Optimasi Strategi Repeat Buyer pada E-commerce Indonesia Melalui Pendekatan Dynamic Programming untuk Bundling Product Multi-Kategori

Authors

DOI:

https://doi.org/10.46576/device.v7i1.8956

Keywords:

Rekomendasi Bundling, Dynamic Programming, Knapsack Bottom-Up, E-commerce, Repeat Buyer

Abstract

Penelitian ini bertujuan untuk mengoptimalkan strategi peningkatan repeat buyer pada e-commerce di Indonesia melalui penyusunan rekomendasi bundling product multi-kategori berbasis pendekatan komputasional. Pendekatan yang digunakan adalah Dynamic Programming melalui model optimasi Knapsack yang dikombinasikan dengan analisis Threshold Standard Deviation untuk menyaring kategori produk berdasarkan kedekatan demografis pelanggan. Proses penelitian meliputi tahap preprocessing data, pemodelan parameter bobot dan profit, optimasi kombinatorial, serta penentuan prioritas rekomendasi berbasis customer profiling. Hasil penelitian menunjukkan bahwa sistem mampu menghasilkan rekomendasi bundling yang relevan dan terpersonalisasi berdasarkan usia dan riwayat transaksi pelanggan. Dynamic Programming menunjukkan performa yang lebih stabil dan efisien pada kompleksitas data yang lebih tinggi, meskipun pada dataset kecil Brute Force memiliki waktu eksekusi lebih cepat. Secara keseluruhan, pendekatan yang diusulkan dinilai mampu meningkatkan akurasi rekomendasi serta mendukung strategi pemasaran untuk mendorong loyalitas pelanggan.

References

S. Afinia and E. Tjahjaningsih, “Customer Satisfaction’s Influence on Repurchase Intention in Indonesia’s E-commerce Sector,” Jurnal Informatika Ekonomi Bisnis, vol. 6, no. 3, pp. 634–639, Aug. 2024, doi: https://doi.org/10.37034/infeb.v6i3.948.

Y. M. Ginting, T. Chandra, I. Miran, and Y. Yusriadi, “Repurchase intention of e-commerce customers in Indonesia: An overview of the effect of e-service quality, e-word of mouth, customer trust, and customer satisfaction mediation,” International Journal of Data and Network Science, vol. 7, no. 1, pp. 329–340, Dec. 2023, doi: 10.5267/J.IJDNS.2022.10.001.

R. B. Nozari, M. Divsalar, S. A. Abkenar, M. F. Amiri, and A. Divsalar, “A Novel Behavior-Based Recommendation System for E-commerce,” Mar. 2024, doi: https://doi.org/10.37034/infeb.v6i3.948.

A. N. Carloman, U. V. W. Bermudo, E. M. Estilloso, and O. E. Llantos, “Bundle AI: An Application of Multiple Constraint Knapsack Problem (MCKP) Through Genetic Algorithm (GA),” Procedia Comput. Sci., vol. 231, pp. 24–31, Jan. 2024, doi: 10.1016/J.PROCS.2023.12.153.

D. A. Santoso, I. Rizqa, D. Aqmala, F. Alzami, N. Rijati, and A. Marjuni, “Performance Analysis of Multiple Knapsack Problem Optimization Algorithms: A Comparative Study for Retail and SME Applications,” Ingenierie des Systemes d’Information, vol. 30, no. 2, pp. 533–550, Feb. 2025, doi: 10.18280/ISI.300224.

E. Robbi, M. Bronzini, P. Viappiani, and A. Passerini, “Personalized bundle recommendation using preference elicitation and the Choquet integral,” Front. Artif. Intell., vol. 7, p. 1346684, Feb. 2024, doi: 10.3389/FRAI.2024.1346684/TEXT.

Y. Xie, H. Q. Ye, and W. Zhu, “Prediction and Optimization for Multi-Product Marketing Resource Allocation in Cross-Border E-Commerce,” Journal of Theoretical and Applied Electronic Commerce Research 2025, Vol. 20, Page 124, vol. 20, no. 2, p. 124, Jun. 2025, doi: 10.3390/JTAER20020124.

C. Jin, “Solving Knapsack with Small Items via L0-Proximity,” Jul. 2023, Accessed: May 24, 2026. [Online]. Available: https://arxiv.org/pdf/2307.09454

S. F. Mauludiah, “Repeat Buyer E-commerce Dataset,” vol. 1, 2025, doi: 10.17632/HWVZ4KV232.1.

S. F. Mauludiah, C. Crysdian, and Y. M. Arif, “Enhancing Repeat Buyer Classification with Multi Feature Engineering in Logistic Regression,” Applied Information System and Management (AISM), vol. 8, no. 1, pp. 103–110, May 2025, doi: 10.15408/AISM.V8I1.45025.

N. Halman, M. Holzhauser, and S. O. Krumke, “An FPTAS for the Knapsack Problem with Parametric Weights,” Operations Research Letters, vol. 46, no. 5, pp. 487–491, Mar. 2017, doi: 10.1016/j.orl.2018.07.005.

R. Rossi, S. D. Prestwich, and S. A. Tarim, “Mixed-Integer Linear Programming Approximations for the Stochastic Knapsack,” Dec. 2025, Accessed: May 25, 2026. [Online]. Available: https://arxiv.org/pdf/2512.14912

Z. Zhang, H. Yin, L. Zuo, and P. Lai, “Reinforcement Learning for Solving the Knapsack Problem,” Computers, Materials and Continua, vol. 84, no. 1, pp. 919–936, 2025, doi: 10.32604/CMC.2025.062980.

H. Kellerer, U. Pferschy, and D. Pisinger, “Knapsack Problems,” Knapsack Problems, 2004, doi: 10.1007/978-3-540-24777-7.

P. Zhao, X. Su, T. Ge, and J. Fan, “Propensity Score and Proximity Matching Using Random Forest,” Contemp. Clin. Trials, vol. 47, p. 85, Mar. 2015, doi: 10.1016/J.CCT.2015.12.012.

M. S. E. Kasem, M. Hamada, and I. Taj-Eddin, “Customer profiling, segmentation, and sales prediction using AI in direct marketing,” Neural Computing and Applications 2023 36:9, vol. 36, no. 9, pp. 4995–5005, Dec. 2023, doi: 10.1007/S00521-023-09339-6.

Downloads

Additional Files

Published

2026-06-09

Issue

Vol. 7 No. 1: JUNI 2026

Section

ARTIKEL VOL. 7 NO. 1 2026

License

Penulis yang naskahnya diterbitkan menyetujui ketentuan sebagai berikut:

  1. Hak publikasi atas semua materi naskah jurnal yang diterbitkan/dipublikasikan dalam jurnal ini dipegang oleh dewan redaksi dengan sepengetahuan penulis (hak moral tetap milik penulis naskah).
  2. Ketentuan legal formal untuk akses artikel digital jurnal elektronik ini tunduk pada ketentuan lisensi Creative Commons Attribution-ShareAlike (CC BY), yang berarti  Jurnal Device berhak menyimpan, mengalih media/format-kan, mengelola dalam bentuk pangkalan data (database), merawat, dan mempublikasikan artikel tanpa meminta izin dari Penulis selama tetap mencantumkan nama Penulis sebagai pemilik Hak Cipta.
  3. Naskah yang diterbitkan/dipublikasikan secara cetak dan elektronik bersifat open access untuk tujuan pendidikan, penelitian, dan perpustakaan. Selain tujuan tersebut, dewan redaksi tidak bertanggung jawab atas pelanggaran terhadap hukum hak cipta.