Model Machine Learning untuk Memprediksi Perilaku Konsumen sebagai Dasar Strategi Penargetan Ulang Iklan
Kata Kunci:
E-commerce; Regresi logistik; Kinerja; Penargetan ulang; Pembelajaran mesinAbstrak
Penelitian ini mengkaji bagaimana machine learning dapat digunakan untuk memprediksi perilaku konsumen dan menyediakan dasar berbasis data dalam penyusunan strategi advertising retargeting. Dalam lingkungan periklanan digital yang semakin kompetitif, praktik retargeting generik yang memperlakukan seluruh pengunjung sebagai satu kelompok audiens sering kali menyebabkan pemborosan anggaran, kelelahan iklan (ad fatigue), serta rendahnya relevansi pesan, karena niat konsumen bersifat dinamis dan bervariasi menurut waktu, perangkat, sumber trafik, dan tahapan funnel. Untuk mengatasi permasalahan tersebut, penelitian ini menerapkan desain pemodelan prediktif kuantitatif dengan memanfaatkan data clickstream pengguna dan data peristiwa (event) e-commerce pada tingkat individu. Fitur perilaku direkayasa untuk menangkap indikator seperti recency, frequency, intensitas eksplorasi, durasi sesi, serta sinyal funnel (misalnya add-to-cart), yang kemudian diikuti dengan proses pembersihan data, pengodean, penskalaan, pembagian data latih–uji berbasis waktu guna mengurangi kebocoran informasi, serta penanganan ketidakseimbangan kelas. Algoritma Logistic Regression digunakan sebagai model dasar yang dapat diinterpretasikan untuk mengestimasi probabilitas terjadinya keluaran target (misalnya konversi) dalam rentang waktu tertentu. Kinerja model dievaluasi menggunakan metrik yang sesuai untuk data tidak seimbang, termasuk ROC-AUC dan Precision–Recall (PR-AUC), serta nilai presisi, recall, dan F1-score pada ambang operasional. Hasil penelitian menunjukkan kemampuan diskriminatif yang sangat kuat (ROC-AUC = 0,961) dan efektivitas tinggi pada kelas positif (PR-AUC = 0,913), yang melampaui garis dasar prevalensi sebesar 0,235. Keluaran probabilitas dari model memungkinkan segmentasi audiens yang terukur ke dalam kelompok niat tinggi, sedang, dan rendah, sehingga mendukung penerapan intensitas retargeting dan strategi pesan yang berbeda. Secara keseluruhan, temuan ini menunjukkan bahwa penilaian probabilitas berbasis machine learning dapat meningkatkan presisi operasional retargeting dibandingkan pendekatan yang hanya berbasis intuisi; namun demikian, dampak bisnis terhadap CPA dan ROAS tetap perlu divalidasi melalui eksperimen lapangan seperti pengujian A/B.
Unduhan
Referensi
[1] S. Barde, A. Jain, N. Singh, S. Patel, and A. Barde, “Artificial Intelligence and Machine Learning in Marketing,” in AI Marketing and Ethical Considerations in Consumer Engagement, IGI Global Scientific Publishing, 2025, pp. 1–32.
[2] H. Yoganarasimhan, “Search personalization using machine learning,” Manage. Sci., vol. 66, no. 3, pp. 1045–1070, 2020.
[3] W. Xiong, Z. Xiong, and T. Tian, “Who to show the ad to? Behavioral targeting in Internet advertising,” J. Internet Digit. Econ., vol. 2, no. 1, pp. 15–26, 2022.
[4] E. A. Dorgbefu, “Enhancing customer retention using predictive analytics and personalization in digital marketing campaigns,” Int J Sci Res Arch, vol. 4, no. 1, pp. 403–423, 2021.
[5] A. R. Lubis, S. Prayudani, O. Nugroho, Y. Y. Lase, and M. Lubis, “Comparison of Model in Predicting Customer Churn Based on Users’ habits on E-Commerce,” in 2022 5th International Seminar on Research of Information Technology and Intelligent Systems (ISRITI), IEEE, 2022, pp. 300–305.
[6] A. R. Lubis, S. Prayudani, M. Lubis, and O. Nugroho, “Latent Semantic Indexing (LSI) and Hierarchical Dirichlet Process (HDP) Models on News Data,” in 2022 5th International Conference of Computer and Informatics Engineering (IC2IE), IEEE, 2022, pp. 314–319.
[7] I. B. Ridwan, “Transforming customer segmentation with unsupervised learning models and behavioral data in digital commerce,” Int. J. Res. Publ. Rev., vol. 6, no. 5, pp. 2232–2249, 2025.
[8] S. Habil, S. El-Deeb, and N. El-Bassiouny, “AI-based recommendation systems: the ultimate solution for market prediction and targeting,” in The Palgrave handbook of interactive marketing, Springer, 2023, pp. 683–704.
[9] F. Fachrizal, “Data Transmission Performance on the Internet of Thing (IoT) Network Using Long Range Communication (LoRA),” in 2021 International Conference on Computer Science and Engineering (IC2SE), IEEE, 2021, pp. 1–4.
[10] J. Lee, O. Jung, Y. Lee, O. Kim, and C. Park, “A comparison and interpretation of machine learning algorithm for the prediction of online purchase conversion,” J. Theor. Appl. Electron. Commer. Res., vol. 16, no. 5, pp. 1472–1491, 2021.
[11] J. Yeo, S. Kim, E. Koh, S. Hwang, and N. Lipka, “Predicting online purchase conversion for retargeting,” in Proceedings of the Tenth ACM international conference on web search and data mining, 2017, pp. 591–600.
[12] O. Nugroho, “Identifikasi Asal Daerah Berdasarkan Dialek Menggunakan Metode Evolving Multilayer Perceptron,” 2021, Universitas Sumatera Utara.
[13] A. R. Lubis, H. R. Safitri, M. Lubis, M. L. Hamzah, A.-K. Al-Khowarizmi, and O. Nugroho, “Enhancing Text Summarization with a T5 Model and Bayesian Optimization.,” Rev. d’Intelligence Artif., vol. 37, no. 5, 2023.
[14] R. B. Sarvesetty and N. Yeri, “Target looping using machine learning: an analytical approach using hyper-data in banking,” J. Bank. Financ. Technol., vol. 8, no. 2, pp. 65–76, 2024.
[15] A. Mirzaee, M. Zeynali, A. Ghorbanzadeh, and P. Ghorbanzadeh, “Personal Recommender Model and Predicting Consumer Behavior in Digital Marketing Based on Deep Learning,” Trans. Mach. Intell., vol. 7, no. 3, pp. 179–193, 2024.
[16] C. Ziakis and D. Kydros, “Using machine learning models to investigate consumer attitudes toward online behavioral advertising,” Intellect. Econ., vol. 16, no. 2, 2022.
[17] H. Ekelik and Ş. Emir, “A comparison of machine learning classifiers for evaluation of remarketing audiences in e-commerce,” Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilim. Derg., vol. 16, no. 2, pp. 341–359, 2021.
[18] S. Malik and A. Rana, “Transforming Digital Marketing with Machine Learning Algorithms,” J. Graph. Era Univ., pp. 271–300, 2025.
[19] J. Lin, “Application of machine learning in predicting consumer behavior and precision marketing,” PLoS One, vol. 20, no. 5, p. e0321854, 2025.
[20] O. Nugroho and G. A. Hutagalung, “Design and Implementation of Android-Based Public Transport Trayek using Cloud Computing Infrastructure,” Al’adzkiya Int. Comput. Sci. Inf. Technol. J., vol. 1, no. 1, 2020.
[21] M. Arfah, F. Fachrizal, and O. Nugroho, “Developing A Model Of Association Rules With Machine Learning In Determining User Habits On Social Media.,” Eastern-European J. Enterp. Technol., no. 2, 2024.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Antoni Antoni, Mbera Mehuli, Tri Andre Anu
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
