lebih dari nilai minimum support count.Ketiga, proses pembangkitan aturan asosiasi dengan memilih aturan yang memiliki nilai confidence diatas nilai minimum confidence yang telah ditetapkan. Aturan yang terbentuk diukur kekuatan asosiasinya menggunakan perhitungan lift ratio dengan membandingkan nilai confidence aturan dan nilai confidence-benchmark. Hasil percobaan menunjukkan bahwa nilai lift ratio lebih besar dari satu, hal ini menunjukkan bahwa aturan sering muncul dan hubungan antara produk satu dengan lainnya bersifat independent. Aturan asosiasi yang terbentuk digunakan untuk mengatur penempatan produk pada toko. Produk yang memiliki asosiasi tinggi dengan produk lain akan ditempatkan berdekatan, sehingga mempermudah konsumen dalam membeli produk danmanajer toko dalam mengatur stok barang yang berasosiasi. Kata kunci-Apriori, Market Basket Analysis, Tata letak, Lift Ratio, Asosiasi. Abstract The purpose of Market Basket Analysis (MBA) is to figure out customer buying habits for product association. It can be help managers in finding product pattern. This research is developing the MBA model uses Apriori Algorithm in order to organize the display products. The first stage is processing the initial data on the sales transaction dataset based on the criteria for the minimum number of products sold and converting into binary. The second stage is generate the combination item set that has a value greater than the minimum value of support count. The last is generating association rules by choosing appropiate rules. The formed rules are measured by their associative strength using the calculation of the lift ratio by comparing the confidence values and confidence-benchmark values. The results show that the lift ratio value is greater than one, indicates that the rules often arise and the relationship between product is independent. The association rules are used to regulate product placement in the