ABSTRACT
Saat ini Industri Ritel di dunia dihadapkan pada tantangan baru, termasuk di Indonesia yang berdampak pada pertumbuhan industri ritel yang melambat. Selain itu, perubahan peraturan terkait penanaman modal asing di tahun 2016 menarik minat peritel asing untuk memperluas keberadaanya di Indonesia. Hal ini membuat para peritel tidak hanya bersaing dengan sesama peritel lokal, tetapi juga secara internasional. Untuk itu, peritel lokal harus dapat meningkatkan keunggulan kompetitif perusahaan dengan memahami perilaku pelanggan mereka. Penelitian ini bertujuan untuk menemukan pola pembelian sebagai cerminan dari perilaku pelanggan mereka dalam berbelanja dengan metode Market Basket Analysis. Berkaitan dengan perilaku pelanggan, penjualan dalam industri ini dipengaruhi oleh musim tertentu. Oleh karena itu, algoritma Apriori digunakan pada beberapa dataset yang dikelompokkan berdasarkan waktu untuk menemukan aturan asosiasi umum dan aturan asosiasi yang terjadi secara musiman. Pengolahan dilakukan secara bertahap pada dua level sehingga lebih efisien dalam mendapatkan hasil yang spesifik. Hasil luaran penelitian menunjukkan terdapat lima aturan asosiasi yang terjadi pada setiap dataset dan enam aturan asosiasi yang terjadi secara musiman.

---

ABSTRACT
Nowadays, global retail business face new challenges, including Indonesia which slowdown retails growth rate. Moreover, Indonesia 39s government announced major reforms of foreign investment in 2016 which attracted international retailers to expand their existences. These caused rivalry not only happened amongs local retailers, but also internationally. Therefore, retailer have to enhace their competitive advantages by understand customer purchase behavior. This study aims to find purchase pattern as reflection of customer behavior using Market Basket Analysis. Discussing consumer behavior, sales in retail industri tend to be affected by large musiman swings. Hence, Apriori algorithm was used on several time based dataset to identify general and musiman association rules. Data processing was done in two phases in order to get more spesific rules efficiently. Based on the result, there are five general association rules which happened in each dataset and six musiman association rules.