Analisis Keranjang Belanja Menggunakan Pendekatan Graph Transformer Dan Autoencoder RNN Untuk Rekomendasi Produk Berdasarkan Segmentasi Pelanggan

Khoirinisa, Yuliandari (2025) Analisis Keranjang Belanja Menggunakan Pendekatan Graph Transformer Dan Autoencoder RNN Untuk Rekomendasi Produk Berdasarkan Segmentasi Pelanggan. Masters thesis, Institut Technologi Sepuluh Nopember.

Text 6025231017-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (7MB) | Request a copy

Abstract

Memahami perilaku konsumen adalah tantangan penting untuk mencapai keberhasilan bisnis di era modern. Perkembangan Customer Relationship Management (CRM) yang pesat, didukung oleh teknologi big data, telah memungkinkan perusahaan untuk mendapatkan wawasan yang lebih dalam mengenai perilaku pelanggan yang sebelumnya sulit diakses. Melalui analisis data yang lebih mendalam, perusahaan dapat mengenali pola pembelian dan memprediksi perilaku pelanggan di masa depan, yang pada akhirnya mengoptimalkan strategi pemasaran serta meningkatkan kepuasan dan loyalitas pelanggan. Market Basket Analysis (MBA) merupakan teknik analitik yang populer di sektor ritel dan e-commerce untuk menganalisis pola pembelian konsumen menggunakan data transaksi historis. Pendekatan konvensional seperti Apriori dan FP-Growth telah terbukti efektif, tetapi memiliki keterbatasan dalam menangani volume data yang besar dan urutan pembelian. Penelitian ini mengusulkan pengembangan model Next-Basket Recommendation (NBR) berbasis pengelompokan untuk mengatasi kelemahan pada metode rekomendasi sebelumnya. Pendekatan yang diajukan mengombinasikan Personalized Item Frequency k-Nearest Neighbors (KMeans) untuk mengenali pola pembelian yang berulang dan kolaboratif, serta autoencoder-Recurrent Neural Network (RNN) untuk mengidentifikasi informasi implisit serta pola urutan pembelian. Selain itu, Graph Attention Network (GAT) dan Transformer digunakan untuk memodelkan interaksi kompleks antar produk dan ketergantungan jangka panjang, sehingga mengatasi keterbatasan metode RNN dalam menangani variasi preferensi pengguna. Sistem NBR yang dikembangkan diuji menggunakan dataset TaFeng, Dunnhumby, Instacart, serta data dari perusahaan pelatihan dengan menggunakan pendekatan berbasis pengelompokan diharapkan mampu meningkatkan akurasi dan relevansi rekomendasi, memberikan wawasan yang lebih personal dengan mempertimbangkan perubahan preferensi pengguna dan urutan pembelian. Studi ini dapat memberikan kontribusi terhadap pengembangan sistem rekomendasi yang lebih canggih, yang dapat memberikan saran yang lebih akurat dan relevan, serta meningkatkan pengalaman pelanggan dan pertumbuhan bisnis.
===================================================================================================================================
Understanding consumer behavior is a critical challenge for achieving business success in the modern era. The rapid development of Customer Relationship Management (CRM), supported by big data technology, has enabled companies to gain deeper insights into customer behavior that were previously difficult to access. Through more in-depth data analysis, companies can identify purchasing patterns and predict future customer behavior, ultimately optimizing marketing strategies and increasing customer satisfaction and loyalty. Market Basket Analysis (MBA) is a popular analytical technique in the retail and e-commerce sectors for analyzing consumer purchasing patterns using historical transaction data. Conventional approaches such as Apriori and FP-Growth have proven effective, but they have limitations in handling large data volumes and purchase sequences. This research proposes the development of a clustering-based Next-Basket Recommendation (NBR) model to address the weaknesses of previous recommendation methods. The proposed approach combines Personalized Item Frequency k-Nearest Neighbors (KMeans) to recognize repetitive and collaborative purchasing patterns, and a Recurrent Neural Network (RNN) autoencoder to identify implicit information and purchase sequence patterns. Furthermore, a Graph Attention Network (GAT) and Transformer are used to model complex interactions between products and long-term dependencies, thus overcoming the limitations of RNN methods in handling variations in user preferences. The developed NBR system was tested using datasets from TaFeng, Dunnhumby, and Instacart, as well as data from a training company. Using a clustering-based approach, it is expected to improve the accuracy and relevance of recommendations, providing more personalized insights by considering changes in user preferences and purchase order. This study can contribute to the development of more sophisticated recommendation systems that can provide more accurate and relevant suggestions, while improving customer experience and business growth

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Autoencoder-RNN, Clustering, GAT-TransNBR, NBR, KMEANS.
Subjects:	H Social Sciences > HF Commerce > HF5415.127 Market segmentation. Target marketing
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55101-(S2) Master Thesis
Depositing User:	Khoirinisa Yuliandari
Date Deposited:	05 Aug 2025 03:35
Last Modified:	11 Aug 2025 02:53
URI:	http://repository.its.ac.id/id/eprint/126421

Actions (login required)

View Item