<![CDATA[Perkembangan perdagangan elektronik (e-commerce) mendorong peningkatan volume transaksi pada platform penjualan daring (online retail) yang menghasilkan data dalam jumlah besar dan kompleks. Kondisi ini menimbulkan tantangan dalam proses analisis data, khususnya untuk memahami pola pembelian konsumen yang tidak dapat diidentifikasi melalui analisis statistik konvensional. Oleh karena itu, diperlukan metode data mining yang mampu mengelompokkan data transaksi berdasarkan kemiripan karakteristik tanpa menggunakan label kelas. Penelitian ini bertujuan untuk menganalisis dan mengklasterisasi pola transaksi pada dataset Online Retail menggunakan metode Self-Organizing Map (SOM). Dataset diperoleh dari UCI Machine Learning Repository dan terdiri dari lebih dari 500.000 data transaksi. Atribut yang digunakan dalam penelitian ini meliputi Quantity, UnitPrice, dan TotalBelanja yang dibentuk dari hasil perkalian Quantity dan UnitPrice. Proses penelitian meliputi tahapan praproses data, sampling data, normalisasi menggunakan Z-score, pemodelan SOM, visualisasi hasil menggunakan U-Matrix dan Component Plane, serta klasterisasi lanjutan untuk memperoleh kelompok transaksi yang lebih terdefinisi. Seluruh proses pengolahan dan analisis data dilakukan menggunakan perangkat lunak RapidMiner Studio. Hasil penelitian menunjukkan bahwa SOM mampu memetakan struktur kemiripan data transaksi secara topologis, meskipun tidak membentuk batas klaster alami yang tegas. Klasterisasi lanjutan menghasilkan beberapa kelompok transaksi dengan karakteristik berbeda, di mana mayoritas transaksi bernilai kecil dan sebagian kecil transaksi memiliki nilai ekstrem yang dipengaruhi oleh harga produk. Temuan ini memberikan gambaran yang komprehensif mengenai pola transaksi online retail dan berpotensi mendukung analisis perilaku konsumen serta deteksi transaksi tidak wajar pada sistem penjualan daring.]]>
Copyrights © 2025
