<![CDATA[Perkembangan teknologi digital telah meningkatkan volume transaksi online secara eksponensial, menciptakan tantangan dalam pengolahan big data. Data mining menggunakan teknik statistik merupakan solusi yang efektif untuk mengeksplorasi pola transaksi, mendeteksi anomali, serta melakukan segmentasi pelanggan. Penelitian ini menganalisis pola transaksi e-commerce menggunakan statistik deskriptif, Z-Score untuk deteksi anomali, serta K-Means Clustering untuk segmentasi pelanggan. Dengan dataset yang terdiri dari 50.000 transaksi selama enam bulan, ditemukan bahwa mayoritas pelanggan (60%) berada dalam kategori Low Spender, sementara 10% masuk kategori High Spender. Analisis Z-Score mengidentifikasi transaksi sebagai anomali jika nilai transaksi melebihi $500. Hasil penelitian menunjukkan bahwa pola transaksi pelanggan cenderung berulang dengan kecenderungan kategori belanja tertentu. Deteksi anomali dengan Z-Score memberikan wawasan mendalam untuk mengidentifikasi transaksi yang mencurigakan, yang dapat menjadi indikasi aktivitas penipuan atau kesalahan transaksi. Metode K-Means Clustering digunakan untuk mengelompokkan pelanggan menjadi lebih efektif, memberikan peluang bagi pelaku bisnis untuk meningkatkan strategi pemasaran dan personalisasi layanan. Dengan pendekatan eksplorasi data mining ini, perusahaan e-commerce dapat mengoptimalkan strategi bisnis, meningkatkan pengalaman pelanggan, serta memperkuat sistem deteksi anomali untuk mengurangi risiko transaksi yang tidak wajar. Penelitian ini juga membuka peluang untuk pengembangan lebih lanjut dalam penerapan model machine learning yang lebih kompleks guna meningkatkan akurasi dalam analisis big data transaksi online.]]>
