Data mining merupakan proses penting dalam mengungkap informasi tersembunyi dari data yang besar dan kompleks, khususnya dalam industri ritel untuk memahami perilaku konsumen. Penelitian bertujuan untuk mengidentifikasi pola pembelian sembako dan kebutuhan harian dengan menggunakan algoritma FP-Growth pada dataset sintetis. Algoritma FP-Growth dipilih karena kelebihannya dalam efisiensi dan kecepatan, terutama dalam menemukan frequent itemsets tanpa perlu melakukan pengulangan pada dataset. Hal ini membuat algoritma FP-Growth lebih unggul dibandingkan dengan algoritma lainnya, seperti Apriori, yang memerlukan banyak iterasi. Dataset sintetis yang digunakan mencerminkan transaksi pembelian di toko ritel untuk menguji kemampuan algoritma dalam menemukan pola pembelian yang relevan. Hasil menunjukkan bahwa algoritma FP-Growth dapat secara efektif mengidentifikasi kombinasi barang yang sering dibeli bersama, yang dapat dimanfaatkan oleh pelaku bisnis untuk menyusun strategi penjualan, seperti penawaran paket hemat. Implementasi algoritma ini diharapkan dapat membantu toko ritel dalam memahami kebutuhan konsumen dan meningkatkan strategi pemasaran
