Optimasi Strategi Pemasaran E-Commerce Melalui Prediksi Konversi Berbasis Machine Learning

Abstrak

Penelitian ini mengidentifikasi permasalahan dalam meningkatkan konversi penjualan e-commerce melalui TikTok, di tengah persaingan konten yang ketat. Tujuan penelitian adalah mengembangkan strategi pemasaran berbasis machine learning untuk menganalisis perilaku pengguna dan mengelompokkan mereka menjadi Non-Purchasers dan Purchasers. Metode yang digunakan meliputi klasterisasi dengan algoritma K-Means, K-Medoids, dan Fuzzy C-Means, di mana K-Means menunjukkan performa terbaik dengan Silhouette Coefficient tertinggi (0.1857) dan Davies-Bouldin Index terendah (1.9991). Setelah klasterisasi, dilakukan klasifikasi menggunakan Naïve Bayes, Decision Tree, dan Random Forest. Model Random Forest memberikan hasil terbaik dengan akurasi 0.9945, menunjukkan kemampuannya dalam memprediksi konversi penjualan secara efektif. Hasil dari penelitian ini adalah bahwa K-Means dan Random Forest adalah metode terbaik dalam klasterisasi dan klasifikasi, masing-masing, untuk memahami perilaku pengguna di TikTok. Temuan ini dapat membantu pelaku e-commerce dalam menyesuaikan strategi pemasaran mereka, meningkatkan konversi penjualan, serta efisiensi pengeluaran iklan