Integrasi Machine Learning dalam Ritel: Tinjauan Komprehensif tentang Prediksi Harga, Analisis Data Pelanggan, dan Pemanfaatan Media Sosial

Andi Wafda

doi:10.54065/artificial.543

Authors

Andi Wafda Universitas Islam Indonesia

DOI:

https://doi.org/10.54065/artificial.543

Keywords:

Machine Learning, Ritel, Prediksi Harga, Analisis Data Pelanggan, Media Sosial

Abstract

Penerapan teknologi machine learning dalam industri ritel telah memberikan dampak yang signifikan dalam beberapa aspek sehingga memiliki potensi besar untuk meningkatkan efisiensi operasional, meningkatkan kepuasan pelanggan, dan mengoptimalkan strategi pemasaran di sektor ritel. Tujuan dari tinjauan literatur ini adalah untuk mengevaluasi kontribusi penerapan machine learning dalam industri ritel, dengan fokus pada aspek Prediksi dan Optimasi Harga, Analisis Data Pelanggan dan Segmentasi Pasar RFM, serta Pemanfaatan Sosial Media. Metode yang digunakan melibatkan pencarian terhadap studi-studi terbaru yang relevan dan berkualitas tinggi dalam domain tersebut, dengan mempertimbangkan kriteria kebaruan, relevansi, dan kualitas metodologi penelitian. Selain itu, metode analisis lainnya mencakup evaluasi kritis terhadap setiap pendekatan dan teknik yang digunakan dalam setiap studi, untuk memastikan bahwa hasil yang dihasilkan dapat diandalkan dan dapat diterapkan secara praktis. Hasil tinjauan menunjukkan dalam aspek Prediksi dan Optimasi Harga, teknik seperti Artificial Neural Network (ANN) dan Random Forest telah terbukti meningkatkan akurasi prediksi harga produk, memungkinkan perusahaan ritel untuk menetapkan harga yang kompetitif dan merespons pasar secara efisien. Analisis Data Pelanggan dan Segmentasi Pasar RFM menggunakan algoritma clustering seperti K-Means dan Fuzzy C-Means untuk membagi pelanggan berdasarkan pola pembelian mereka, yang mendukung pengembangan strategi retensi pelanggan yang lebih efektif dan personalisasi pengalaman pelanggan. Sementara itu, Pemanfaatan Sosial Media melalui analisis sentimen dengan metode seperti Support Vector Machine (SVM) dan Naïve Bayes memberikan wawasan mendalam mengenai persepsi konsumen terhadap produk dan merek, yang membantu perusahaan untuk mengarahkan strategi pemasaran yang lebih tepat. Kesimpulan dari tinjauan literatur ini menegaskan pentingnya terus mengembangkan dan menerapkan teknologi machine learning dalam industri ritel. Meskipun telah ada kemajuan signifikan, masih ada beberapa gap penelitian yang perlu diisi, seperti integrasi data multi-channel yang lebih holistik, pengembangan personalisasi yang lebih mendalam, serta perlunya perhatian yang lebih besar terhadap aspek keamanan dan etika dalam penggunaan data konsumen. Selain itu, penelitian mendatang juga dapat mengeksplorasi kemungkinan penggunaan teknologi baru seperti deep learning dan ensemble learning untuk meningkatkan prediksi dan analisis dalam konteks ritel yang semakin dinamis dan kompetitif.

References

Adiana, B. E., Soesanti, I., & Permanasari, A. E. (2018). Analisis segmentasi pelanggan menggunakan kombinasi RFM model dan teknik clustering. Jurnal Terapan Teknologi Informasi, 2(1), 23-32.

Agustino, D. P., Budaya, I. G. B. A., Harsemadi, I. G., Dharmendra, I. K., & Pande, I. M. S. A. (2023). Comparison of the DBSCAN algorithm and affinity propagation on business incubator tenant customer segmentation. Jurnal Sisfokom (Sistem Informasi dan Komputer), 12(2), 315-321.

Aisah, S., & Harto, B. (2024). Analisis customer journey dalam meningkatkan customer experience pelanggan di Fore Coffee Shop yang berbasis teknologi. EKOMA: Jurnal Ekonomi, Manajemen, Akuntansi, 3(3), 971-986.

Anwar, K. (2022). Analisa sentimen pengguna Instagram di Indonesia pada review smartphone menggunakan Naive Bayes. KLIK: Kajian Ilmiah Informatika dan Komputer, 2(4), 148-155.

Arasu, B. S., Seelan, B. J. B., & Thamaraiselvan, N. (2020). A machine learning-based approach to enhancing social media marketing. Computers & Electrical Engineering, 86, 106723.

Djun, S. F., Gunadi, I. G. A., & Sariyasa, S. (2024). Analisis segmentasi pelanggan pada bisnis dengan menggunakan metode K-Means clustering pada model data RFM. JTIM: Jurnal Teknologi Informasi dan Multimedia, 5(4), 354-364.

Dong, J., Rao, B., Liu, Y., Jiang, L., Lu, W., & Guo, Q. (2019). Strategi penetapan harga untuk periode berbeda selama musim penjualan berikutnya untuk produk musiman. Akses IEEE, 8, 39479-39490.

Febriani, A., & Putri, S. A. (2020). Segmentasi konsumen berdasarkan model recency, frequency, monetary dengan metode K-Means. JIEMS (Journal of Industrial Engineering and Management Systems), 13(2).

Greenstein-Messica, A., & Rokach, L. (2020). Machine learning and operation research-based method for promotion optimization of products with no price elasticity history. Electronic Commerce Research and Applications, 40, 100914.

Harsha, P., Subramanian, S., & Ettl, M. (2019). A practical price optimization approach for omnichannel retailing. INFORMS Journal on Optimization, 1(3), 241-264.

Kamilla, A. M., & Hasanah, R. U. (2024). Pemanfaatan aplikasi media sosial Instagram pada aktivitas digital public relations dalam meningkatkan customer trust online shop @Lessa. Id. Journal of Comprehensive Science (JCS), 3(2), 308-317.

Kedia, S., Jain, S., & Sharma, A. (2020). Price optimization in fashion e-commerce. arXiv preprint arXiv:2007.05216.

Kurniati, I., Trilaksono, A. R., & Sulistiwaty, S. (2024). Pemanfaatan machine learning untuk optimasi harga dengan menggunakan model artificial neural network pada PT Asia Garment Accessories. JEIS: Jurnal Elektro dan Informatika Swadharma, 4(1), 59-71.

Mikalef, P., Pappas, I. O., Krogstie, J., & Giannakos, M. (2018). Big data analytics capabilities: A systematic literature review and research agenda. Information Systems and E-Business Management, 16, 547–578.

Mohamed, M. A., El-Henawy, I. M., & Salah, A. (2022). Price prediction of seasonal items using machine learning and statistical methods. Computers, Materials & Continua, 70(2).

Monalisa, S. (2018). Segmentasi perilaku pembelian pelanggan berdasarkan model RFM dengan metode K-Means. Query: Journal of Information Systems, 2(1).

Nisa, K., & Heikal, J. (2022). Strategi segmentasi pelanggan Manja Beauty Skincare dengan menggunakan analisa RFM model. JATI (Jurnal Mahasiswa Teknik Informatika), 6(1), 348-351.

Putra, M. A. S., Monalisa, S., Julhandri, J., & Khoiru, I. (2020). Penerapan algoritma fuzzy C-means menggunakan model RFM dalam klasterisasi pelanggan pada Toko Kue Feandra Cake. Jurnal Ilmiah Rekayasa dan Manajemen Sistem Informasi, 6(1), 64-69.

Ramadhan, F. A., Ruslan, R. R. P., & Zahra, A. (2023). Sentiment analysis of e-commerce product reviews for content interaction using machine learning. Cakrawala Repositori IMWI, 6(1), 207-220.

Rifa’i, A. (2020). Optimasi fuzzy artificial neural network dengan algoritma genetika untuk prediksi harga crude palm oil. Jurnal Teknik Informatika dan Sistem Informasi, 6(2).

Sarkar, M., Wang, T., Li, H., Gupta, A., & Smith, J. (2023). Optimizing e-commerce profits: A comprehensive machine learning framework for dynamic pricing and predicting online purchases. Journal of Computer Science and Technology Studies, 5(4), 186-193.

Savitri, A. D., Bachtiar, F. A., & Setyawan, N. Y. (2018). Segmentasi pelanggan menggunakan metode K-Means clustering berdasarkan model RFM pada klinik kecantikan (studi kasus: Belle Crown Malang). Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(9), 2957-2966.

Setiawan, H. (2024). Application of data mining using the support vector machine (SVM) method to analyze fashion retail products to determine trends. Academia Open, 9(1), 10-21070.

Singgalen, Y. A. (2024). Social network analysis and sentiment classification of extended reality product content. KLIK: Kajian Ilmiah Informatika dan Komputer, 4(4), 2197-2208.

Subbarayudu, Y., Reddy, G. V., Raj, M. V. K., Uday, K., Fasiuddin, M. D., & Vishal, P. (2023). An efficient novel approach to e-commerce retail price optimization through machine learning. In E3S Web of Conferences (Vol. 391, p. 01104). EDP Sciences.

Sudirjo, F., Purwati, T., Widyastuti, W., Budiman, Y. U., & Manuhutu, M. (2023). Analisis dampak strategi pemasaran digital dalam meningkatkan loyalitas pelanggan: Perspektif industri e-commerce. Jurnal Pendidikan Tambusai, 7(2), 7524-7532.

Sukoco, H., & Krisnaresanti, A. (2024). Penggunaan media sosial sebagai adaptasi strategi pemasaran UMKM saat pandemi Covid-19: Tinjauan literatur. Jurnal Manajemen, Akuntansi, Ekonomi, 3(1), 32-40.

Wijaya, K. Z., Djunaidi, A., & Mahananto, F. (2021). Segmentasi pelanggan menggunakan algoritma K-Means dan analisis RFM di Ova Gaming E-Sports Arena Kediri. Jurnal Teknik ITS, 10(2), A300-A237.

Yi, S., & Liu, X. (2020). Machine learning-based customer sentiment analysis for recommending shoppers, shops based on customers’ reviews. Complex & Intelligent Systems, 6(3), 621-634.