Analisis Faktor Minat Beli Generasi Z pada TikTok Shop Menggunakan Naïve Bayes

Lorenza Amanda; Haryanto Haryanto; Harun Al Rasyid

doi:10.69693/ijmst.v4i3.14411

Authors

Lorenza Amanda Universitas Bina Sarana Informatika
Haryanto Haryanto Universitas Bina Sarana Informatika
Harun Al Rasyid Universitas Bina Sarana Informatika

DOI:

https://doi.org/10.69693/ijmst.v4i3.14411

Keywords:

Minat Beli, Generasi Z, TikTok Shop, Naive Bayes, CRISP-DM

Abstract

Pertumbuhan e-commerce di Indonesia mendorong TikTok Shop menjadi platform belanja sosial yang memengaruhi minat beli Generasi Z. Namun, faktor yang paling berpengaruh kurang jelas sehingga strategi pemasaran digital sulit diarahkan secara tepat. Penelitian ini bertujuan mengklasifikasikan minat beli Generasi Z pada TikTok Shop berdasarkan konten promosi, konten kreator, dan produk, mengukur kinerja model, serta mengidentifikasi faktor yang paling memengaruhi. Penelitian ini merupakan penelitian kuantitatif berbasis data mining dengan kerangka kerja CRISP-DM. Data dikumpulkan melalui survei Google Form dari 150 responden Generasi Z di Kelurahan Ciater. Minat beli dikategorikan menjadi TINGGI dan RENDAH, kemudian diklasifikasikan menggunakan algoritma Gaussian Naïve Bayes dengan 15 atribut prediktor pada RapidMiner dan divalidasi dengan 10-fold cross validation. Pembobotan atribut dilakukan menggunakan Weight by Information Gain. Hasil menunjukkan model memperoleh akurasi 84,00%, precision 76,56%, recall 84,48%, dan AUC 0,889 yang termasuk kategori Baik. Pembobotan menunjukkan rekomendasi konten kreator (X2.4) sebagai atribut paling berpengaruh dengan bobot 0,229, diikuti manfaat produk (X3.4) sebesar 0,218 dan kesesuaian minat produk (X3.3) sebesar 0,205. Rata-rata bobot per variabel menunjukkan konten kreator (0,176) dan produk (0,174) berkontribusi hampir setara, sedangkan konten promosi paling kecil (0,076). Hasil ini menunjukkan pelaku usaha sebaiknya memprioritaskan kerja sama dengan kreator yang kredibel serta produk yang bermanfaat dan sesuai minat konsumen.

References

1. Amin, N., Garancang, S., & Abunawas, K. (2023). KONSEP UMUM POPULASI DAN SAMPEL DALAM PENELITIAN. JURNAL PILAR: Jurnal Kajian Islam Kontemporer, 14(1), 15–31. https://doi.org/10.26618/whw41w62

2. Arum, L., Zahrani, A., & Duha, N. (2023). KARAKTERISTIK GENERASI Z DAN KESIAPANNYA DALAM MENGHADAPI BONUS DEMOGRAFI 2030. Accounting Student Research Journal, 2(1), 59–72. https://doi.org/10.62108/asrj.v2i1.5812

3. Assegaf, H., Susanti, R., Wulandari, D., Aisa, S., & Santoso. (2025). IMPLEMENTASI ALGORITMA NAÏVE BAYES UNTUK MENGANALISIS PENGARUH KONTEN MEDIA SOSIAL TERHADAP KEPUTUSAN PEMBELIAN. Jurnal Aplikasi Bidang Matematika, 2(2), 10–17. https://doi.org/10.36841/jangka.v2i2.7954

4. Budianita, A. (2023). Information Gain Berbasis Algoritma Naive Bayes Classifier Pada Pemodelan Prediksi Kelulusan. Jurnal Ilmiah Intech : Information Technology Journal of UMUS, 5(01), 1–10. https://doi.org/10.46772/intech.v5i1.1116

5. Deanah, N., Riorini, S. vandayuli, & Maidita, R. (2026). Pengaruh Ulasan Pelanggan di Media Sosial terhadap Keputusan Pembelian Generasi Z. Jurnal Ilmu Sosial & Hukum, 4(1), 1882–1889. https://doi.org/10.61104/alz.v4i1. 3389

6. Dhewayani, F., Amelia, D., Alifah, D., Sari, B., & Jajuli, M. (2022). Implementasi K-Means Clustering untuk Pengelompokkan Daerah Rawan Bencana Kebakaran Menggunakan Model CRISP-DM. Jurnal Teknologi Dan Informasi (JATI), 12(1), 64–77. https://doi.org/10.34010/jati.v12i1.6674

7. Ermanto, & Surojudin, N. (2025). Perbandingan Metode Klasifikasi dalam Memprediksi Penyakit Ginjal Kronis. Jurnal Informatika Ekonomi Bisnis, 7, 715–723. https://doi.org/10.37034/infeb.v7i3.1263

8. Fakih, A., Hamzami, M. A., Hadianto, M. R., & Shafira, N. I. (2025). Perbandingan Akurasi Algoritma C4 . 5 dan K-NN Untuk Prediksi Kelulusan Mahasiswa Penerima Beasiswa. Jurnal Komputer Antartika, 3(c), 18–25. https://doi.org/10.70052/jka.v3i1.623

9. Firdaus, L., & Setiadi, T. (2023). Perbandingan Algoritma Naive Bayes , Decision Tree , dan KNN untuk Klasifikasi Produk Populer Adidas US dengan Confusion Matrix. Jurnal Sistem Komputer Dan Informatika (JSON), 5(2), 185–195. https://doi.org/10.30865/json.v5i2.6124

10. Hardani, P. R. (2023). ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI MINAT BELI KONSUMEN TERHADAP PRODUK FAST FASHION DI INDONESIA. Jurnal Akuntansi Dan Manajemen, 34(3), 174–189. https://doi.org/10.53916/jam.v34i3.113

11. Hidayati, N., Suntoro, J., & Setiaji, G. G. (2021). Perbandingan Algoritma Klasifikasi untuk Prediksi Cacat Software dengan Pendekatan CRISP-DM. Jurnal Sains Dan Informatika, 7(2), 117–126. https://doi.org/10.34128/jsi.v7i2.313

12. Khoirunisa, F., & Nurhayati, S. (2024). Pengaruh Customers Online Review , Customers Online Rating , dan Harga Produk terhadap Keputusan Pembelian Melalui Marketplace Shopee. Jurnal Inovasi Bisnis Dan Manajemen Indonesia, 07(04), 456–469. https://doi.org/10.31842/jurnalinobis.v7i4.336

13. Madani, F., & Lubis, A. (2025). CatBoost Algorithm Implementation for Classifying Women’s Fashion Products. JITE (Journal of Informatics and Telecommunication Engineering), 9(1), 249–260. https://doi.org/10.31289/jite.v9i1.15604

14. Maheswara, R. (2026). Indonesia Jadi Negara Pengguna TikTok Terbanyak April 2026. Dataloka.Id. https://dataloka.id/humaniora/6567/indonesia-jadi-negara-pengguna-tiktok-terbanyak-april-2026/

15. Maria, V. (2024). Analisis Peran Tiktok Shop dalam Mendorong Ekonomi UMKM di Indonesia. Jurnal Penelitian Bisnis Dan Manajemen, 2(2), 138–146. https://doi.org/10.47861/sammajiva.v2i2.992

16. Nopitasari, N. A., & Suyatno, D. F. (2023). Analisis Kepuasan Pengguna Fitur TikTok Shop pada Aplikasi TikTok Menggunakan Metode End User Computing Satisfaction ( EUCS ) dan DeLone and McLean. JEISBI (Journal of Emerging Information Systems and Business Intelligence), 04(03), 9–20. https://doi.org/10.26740/jeisbi.v4i3.54177

17. Nurhidayat, R., & Dewi, E. K. (2023). PENERAPAN ALGORITMA K-NEAREST NEIGHBOR DAN FITUR EKSTRAKSI N-GRAM DALAM ANALISIS SENTIMEN BERBASIS ASPEK. Komputa : Jurnal Ilmiah Komputer Dan Informatika, 12(1), 91–100. https://doi.org/10.34010/komputa.v12i1.9458

18. Putra, A. (2025). PENERAPAN DATA MINING UNTUK PREDIKSI HARGA KAYU MANIS MENGGUNAKAN ALGORITMA REGRESI LINEAR SEDERHANA (Studi Kasus : Usaha Dagang Munang). Jurnal Sains Informatika Terapan (JSIT), 04(03), 574–580. https://doi.org/10.62357/jsit.v4i3.825

19. Saputra, P. A., Irawan, S. S., & Prianto, R. (2025). Analisis Faktor Dominan Minat Beli Generasi Z di Shopee Menggunakan Algoritma Naïve Bayes. Jurnal Teknik Informatika, 4(3). https://doi.org/10.56211/sudo.v4i3.1137

20. Sholeh, M., Lestari, U., & Andayati, D. (2024). Comparison of Feature Selection with Information Gain Method in Decision Tree, Regression Logistic and Random Forest Algorithms. Journal of Applied Business and Technology Comparison (JABT), 5(3), 146–153. https://doi.org/10.35145/jabt.v5i3.155

21. Sihananto, A., & Maulana, H. (2021). Studi Literatur Tentang Performa Naïve Bayes dalam Klasifikasi Data. Seminar Nasional Informatika Bela Negara (SANTIKA), 2, 132–135. https://doi.org/10.33005/santika.v2i0.134

22. Suryati, E., Bahtiar, D., & Rohimah Laila, D. (2024). Pengaruh Kredibilitas Influencer Dan Kesadaran Merek Terhadap Minat Beli Produk Hanasui. Jurnal Minfo Polgan, 13(2), 1963–1970. https://doi.org/10.33395/jmp.v13i2.14289

23. Wanny, P., & Iqbal, M. (2026). Klasifikasi Minat Belanja Online pada TikTok Berdasarkan Konten Media Sosial Menggunakan Metode Naive Bayes. Journal of Informatics Management and Information Technology, 6(1), 107–115. https://doi.org/10.47065/jimat.v6i1.967

24. Zein, R., & Suparni. (2024). IMPLEMENTASI ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI MINAT BELI MAKANAN SECARA ONLINE PADA GENERASI MILENIAL. JATI (Jurnal Mahasiswa Teknik Informatika, 8(6). https://doi.org/10.36040/jati.v8i6.11768