Systematic Literature Review: Analisis Dan Prediksi Perilaku Konsumen E-Commerce Menggunakan Machine Learning

Abstract

Pertumbuhan eksponensial data E-commerce yang ditandai dengan volume, kecepatan, dan variasi yang tinggi menjadikan metode statistik tradisional tidak lagi memadai untuk memahami perilaku konsumen yang kompleks. Penelitian ini bertujuan untuk mengevaluasi efektivitas penerapan algoritma Machine Learning (ML) dalam memprediksi perilaku konsumen serta mengidentifikasi tren implementasi terkini sebagai solusi atas keterbatasan metode konvensional. Menggunakan pendekatan Systematic Literature Review (SLR) yang berpedoman pada protokol PRISMA 2020, penelitian ini melakukan pengumpulan data melalui empat basis data akademik utama, yaitu ScienceDirect, IEEE Xplore, ACM, dan Semantic Scholar. Sebanyak 273 artikel relevan yang diterbitkan antara tahun 2021 hingga 2026 dianalisis untuk mensintesis algoritma dominan dan metrik kinerjanya. Temuan utama menunjukkan adanya pergeseran paradigma dari model tunggal menuju arsitektur Hybrid Deep Learning dan metode Ensemble (seperti XGBoost) yang terbukti lebih unggul dalam menangani data multimodal dan tidak seimbang (imbalanced). Pendekatan ini secara konsisten melampaui metode statistik dalam hal akurasi prediksi, penurunan tingkat kesalahan, dan dampak bisnis nyata seperti peningkatan konversi. Studi ini menyimpulkan bahwa pengembangan masa depan perlu memprioritaskan Explainable AI (XAI) dan integrasi data multimodal untuk mendukung tren live streaming commerce serta meningkatkan transparansi keputusan bagi manajemen bisnis.