Penerapan Data Mining untuk Optimalisasi Strategi Pemasaran dan Retensi Pelanggan pada E-Commerce Retail
Keywords:
Data Mining, E-Commerce Retail, Strategi Pemasaran, Retensi Pelanggan, ClusteringAbstract
Perkembangan industri e-commerce retail di Indonesia mengalami peningkatan yang sangat pesat seiring dengan pertumbuhan penggunaan internet dan teknologi digital. Persaingan bisnis yang semakin kompetitif menuntut perusahaan untuk mampu memahami perilaku pelanggan secara lebih mendalam agar strategi pemasaran yang diterapkan menjadi lebih efektif serta mampu meningkatkan loyalitas konsumen. Penelitian ini bertujuan untuk menerapkan teknik data mining dalam mengoptimalkan strategi pemasaran dan retensi pelanggan pada sektor e-commerce retail. Metode yang digunakan dalam penelitian ini adalah pendekatan Knowledge Discovery in Database (KDD) dengan memanfaatkan teknik clustering dan klasifikasi untuk mengelompokkan karakteristik pelanggan berdasarkan pola transaksi, frekuensi pembelian, serta tingkat loyalitas pelanggan. Hasil penelitian diharapkan mampu memberikan rekomendasi strategi pemasaran yang lebih terarah, meningkatkan efektivitas promosi, serta membantu perusahaan dalam mempertahankan pelanggan potensial. Selain itu, penerapan data mining juga diharapkan dapat mendukung pengambilan keputusan bisnis secara lebih cepat, akurat, dan berbasis data. Penelitian ini memberikan kontribusi dalam pengembangan pemanfaatan teknologi data mining pada industri e-commerce retail di Indonesia guna meningkatkan daya saing perusahaan di era transformasi digital.
References
Fairuzindah, A., Islami, I. R. A., Rexa, N., Anggraini, S., & Sunandi, E. (2025). Implementasi Market Basket Analysis dengan algoritma Frequent Pattern Growth pada data transaksional di electronic commerce. JDMIS: Journal of Data Mining and Information Systems, 3(2), 101–107.
Fadhillah, M. F., et al. (2025). Customer segmentation with clustering berdasarkan model RFM pada data penjualan. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 5(1), 48–56.
Geni, S. P. L., Safitri, H., Merry, F., Wati, M., & Haviluddin. (2025). Penerapan K-Means clustering untuk segmentasi konsumen e-commerce berdasarkan pola pembelian. JUKI: Jurnal Komputer dan Informatika, 7(1), 89–99.
Hidayat, R., Maulana, A., & Permatasari, D. (2024). Implementasi association rule mining untuk rekomendasi produk pada sistem penjualan online. Journal of Logic and Artificial Intelligence, 4(2), 85–94.
Mado, P. M. K., et al. (2025). Implementasi algoritma clustering K-Means untuk analisis perilaku pelanggan e-commerce. JIMIK: Jurnal Ilmiah Media Informatika dan Komputer, 5(3), 120–129.
Nugraha, F., Prasetyo, A., & Ramadhan, M. (2022). Penerapan algoritma K-Means clustering untuk segmentasi pelanggan pada e-commerce. Journal of Computer Information Systems and Applications, 1(2), 77–85.
Pratama, R., & Nugroho, H. (2023). Implementasi knowledge discovery in database pada analisis data penjualan berbasis data mining. TIN: Terapan Informatika Nusantara, 4(1), 12–20.
Rahman, F. (2024). Penerapan web Market Basket Analysis untuk rekomendasi produk pada sistem penjualan. Seminar Nasional Teknologi Informasi dan Komunikasi.
Samasto, R. B., & Mailoa, E. (2025). Market Basket Analysis menggunakan algoritma Apriori untuk mendukung strategi promosi produk. Jurnal Teknologi Informasi dan Komunikasi, 16(2), 17–25.
Sari, D., Putri, M., & Kurniawan, E. (2024). Tahapan preprocessing data dalam implementasi data mining pada sistem informasi bisnis. Jurnal Media Informatika, 13(1), 45–53.
Setiawan, A., & Kurniawan, B. (2023). Analisis customer churn menggunakan pendekatan data mining pada bisnis digital. INFOTEKJAR: Jurnal Nasional Informatika dan Teknologi Jaringan, 8(1), 90–99.
Uripto, C., et al. (2026). Analisis segmentasi pelanggan e-commerce menggunakan metode RFM dan K-Means clustering. Jurnal Almuslim, 4(1), 12–21.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Muhammad Dhafa Fauzan, Ahmad Fauzy, Muhammad Fadli Junior (Author)
This work is licensed under a Creative Commons Attribution 4.0 International License.
Creative Commons Attribution 4.0 International (CC BY 4.0).
This work is licensed under a 