Peningkatan data transaksi penjualan setiap hari akan menyebabkan penyimpanan data transaksi penjualan produk dalam jumlah yang sangat besar. Dalam kebanyakan kasus, data yang berkaitan dengan transaksi penjualan yang sangat besar hanya disimpan dan digunakan untuk arsip, tidak dieksploitasi secara memadai. Dalam pemasaran ritel, data mining asosiasi digunakan untuk menyelidiki pola pembelian produk. Namun, jika perusahaan tidak mengetahui pola pembelian pelanggan dapat berdampak seperti strategi pemasaran tidak tepat, penurunan retensi pelanggan, kehilangan peluang bisnis, kurang personalisasi, persaingan sulit, inefisiensi stok/produksi, kehilangan kepercayaan pelanggan. Mengetahui pola pembelian konsumen, maka perusahaan dapat menyusun strategi penjualan dan membuat keputusan dengan tepat Pada penelitian ini menggunakan Market Basket Analysis menggunakan Algoritma Apriori dan FP-Growth untuk menentukan pola pembelian konsumen. Hasil penelitian ini menghasilkan dua kombinasi itemset. Kombinasi yang pertama yaitu jika pembeli membeli yogurt dan sausage (sosis) maka pembeli juga membeli whole milk (susu). Nilai support yang dihasilkan yaitu 0.00147 (0.0147%), nilai confidence 0.255814 (25.58%) dan nilai liftnya 1.61986. kombinasi yang kedua yaitu jika pembeli membeli sausage (sosis), dan rools/buns (roti gulungan), maka juga membeli whole milk (susu), kombinasi ini menghasilkan nilai support 0.001136 (0.0113%), confidence 0.2125 (21.25%) dan lift 1.34559. Selain kombinasi itemset yang dihasilkan pada penelitian ini juga mengukur kecepatan komputasi pada pengolahan data Groceries untuk Market Basket Analysis. Kecepatan komputasi yang dihasilkan oleh Algoritma Apriori yaitu 3.1765 detik, sedangkan algoritma FP-Growth adalah 0.15892 detik. Selisih kecepatan komputasi antara Algoritma Apriori dan FP-Growth adalah 3.0176 detik.