Model Prediksi Statistik untuk Mengukur Perilaku Konsumen dalam Transaksi Digital

Abstract

Transformasi digital dalam ekosistem perdagangan telah menghasilkan volume data konsumen yang masif, membuka peluang untuk memahami dan memprediksi perilaku konsumen dengan akurasi yang lebih tinggi. Penelitian ini bertujuan mengembangkan dan mengevaluasi model prediksi statistik untuk mengukur perilaku konsumen dalam transaksi digital, dengan fokus pada identifikasi faktor-faktor determinan yang mempengaruhi keputusan pembelian dan loyalitas konsumen. Penelitian menggunakan pendekatan kuantitatif dengan metode analisis regresi logistik dan decision tree untuk memodelkan probabilitas pembelian berdasarkan karakteristik demografis, perilaku browsing, dan riwayat transaksi dari 2.500 responden pengguna platform e-commerce di Indonesia. Data dikumpulkan melalui survei online dan analisis log aktivitas pengguna selama periode enam bulan. Hasil penelitian menunjukkan bahwa model regresi logistik mampu memprediksi probabilitas pembelian dengan akurasi 82,3 persen, sementara decision tree model mencapai akurasi 85,7 persen. Variabel yang paling signifikan dalam memprediksi perilaku pembelian adalah frekuensi kunjungan situs, durasi sesi browsing, jumlah produk yang dilihat, riwayat pembelian sebelumnya, dan interaksi dengan fitur rekomendasi produk. Temuan menunjukkan bahwa konsumen dengan lebih dari lima kunjungan per bulan memiliki probabilitas pembelian 4,2 kali lebih tinggi dibandingkan konsumen dengan kunjungan yang jarang. Model prediksi yang dikembangkan dapat digunakan oleh praktisi untuk personalisasi marketing, optimalisasi inventory, dan peningkatan customer experience dalam platform transaksi digital. Penelitian ini memberikan kontribusi metodologis dalam penerapan teknik statistik dan machine learning untuk analitik konsumen digital serta implikasi praktis untuk strategi pemasaran berbasis data.