KLASIFIKASI PENEMPATAN TATA LETAK PRODUK PADA E-COMMERCE BERDASARKAN PREFERENSI KATA KUNCI MENGGUNAKAN SUPPORT VECTOR MACHINE - Dalam bentuk buku karya ilmiah
MAULIDIA RAMADANTI

Informasi Umum

Kode

25.04.3200

Klasifikasi

000 - General Works

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Machine - Learning

Dilihat

13 kali

Informasi Lainnya

Abstraksi

<a name="_Hlk202288666">Perkembangan dunia digital sangatlah pesat, hal ini dibuktikan dengan meningkatnya jumlah pelaku usaha di <em>e-commerce</em> mencapai hampir 3 juta dan jumlah pengguna <em>e-commerce</em> di Indonesia diperkirakan mencapai sekitar 131 juta pada tahun 2028. Hal ini membuat persaingan di <em>e-commerce</em> semakin ketat menuntut perusahaa untuk menerapkan strategi pemasaran yang tepat guna meningkatkan kepuasan pelanggan dan konversi penjualan. Salah satu pendekatan yang digunakan adalah analsis perilaku konsumen melalui <em>metode Market Basket Analysis (MBA)</em> dengan algoritma <em>Apriori</em> untuk menemukan <em>association rules</em> dari pola pembelian konsumen. Data yang digunakan yaitu data transaksi dari <em>e-commerce</em> Tokopedia, dalam penelitian ini menghasilkan 32 aturan asosiasi terbaik, kemudian dipilih 8 aturan teratas yang digunakan untuk klasifikasi. Aturan asosiasi terbaik ditemukan pada kombinasi kategori Steering Wheel dan Game Boy, yang menunjukkan nilai <em>confidence</em> tertinggi sebesar 88% serta <em>lift</em> sebesar 112.97. Delapan aturan asosiasi kemudian dikelompokan menggunakan algoritma <em>K-Means </em>untuk mendefinisikan label berdasarkan kombinasi kategori dari aturan asosiasi, kemudian diklasifikasikan berdasarkan preferensi kata kunci pengguna menggunakan algoritma <em>Support Vector Machine (SVM).</em> Untuk meningkatkan performa klasifikasi, dilakukan preprocessing teks menggunakan <em>library</em> Sastrawi dan <em>NLTK</em>, serta <em>feature extraction</em> menggunakan <em>IndoBERT</em>. Untuk mengatasi ketidakseimbangan kelas digunakan teknik <em>SMOTETomek</em> agar memperoleh distribusi data seimbang. Berbagai uji <em>kernel</em> yang dilakukan, model dengan performa terbaik diperoleh menggunakan <em>kernel RBF</em> dengan parameter <em>C</em>=1 dan <em>gamma</em>=0.01, yang mampu mencapai akurasi hingga 90%. Model yang dihasikan mampu memprediksi label produk berdasarkan kata kunci serta merekomendasikan daftar produk yang relevan.</a><br /> <strong>Kata Kunci:</strong> <em>E-commerce, Market Basket Analysis, </em>Perilaku Konsumen<em>, Support Vector Machine, User Interface</em><br /> &nbsp;

• CAK3JAB3 - Pembelajaran Mesin
• CAK4HBB3 - Penambangan Data

Koleksi & Sirkulasi

Tersedia 1 dari total 1 Koleksi

Pengarang

Penerbit

Sirkulasi

Download / Flippingbook