<![CDATA[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.]]>
