Prediksi Preferensi Tren Belanja dalam E-Commerce Menggunakan Metode K-Means Clustering dan Algoritma Apriori
DOI:
https://doi.org/10.29407/54hfxw41Abstract
Abstrak— Pesatnya perkembangan industri e-commerce telah meningkatkan kebutuhan untuk memahami lebih dalam perilaku dan preferensi konsumen. Penelitian ini bertujuan untuk memprediksi tren belanja pengguna e-commerce dengan mengintegrasikan metode K-Means Clustering dan algoritma Apriori. K-Means digunakan untuk mengelompokkan data pengguna berdasarkan karakteristik belanja yang serupa, seperti frekuensi transaksi, jenis produk, dan waktu pembelian. Setelah pengelompokan, algoritma Apriori diterapkan untuk mengidentifikasi pola asosiasi dalam kebiasaan belanja setiap klaster yang terbentuk. Hasil penelitian menunjukkan bahwa kombinasi kedua metode ini efektif dalam mengidentifikasi segmentasi pasar yang lebih rinci dan menghasilkan aturan asosiasi yang relevan untuk mendukung pengambilan keputusan strategis, seperti rekomendasi produk dan perencanaan promosi. Dengan demikian, pendekatan ini dapat berfungsi sebagai alat prediktif untuk meningkatkan layanan personalisasi dalam e-commerce.
Keywords:
e-commerce, K-Means Clustering, algoritma apriori, analisis perilaku konsumen, data mining, tren belanja##plugins.themes.default.displayStats.downloads##
References
[1] B. Apriyanto and S. L. M. Sitio, “Penerapan K-Means dalam Menganalisis Pola Pembelian Pelanggan Pada Data Transaksi E-Commerce,” bit-Tech, vol. 7, no. 3, pp. 790–797, Apr. 2025, doi: 10.32877/bt.v7i3.2195.
[2] F. Maulana Alja, E. Daniati, and A. Ristyawan, “PERANCANGAN UI/UX E-COMMERCE MENGGUNAKAN METODE USER CENTERED DESIGN (UCD),” 2024.
[3] O. D. Kurnia et al., “Analisis Perbandingan Algoritma Naïve Bayes dengan K-Nearest Neighbor (KNN) Pada Dataset Mobile Price Classification Penulis Korespondensi: Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi) 1174,” Online, 2024.
[4] A. S. Aji and F. Sulianta, “Mining Data Perilaku Belanja Online Konsumer Menggunakan Algoritma Apriori untuk Menghasilkan Aturan Asosiasi Sebagai Dasar Menentukan Aksi Bisnis pada Web E-Commerce.”
[5] F. Naufal, Y. Herry Chrisnanto, and A. Kania Ningsih, “Sistem Rekomendasi Penawaran Produk Pada Online Shop Menggunakan K-Means Clustering,” Cimahi, Jul. 2022. [Online]. Available: https://e-journal.unper.ac.id/index.php/informatics
[6] D. Selvia and A. Ramadhanu, “IMPLEMENTASI METODE K-MEANS CLUSTERING DENGAN TEKNIK PENGOLAHAN CITRA UNTUK MENGIDENTIFIKASI JENIS SEPATU,” Jurnal Informatika Teknologi dan Sains, vol. 7, no. 1, pp. 361–366, 2025.
[7] D. Adistyan Pranata, R. Indriati, and A. Nugroho, “Desain UI/UX E-Commerce Menggunakan Aplikasi Figma,” Online, 2024.
[8] N. F. Adani, A. F. Boy, S. Kom, M. Kom, and R. Syahputra, “Implementasi Data Mining Untuk Pengelompokan Data Penjualan Berdasarkan Pola Pembelian Menggunakan Algoritma K-Means Clustering Pada Toko Syihan STMIK Triguna Dharma Program Studi Sistem Informasi, STMIK Triguna Dharma Program Studi Sistem Informasi, STMIK Triguna Dharma,” Jurnal CyberTech, vol. x. No.x, [Online]. Available: https://ojs.trigunadharma.ac.id
[9] A. Ristyawan, A. Nugroho, and T. K. Amarya, “Optimasi Preprocessing Model Random Forest Untuk Prediksi Stroke,” vol. 12, no. 1, pp. 29–44, 2025.
[10] A. N. dan K. N. A. S. Styawati, “Analisis pola transaksi pelanggan menggunakan algoritme Apriori,” Jurnal Sains Komputer & Informatika (J-SAKTI), vol. 5, no. 2, pp. 619–626, Sep. 2021.
[11] V. E. Putri and H. D. Purnomo, “INTEGRASI ALGORITMA APRIORI DAN K-MEANS DALAM ANALISIS POLA PEMBELIAN UNTUK MENINGKATKAN STRATEGI PEMASARAN,” JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), vol. 10, no. 1, pp. 409–423, Jan. 2025, doi: 10.29100/jipi.v10i1.5768.
[12] Samsudin and U. hayati, “OPTIMALISASI STOK BARANG MELALUI ALGORITMA K-MEANS CLUSTERING ANALISIS UNTUK MANAJEMEN PERSEDIAAN DALAM KONTEKS BISNIS MODERN,” 2024.
[13] M. Nara Bagdja, R. Taufiq Subagio, and V. Dwi Kartika, “PENERAPAN METODE K-MEANS UNTUK MENGKLASIFIKASI MINAT KONSUMEN TERHADAP PRODUK TOKO ONLINE,” 2024.
[14] D. Apriana and C. Yuliansyah, “Mengoptimalkan Penjualan Online Melalui Teknik Data Mining (Studi Kasus E-Commerce),” AL-MIKRAJ Jurnal Studi Islam dan Humaniora (E-ISSN 2745-4584), vol. 4, no. 02, pp. 514–527, Feb. 2024, doi: 10.37680/almikraj.v4i02.4774.
[15] S. P. Raudini1, L. Purwopeni2, D. Brilliant3, F. Azzahra4, N. Syahputri5, and S. Informasi, “PENERAPAN DATA MINING TERHADAP PENJUALAN KACAMATA DI OPTIK SURYA MEDAN MENGGUNAKAN ALGORITMA APRIORI,” VARIABLE RESEARCH JOURNAL, vol. 01, 2024.
[16] F. A. Sianturi, “PENERAPAN ALGORITMA APRIORI UNTUK PENENTUAN TINGKAT PESANAN,” Jurnal Mantik Penusa, vol. 2, no. 1, pp. 50–57, 2018, [Online]. Available: http://bowmasbow.blogspot.com/20
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Zia Ulhaq Azzahro, Eka Fauziah, Putri Widya Ayu Septi Wulandari, Rindi Febri Wulandari, Aidina Ristyawan
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Copyright on any article is retained by the author(s).
- The author grants the journal, right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgment of the work’s authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal’s published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
- The article and any associated published material is distributed under the Creative Commons Attribution-ShareAlike 4.0 International License
