UMBUMB

Jurnal Ilmiah FIFOJurnal Ilmiah FIFO

Transformasi digital yang pesat di sektor ritel telah menghasilkan volume data transaksi konsumen dalam jumlah besar yang tersimpan dalam sistem informasi ritel. Meskipun data tersebut memiliki nilai strategis dalam mendukung pengambilan keputusan, pemanfaatannya masih sering terbatas pada pelaporan deskriptif. Penelitian ini bertujuan untuk menganalisis dan memprediksi perilaku pembelian konsumen melalui integrasi analitik prediktif berbasis machine learning ke dalam sistem informasi ritel dengan menggunakan dataset transaksi ritel dari Kaggle. Metodologi penelitian meliputi prapemrosesan data, analisis data eksploratif, seleksi fitur, serta pengembangan model prediktif menggunakan algoritma regresi logistik, decision tree, dan random forest. Kinerja model dievaluasi menggunakan metrik accuracy, precision, recall, dan ROC–AUC. Hasil penelitian menunjukkan bahwa model random forest mengungguli algoritma lainnya dengan tingkat accuracy sebesar 88,76%, precision sebesar 87,92%, dan recall sebesar 86,48%, yang mencerminkan kemampuan diskriminasi yang lebih unggul. Temuan ini menegaskan bahwa metode pembelajaran berbasis ensemble efektif dalam menangkap pola pembelian konsumen yang kompleks dan non-linear. Secara teoretis, penelitian ini berkontribusi dengan memperluas peran sistem informasi ritel dari sekadar alat pelaporan deskriptif menjadi sistem pendukung keputusan prediktif. Secara praktis, penelitian ini menyediakan kerangka analitis yang kuat untuk mendukung optimalisasi persediaan, strategi promosi yang lebih terarah, serta personalisasi layanan dalam lingkungan ritel berbasis data.

Penelitian ini mengonfirmasi bahwa integrasi analitik prediktif berbasis machine learning ke dalam sistem informasi ritel secara signifikan meningkatkan pemahaman dan peramalan perilaku pembelian konsumen di luar pelaporan deskriptif konvensional.Di antara model yang dievaluasi, random forest menunjukkan kinerja prediktif yang unggul, mencerminkan kemampuannya dalam menangkap pola perilaku yang kompleks dan heterogen dalam data transaksi ritel.Temuan ini memperkuat posisi teoretis analitik prediktif sebagai kemampuan terintegrasi dalam arsitektur sistem informasi modern dan menekankan perannya strategis dalam mengubah sistem ritel menjadi platform pendukung keputusan proaktif.Secara praktis, kerangka kerja yang dikembangkan mendukung manajemen persediaan yang lebih akurat, perencanaan promosi yang terarah, dan strategi penghubungan pelanggan yang dipersonalisasi.Namun, penelitian ini terbatas oleh penggunaan dataset sekunder dari Kaggle yang mungkin tidak sepenuhnya mewakili lingkungan ritel perusahaan nyata.Penelitian masa depan harus mengeksplorasi sistem transaksi dunia nyata, mengintegrasikan pendekatan deep learning, serta mengevaluasi tantangan integrasi sistem dalam infrastruktur ritel operasional.

Penelitian lanjutan dapat fokus pada pemanfaatan data transaksi ritel nyata dari sistem perusahaan untuk meningkatkan akurasi model prediktif. Selain itu, penggunaan teknik deep learning bisa dieksplorasi untuk menangkap pola perilaku konsumen yang lebih kompleks. Terakhir, perlu dilakukan studi tentang tantangan integrasi model prediktif ke dalam infrastruktur sistem informasi ritel yang sudah ada, khususnya dalam konteks operasional dan skalabilitas.

  1. Analyzing Consumer Behavior in E-Commerce: Insights from Data-Driven Approaches | Management (Montevideo).... managment.ageditor.uy/index.php/managment/article/view/127Analyzing Consumer Behavior in E Commerce Insights from Data Driven Approaches Management Montevideo managment ageditor uy index php managment article view 127
  2. Predictive modelling of omni-channel customer behavior using big data analytics for retail marketing... doi.org/10.53894/ijirss.v8i5.9134Predictive modelling of omni channel customer behavior using big data analytics for retail marketing doi 10 53894 ijirss v8i5 9134
Read online
File size417.31 KB
Pages9
DMCAReport

Related /

ads-block-test