🛒 Dashboard Association Rules Recommendation

Aplikasi web untuk menganalisis pola pembelian pelanggan dan menghasilkan rekomendasi produk menggunakan kombinasi metode Content-Based Filtering dan Collaborative Filtering, dibangun dengan Streamlit.

🔗 Live Demo: https://aappciation-rules-b4ttm5iv5g275seryqwwpj.streamlit.app/

---

📌 Tentang Project

Project ini bertujuan mengidentifikasi hubungan antar produk yang sering dibeli pelanggan serta memberikan rekomendasi produk yang relevan berdasarkan histori transaksi retail.

Aplikasi menggabungkan tiga pendekatan rekomendasi:

• Content-Based Filtering untuk merekomendasikan produk dengan karakteristik serupa.
• Collaborative Filtering untuk merekomendasikan produk berdasarkan perilaku pelanggan yang mirip.

Dataset yang digunakan berasal dari transaksi retail online yang berisi informasi invoice, produk, kuantitas, harga, dan pelanggan.

---

🎯 Tujuan Analisis

• Menemukan produk yang sering dibeli bersama.
• Memberikan rekomendasi produk secara otomatis.
• Membantu strategi cross-selling dan bundling produk.
• Mengidentifikasi preferensi pelanggan berdasarkan histori pembelian.

---

🗂️ Struktur Project

assorules/
├── app.py                  # Aplikasi Streamlit
├── model/
│   ├── df_master_cf
│   ├── product_corr
├── requirements.txt
└── README.md

---

⚙️ Fitur Dashboard

Fitur	Keterangan
Product Recommendation	Rekomendasi produk berdasarkan produk yang dipilih
Content-Based Filtering	Menampilkan produk dengan karakteristik serupa
Collaborative Filtering	Menampilkan produk yang disukai pelanggan serupa
Market Basket Analysis	Analisis kombinasi produk dalam satu transaksi
Interactive Dashboard	Visualisasi dan eksplorasi data secara interaktif

---

📊 Metode yang Digunakan

1. Content-Based Filtering

Merekomendasikan produk berdasarkan kemiripan atribut atau karakteristik produk.

Contoh:

KNITTED UNION FLAG HOT WATER BOTTLE
→ WHITE SKULL HOT WATER BOTTLE

2. Collaborative Filtering

Merekomendasikan produk berdasarkan pola pembelian pelanggan lain yang memiliki perilaku serupa.

Contoh:

RED WOOLLY HOTTIE WHITE HEART
→ SCOTTIE DOG HOT WATER BOTTLE

🚀 Cara Menjalankan Lokal

# Clone repository
git clone https://github.com/dewitrilestari/Association-Rules.git

# Masuk ke folder project
cd Association-Rules

# Install dependency
pip install -r requirements.txt

# Jalankan aplikasi
streamlit run app.py

Aplikasi akan berjalan di:

https://aappciation-rules-b4ttm5iv5g275seryqwwpj.streamlit.app/

---

🌐 Deploy

Aplikasi dideploy menggunakan Streamlit Community Cloud sehingga dapat diakses secara online melalui browser tanpa instalasi tambahan.

---

🛠️ Tech Stack

• Python
• Streamlit
• Pandas
• NumPy
• Scikit-Learn
• Collaborative Filtering

---

📈 Manfaat Bisnis

• Meningkatkan peluang cross-selling.
• Membantu penyusunan paket bundling produk.
• Memahami perilaku pembelian pelanggan.
• Mendukung pengambilan keputusan pemasaran berbasis data.
• Mengoptimalkan strategi promosi dan penempatan produk.

---

⚠️ Catatan

• Hasil rekomendasi bergantung pada kualitas dan jumlah data transaksi yang tersedia.
• Tidak semua produk akan menghasilkan association rules yang kuat.
• Project ini dibuat untuk tujuan pembelajaran data mining, machine learning, dan sistem rekomendasi pada data retail.