Madani: Jurnal
Ilmiah Multidisiplin
Volume
4, Nomor 1, February 2026, P. 724-732
E-ISSN:
2986-6340
Licenced
by CC BY-SA 4.0
DOI: https://doi.org/10.5281/zenodo.18616895
The Influence of Recommendation Systems and AI Chatbots on
Customer Experience on Shopee
Florence Hendrata1*,
Cindy Mulyawati2, Erika Florensia3
1,2,3Program Studi
Manajemen Fakultas Bisnis dan Akuntansi Universitas Katolik Musi Charitas,
Palembang
Email korespondesi: Florencehendrata@gmail.com
Abstrak
Penggunaan teknologi kecerdasan buatan semakin dominan
dalam industri e-commerce, khususnya melalui penerapan sistem rekomendasi dan
chatbot AI untuk meningkatkan kualitas layanan digital. Penelitian ini
bertujuan untuk menganalisis pengaruh sistem rekomendasi dan chatbot AI
terhadap pengalaman pelanggan di platform Shopee. Penelitian ini menggunakan
pendekatan kuantitatif dengan metode survei terhadap 155 responden pengguna
aktif Shopee yang dipilih menggunakan teknik purposive sampling. Instrumen penelitian
terdiri dari 25 item pernyataan yang telah dinyatakan valid dan reliabel.
Analisis data dilakukan menggunakan regresi linier berganda dengan bantuan
perangkat lunak SPSS. Hasil penelitian menunjukkan bahwa sistem rekomendasi
berpengaruh positif dan signifikan terhadap pengalaman pelanggan, sementara
chatbot AI juga memiliki pengaruh positif dan signifikan. Secara simultan,
sistem rekomendasi dan chatbot AI berkontribusi dalam menjelaskan variasi
pengalaman pelanggan dalam penggunaan layanan Shopee. Temuan ini menegaskan
bahwa penerapan teknologi kecerdasan buatan berperan penting dalam menciptakan
pengalaman pelanggan yang lebih personal, efisien, dan memuaskan. Penelitian
ini memberikan implikasi praktis bagi pengelola e-commerce untuk terus
mengoptimalkan kualitas sistem rekomendasi dan chatbot AI sebagai strategi
peningkatan pengalaman pelanggan dan daya saing platform.
Kata kunci: Sistem Rekomendasi, Chatbot AI, Pengalaman Pelanggan,
E-Commerce, Shopee
Abstract
Keywords: Recommendation System, AI Chatbot, Customer Experience, E-Commerce, Shopee
PENDAHULUAN
Perkembangan
teknologi digital telah mendorong transformasi signifikan dalam industri
perdagangan global, khususnya pada sektor e-commerce. Laporan e-Conomy SEA
2024 oleh Google, Temasek, dan Bain & Company menunjukkan bahwa
ekonomi digital Asia Tenggara terus mengalami pertumbuhan pesat dengan
Indonesia sebagai pasar terbesar yang didukung oleh populasi sekitar 280 juta
jiwa. E-commerce menjadi pilar utama ekonomi digital regional dengan tingkat
pertumbuhan nilai transaksi lebih dari 18% per tahun, yang menandai perubahan
fundamental dalam cara konsumen berinteraksi dengan merek di ruang digital.
Kondisi ini menuntut perusahaan e-commerce untuk tidak hanya berfokus pada
efisiensi transaksi, tetapi juga pada penciptaan pengalaman pelanggan (customer
experience) yang unggul dan berkelanjutan.
Sebagai
negara dengan tingkat penetrasi internet yang terus meningkat, Indonesia
menunjukkan dinamika persaingan e-commerce yang semakin ketat. Data Asosiasi
Penyelenggara Jasa Internet Indonesia (APJII, 2025) mencatat bahwa 79,5%
penduduk Indonesia telah terhubung dengan internet, dengan belanja online
sebagai salah satu aktivitas utama. Sementara itu, GoodStats (2025) melaporkan
bahwa Shopee menjadi platform e-commerce paling sering diakses di Indonesia
dengan pangsa pasar lebih dari 53%, mengungguli platform lain seperti TikTok
Shop, Tokopedia, dan Lazada. Dominasi ini menjadikan Shopee sebagai aktor
strategis dalam membentuk perilaku belanja digital masyarakat, sekaligus
menghadapi tuntutan tinggi untuk mempertahankan kualitas pengalaman pengguna.
Penelitian terdahulu menegaskan bahwa pengalaman pelanggan merupakan faktor
kunci yang memengaruhi kepuasan dan loyalitas pelanggan di industri e-commerce
(Zikry et al., 2024).
Dalam
konteks tersebut, pemanfaatan teknologi kecerdasan buatan (Artificial
Intelligence / AI), khususnya sistem rekomendasi dan chatbot, menjadi
strategi penting dalam meningkatkan kualitas interaksi digital. Sistem
rekomendasi berfungsi menyajikan produk yang relevan berdasarkan preferensi dan
perilaku pengguna, sehingga mampu meningkatkan keterlibatan serta konversi
pembelian (Ainna Khansa & Tata Sutabri, 2024). Namun demikian, efektivitas
sistem rekomendasi tidak terlepas dari tantangan seperti ketidaksesuaian
preferensi dan potensi information overload yang dapat menurunkan
kenyamanan pengguna (Alexia et al., 2024). Hal ini menunjukkan bahwa
personalisasi berbasis AI perlu diimbangi dengan pemahaman terhadap persepsi
dan kebutuhan psikologis pelanggan.
Selain
sistem rekomendasi, chatbot berbasis AI telah banyak diadopsi oleh platform
e-commerce sebagai solusi layanan pelanggan yang cepat dan efisien. Chatbot
mampu memberikan respons secara real-time terhadap pertanyaan dan keluhan
pelanggan serta meningkatkan konsistensi layanan. Penelitian oleh Titoni et al.
(2024) dan Fasa et al. (2025) menunjukkan bahwa chatbot AI berpengaruh
signifikan terhadap kepuasan pelanggan, terutama dalam aspek kecepatan respons
dan efisiensi komunikasi. Meskipun demikian, keterbatasan chatbot dalam
memahami konteks emosional dan menunjukkan empati masih menjadi kendala yang
dapat memengaruhi persepsi pengalaman pelanggan secara keseluruhan.
Berbagai
penelitian terdahulu umumnya mengkaji sistem rekomendasi dan chatbot AI secara
terpisah, sehingga belum memberikan gambaran yang komprehensif mengenai
pengaruh simultan kedua teknologi tersebut terhadap pengalaman pelanggan,
khususnya dalam konteks e-commerce di Indonesia. Padahal, integrasi sistem
rekomendasi dan chatbot AI berpotensi membentuk pengalaman pelanggan yang lebih
holistik, di mana rekomendasi produk dan layanan interaktif saling melengkapi
dalam proses pengambilan keputusan konsumen (Ainna Khansa & Tata Sutabri,
2024). Kesenjangan ini menunjukkan adanya peluang penelitian untuk menguji
pengaruh kedua teknologi tersebut secara bersamaan dalam satu model empiris.
Berdasarkan
uraian tersebut, penelitian ini bertujuan untuk menganalisis secara empiris
pengaruh sistem rekomendasi dan chatbot berbasis AI terhadap pengalaman pelanggan pada platform Shopee Indonesia.
Penelitian ini diharapkan dapat memberikan kontribusi teoretis dalam
pengembangan literatur mengenai adopsi AI dalam pemasaran digital dan manajemen pengalaman pelanggan,
serta memberikan implikasi praktis bagi pelaku e-commerce dalam merancang
strategi layanan berbasis AI yang lebih personal, efektif, dan berorientasi pada kepuasan
pelanggan jangka panjang.
Rumusan Masalah
Sesuai
latar belakang yang sudah dijelaskan, maka rumusan masalah yang akan diteliti
dalam penelitian ini adalah sebagai berikut:
1.
Bagaimana pengaruh sistem rekomendasi
berbasis kecerdasan buatan (AI) terhadap pengalaman pelanggan pada platform
e-commerce Shopee?
2.
Bagaimana pengaruh chatbot berbasis
kecerdasan buatan (AI) terhadap pengalaman pelanggan pada platform e-commerce Shopee?
METODE PENELITIAN
Penelitian
ini menggunakan metode kuantitatif dengan pendekatan asosiatif untuk
menganalisis pengaruh sistem rekomendasi AI dan chatbot AI terhadap pengalaman
pelanggan pada platform e-commerce Shopee. Data penelitian merupakan data
primer yang diperoleh melalui kuesioner daring (Google Form) dengan skala
Likert lima poin, yang disebarkan kepada 155 responden pengguna aktif Shopee di
Indonesia menggunakan teknik purposive sampling dengan kriteria pernah
menggunakan chatbot dan menerima rekomendasi produk berbasis AI serta berusia
17–35 tahun. Variabel independen dalam penelitian ini adalah sistem rekomendasi
AI dan chatbot AI, sedangkan variabel dependen adalah pengalaman pelanggan yang
diukur berdasarkan indikator relevansi, akurasi, kemudahan penggunaan, kualitas
interaksi, dan kepuasan pengguna. Analisis data dilakukan menggunakan regresi
linier berganda yang diawali dengan uji validitas, reliabilitas, dan analisis
statistik deskriptif. Namun, karena hasil uji heteroskedastisitas menunjukkan
adanya pelanggaran asumsi, maka pengujian signifikansi koefisien regresi
dilakukan menggunakan metode bootstrap untuk memperoleh estimasi standar error
dan nilai signifikansi yang lebih robust, sehingga hasil pengujian hipotesis
tetap reliabel tanpa bergantung pada pemenuhan asumsi klasik secara ketat.
HASIL DAN PEMBAHASAN
Pada
bab ini peneliti akan membahas tentang pengolahan data primer yang didapat dari
hasil kuesioner yang disebarkan melalui Google form dan sesuai dengan kriteria
akan dilakukan pengujian dengan menggunakan program aplikasi SPSS 24. Adapun
pengujian yang akan dilakukan adalah uji validitas, uji realibilitas, uji
asumsi klasik, uji kelayakan model dan pengujian hipotesis.
Analisis Data
1.
Uji Kelayakan Instrumen
a. Uji Validitas
Table
1. Hasil Uji Validitas Sistem Rekomendasi AI
Table
2. Hasil Uji Validitas Chatbot AI
Table
3. Hasil Uji Validitas Pengalaman Pelanggan
Sumber: Data
diolah penulis (2025)
Tabel diatas memperlihatkan
bahwa 155 pertanyaan dalam kuesioner penelitian ini memiliki nilai r hitung
dari masing-masing pertanyaan. Hal ini menunjukan bahwa instrument penelitian
ini telah teruji validitasnya.
b.
Uji Realibilitas
Table
4. Hasil Uji Reliabilitas
Sumber: Data diolah penulis (2025)
Hasil Perhitungan Uji Realibilitas
untuk variabel Sistem Rekomendasi AI, Chatbot AI, dan Pengalaman Pelanggan
didapat nilai Cronbach’s Alpha ketiga nilai tersebut lebih besar dari 0.7
sehingga dapat dinyatakan bahwa instrument penelitian yang digunakan pada
setiap variabel tersebut instrumentnya telah reliabel.
Pada penelitian ini telah
melakukan serangkaian uji asumsi klasik yang meliputi uji normalitas,
multikolinearitas, dan heteroskedastisitas untuk memastikan bahwa model regresi
memenuhi syarat-syarat statistik yang diperlukan. Berdasarkan hasil analisis, ditemukan
bahwa model regresi tidak sepenuhnya lolos uji heteroskedastisitas. Hal ini
dapat dilihat dari nilai signifikansi TX2 yang berada di bawah batas 0,05,
tepatnya sebesar 0,002, sehingga menunjukkan bahwa TX2 memiliki hubungan yang
signifikan terhadap nilai nilai absolut residual. Temuan ini mengindikasikan
bahwa variabel TX2 memunculkan gejala heteroskedastisitas dalam model.
Sementara itu, variabel TX1 memiliki nilai signifikansi sebesar 0,295, yang
berada di atas nilai 0,05, sehingga dapat disimpulkan bahwa TX1 tidak
menyebabkan heteroskedastisitas. Dengan demikian, pelanggaran asumsi
homoskedastisitas dalam model terutama disebabkan oleh variabel TX2. Berbagai
pemeriksaan lanjutan telah dilakukan, termasuk peninjauan ulang pola scatterplot
residual, penerapan transformasi data, serta identifikasi potensi pencilan,
namun variasi residual tetap menunjukkan pola yang tidak seragam pada sebagian
bagian model. Meskipun model menunjukkan indikasi heteroskedastisitas, hal ini
tidak serta-merta menggugurkan kelayakan analisis regresi. Dengan
mempertimbangkan ukuran sampel yang cukup besar serta hasil estimasi yang tetap
stabil, model masih dapat dianalisis lebih lanjut menggunakan pendekatan bootstrap, yang tidak mensyaratkan asumsi
varians residual konstan. Oleh karena itu, meskipun asumsi heteroskedastisitas
tidak terpenuhi secara sempurna, hasil regresi tetap dapat digunakan dan tetap
memberikan dasar yang valid untuk menarik kesimpulan mengenai pengaruh TX1 dan
TX2 terhadap TY.
Analisis Regresi
Berganda
Table
5. Hasil Analisis Regresi Berganda
Sumber:
Data diperoleh penulis (2025)
Berdasarkan hasil analisis
regresi berganda yang ditunjukkan pada tabel 5, diperoleh nilai konstanta
sebesar 12,634, koefisien regresi variabel Sistem Rekomendasi Shopee sebesar
0,534, dan koefisien regresi variabel Chatbot AI sebesar 0,119, yang kedua
signifikan karena nilai sig < 0,05. Hal ini menunjukkan bahwa kedua variable
tersebut berpengaruh positif dan signifikan terhadap variable dependen.
Berdasarkan tebel tersebut, maka persamaan model regresi dalam analisis regresi
berganda Adalah sebagai berikut.
Y=12,634 +0,534 X1 + 0,119X2 + e
Penulisan Hipotesis
1. Pengujian Bootstrap
Table
6. Hasil Pengujian Bootstrap
|
|
||
Sumber: Data diperoleh
penulis (2025)
Berdasarkan hasil uji signifikansi, nilai signifikansi
konstanta sebesar 0,001 menunjukkan bahwa model regresi yang digunakan layak
untuk dianalisis. Variabel sistem rekomendasi AI memiliki nilai signifikansi
sebesar 0,001 (< 0,05), sehingga H1 dinyatakan diterima. Hal ini berarti
bahwa sistem rekomendasi AI berpengaruh secara positif dan signifikan terhadap
pengalaman pelanggan (Y). Selanjutnya, variabel chatbot AI memiliki nilai
signifikansi sebesar 0,009 (< 0,05), sehingga H2 dinyatakan diterima. Temuan ini menunjukkan bahwa
chatbot AI berpengaruh signifikan terhadap pengalaman pelanggan. Hasil
pengujian menggunakan metode bootstrap pada output SPSS semakin
memperkuat bahwa kedua variabel independen memberikan pengaruh yang signifikan
terhadap variabel dependen. Dengan demikian, meskipun terdapat pelanggaran pada
uji asumsi klasik, hasil analisis regresi tetap menghasilkan estimasi yang
andal dan layak digunakan dalam analisis penelitian.
2. Uji F
Table
7. Hasil Uji F
Sumber: Data
diperoleh penulis (2025)
Berdasarkan
tabel 7, nilai signifikansi yang dihasilkan adalah sebesar 0,000. Hal ini
menunjukkan bahwa model regresi yang dibuat sudah baik karena signifikansi dari
hasil uji F < 0,05.
3.
Koefisien Determinasi
Table
8. Hasil Koefisien Determinasi
Sumber: Data diperoleh
penulis (2025)
Berdasarkan tabel 5, hasil nilai
koefisien determinasi pada penelitian ini adalah nilai R sebesar 0,748
sedangkan nilai Adjusted R Square sebesar 0,554. Hal ini menunjukkan bahwa
variabel Sistem Rekomendasi AI dan Chatbot AI secara bersama-sama mampu
menjelaskan variabel dependen sebesar 55,4%. Dengan kata lain, sebesar 55,4%
variasi perubahan pada variabel kepuasan pengguna (variabel dependen) dapat
dijelaskan oleh Sistem Rekomendasi AI dan Chatbot AI. Sementara itu, sisanya
sebesar 44,6% dipengaruhi oleh faktor lain yang tidak diteliti dalam model
regresi ini. Nilai R sebesar 0,748 juga menunjukkan adanya hubungan yang kuat
antara Sistem Rekomendasi AI dan Chatbot AI dengan variabel dependen. Secara
keseluruhan, hasil ini menandakan bahwa model regresi yang digunakan sudah
cukup baik dalam menjelaskan pengaruh variabel independen terhadap variabel
dependen.
PEMBAHASAN
Pengaruh Sistem
Rekomendasi (X1) terhadap Pengalaman Pelanggan (Y)
Berdasarkan hasil pengujian
bootstrapping, variabel Sistem Rekomendasi AI memiliki nilai signifikansi
sebesar 0,001, sehingga hipotesis H1 dinyatakan diterima. Nilai ini berada jauh
di bawah batas konvensional (p < 0,05), sehingga dapat disimpulkan bahwa
sistem rekomendasi AI berpengaruh positif terhadap pengalaman pelanggan. Hal ini
menunjukkan bahwa semakin baik kualitas rekomendasi yang diberikan, semakin
positif pengalaman yang dirasakan pelanggan ketika menggunakan layanan digital.
Secara substantif, sistem
rekomendasi membantu meningkatkan relevansi konten, memudahkan navigasi, dan
mempercepat proses pencarian produk atau layanan yang sesuai dengan preferensi
pelanggan. Dengan demikian, kontribusinya terhadap pengalaman pelanggan bersifat
nyata dan konsisten, sebagaimana ditunjukkan oleh interval kepercayaan
bootstrap yang tidak melewati angka nol.
Secara teoretis, hasil ini mendukung
model Customer Experience serta temuan penelitian sebelumnya, seperti (Grewal, Roggeveen, and Nordfält 2020), yang menyatakan bahwa
personalisasi berbasis AI berperan penting dalam meningkatkan persepsi
kemudahan, kualitas layanan, dan nilai yang dirasakan pelanggan. Temuan ini
mengindikasikan bahwa pelanggan merasakan manfaat sistem rekomendasi dalam
interaksi digital mereka.
Meskipun
pengaruhnya signifikan, beberapa faktor dapat memengaruhi besar kecilnya dampak
sistem rekomendasi terhadap pengalaman pelanggan, antara lain:
a. perbedaan
tingkat akurasi rekomendasi pada setiap pengguna,
b. variasi
preferensi konsumen yang kompleks, dan
c. tingkat
keterlibatan pelanggan yang berbeda dalam menggunakan fitur rekomendasi.
Secara praktis, perusahaan perlu
terus meningkatkan kualitas data, algoritma personalisasi, serta mekanisme
penyajian rekomendasi agar sistem semakin relevan dan adaptif. Peningkatan
tersebut berpotensi memperkuat pengaruh sistem rekomendasi terhadap pengalaman
pelanggan secara keseluruhan.
Pengaruh Chatbot AI (X2) terhadap Pengalaman Pelanggan (Y)
Berdasarkan hasil pengujian
bootstrapping, variabel Chatbot AI menunjukkan nilai signifikansi sebesar
0,009, sehingga hipotesis H2 dinyatakan diterima karena nilai tersebut berada
di bawah batas konvensional (p < 0,05). Hal ini berarti bahwa penggunaan
chatbot AI berpengaruh positif terhadap pengalaman pelanggan dalam menggunakan
layanan digital.
Diterimanya hipotesis ini mengindikasikan
bahwa chatbot AI memberikan kontribusi positif dalam meningkatkan persepsi
pelanggan terhadap kualitas interaksi layanan. Chatbot yang responsif, cepat,
dan mampu memberikan jawaban yang relevan dapat meningkatkan efisiensi
komunikasi serta memberikan rasa kemudahan bagi pengguna. Interaksi yang lancar
dan minim hambatan membuat pelanggan merasa lebih diperhatikan dan terbantu
dalam menyelesaikan kebutuhan mereka.
Secara teoretis, temuan ini mendukung
penelitian dari (Adam et al., 2021) serta teori Service Encounters, yang menyatakan bahwa
chatbot berbasis AI mampu meningkatkan pengalaman pelanggan melalui kecepatan
layanan, ketersediaan 24/7, dan kemampuan memahami konteks pertanyaan. Hasil
penelitian ini konsisten dengan pandangan bahwa otomatisasi berbasis AI tidak
hanya menggantikan fungsi layanan manusia, tetapi juga dapat meningkatkan
kualitas interaksi layanan secara keseluruhan.
Adapun beberapa faktor yang mungkin
memengaruhi besarnya pengaruh chatbot terhadap pengalaman pelanggan antara
lain:
a.
Kemampuan chatbot memahami bahasa
alami, termasuk variasi bahasa atau gaya bertanya pelanggan;
b.
Kecepatan respons, yang sangat
memengaruhi persepsi kenyamanan pelanggan;
c.
Kualitas informasi yang disediakan,
apakah relevan, akurat, dan membantu;
d.
Batas kemampuan chatbot, seperti
ketidakmampuan menangani kasus kompleks yang memerlukan intervensi manusia.
Dari sisi praktis, perusahaan perlu
meningkatkan kemampuan pemrosesan bahasa alami (NLP), melatih chatbot dengan
basis data yang lebih kaya, serta menyediakan mekanisme eskalasi otomatis ke
agen manusia untuk menciptakan pengalaman yang lebih mulus. Dengan demikian,
chatbot AI dapat memberikan pengaruh yang lebih signifikan terhadap peningkatan
pengalaman pelanggan secara keseluruhan.
SIMPULAN
Berdasarkan hasil penelitian
mengenai pengaruh Sistem Rekomendasi AI dan Chatbot AI terhadap Pengalaman
Pelanggan dalam penggunaan layanan digital, maka dapat disimpulkan beberapa hal
berikut:
1.
Sistem Rekomendasi AI berpengaruh
positif dan signifikan terhadap pengalaman pelanggan.
2.
Sistem Rekomendasi AI dan Chatbot AI
secara simultan berpengaruh signifikan terhadap pengalaman pelanggan.
SARAN
Berdasarkan hasil penelitian
mengenai pengaruh Sistem Rekomendasi AI dan Chatbot AI terhadap pengalaman
pengguna, maka beberapa saran yang dapat diberikan adalah sebagai berikut:
1.
Menambah variable lain yang
berpotensi berpengaruh
Penelitian selanjutnya disarankan untuk memasukkan variabel
seperti kepuasan pengguna (user satisfaction), Kepercayaan terhadap AI (trust
in AI), kualitas antarmuka, atau privasi data untuk melihat pengaruh secara
lebih komprehensif terhadap pengalaman pengguna.
2.
Penggunaan Metode
Analisis yang Berbeda
Penelitian mendatang dapat menggunakan pendekatan metode campuran (mixed
methods) agar hasil yang diperoleh lebih mendalam. Pendekatan kualitatif,
seperti wawancara atau diskusi kelompok terarah, dapat digunakan untuk menggali
persepsi, motivasi, dan pengalaman subjektif pelanggan dalam berinteraksi
dengan sistem rekomendasi dan chatbot AI.
3. Perluasan Konteks Penelitian
Penelitian
selanjutnya disarankan untuk dilakukan pada platform e- commerce atau sektor
layanan digital lainnya guna mengetahui apakah pengaruh sistem rekomendasi dan
chatbot AI terhadap pengalaman pelanggan bersifat konsisten pada konteks yang
berbeda.
REFERENSI
Ainna Khansa, & Tata Sutabri. (2024). Pengembangan Customer
Experience Berbasis Artificial Intelligence pada Startup Marketplace Shopee. Router :
Jurnal Teknik Informatika Dan Terapan, 2(4), 28–39. https://doi.org/10.62951/router.v2i4.270
Alexia, K. R., Digital, D. B., & Mulia, U. B. (2024). PENGARUH
IMPLEMENTASI CHATBOT BERBASIS KECERDASAN BUATAN ( AI ) TERHADAP KEPUASAN. 3(1),
1–15.
Chamsyah, S., Paramesti, R., & Haliza, H. R. N. (2024). ANALISA
KEPUASAN CUSTOMER DALAM PENGGUNAAN LAYANAN CHATBOT SHOPEE MENGGUNAKAN METODE
UTAUT. 38–47.
Colby, K. M., Weber, S., & Hilf, F. D. (2021). Artificial
conversational entities and their role in customer service. Journal of
Intelligent Systems, 30(2), 159–173.
Davis, F. D. (1989). Perceived Usefulness , Perceived Ease of Use ,
and User Acceptance of Information Technology. January. https://doi.org/10.2307/249008
Fasa, M. I., Islam, U., Raden, N., Lampung, I., & Lampung, B. (2025).
MENINGKATKAN LAYANAN PELANGGAN PADA PLATFORM E-COMMERCE : STUDI KASUS PADA
SHOPEE INDONESIA MENINGKATKAN LAYANAN PELANGGAN PADA PLATFORM E-COMMERCE :
STUDI KASUS PADA SHOPEE INDONESIA. 3(3).
Gentile, C., Spiller, N., & Noci, G. (2007). How to sustain the
customer experience: An overview of experience components that co-create value
with the customer. European Management Journal, 25(5), 395–410.
Ghozali, I. (2018). Aplikasi Analisis Multivariate dengan Program IBM
SPSS 25 (Edisi 9). Badan Penerbit Universitas Diponegoro.
Google, Temasek, dan B. & C.
(2024). e-Conomy SEA 2024: Southeast Asia’s digital economy. Google.
Grewal, D., Roggeveen, A. L., & Nordfält, J. (2020). The future of
retailing. Journal of Retailing.
Hair J, R, A., Babin B, & Black W. (2014). Multivariate Data
Analysis.pdf. In Australia : Cengage: Vol. 7 edition (p. 758).
Huang, M., & Rust, R. T. (2018). Artificial Intelligence in
Service. 21(2), 155–172. https://doi.org/10.1177/1094670517752459
Klaus, P. (2015). Measuring customer experience: How to develop and
execute the most profitable customer experience strategies. Palgrave
Macmillan.
Pangestu, A. G., Caraka, D. P., & N. (2025). Pengaruh Chatbot
Terhadap Kepuasan Pelanggan Shopee. Jurnal Ilmiah Wahana Pendidikan. Jurnal
Ilmiah Wahana Pendidikan., 11(July), 1–9. https://jurnal.peneliti.net/index.php/JIWP/article/view/10791
Pine, B. J., & Gilmore, J. H. (1998). The experience economy: Work
is theatre & every business a stage. Harvard Business School Press.
Pu, P., & Chen, L. (2019). Trust-inspiring explanation interfaces
for recommender systems. October. https://doi.org/10.1016/j.knosys.2007.04.004
Ricci, F., Rokach, L., & Shapira, B. (2015). R. S. H. (2nd ed. ). S.
https://doi. org/10. 1007/97.-1-4899-7637-6. (2015). Recommender Systems
Handbook (2nd ed.). Springer. https://doi.org/https://doi.org/10.1007/978-1-4899-7637-6(2015).
Riswan, D., Eko, H., Putra, R., & Saputra, R. N. (2024). Pengembangan
Sistem Rekomendasi Berbasis Kecerdasan Buatan Untuk Meningkatkan Pengalaman
Pengguna Di Platform E-Commerce. 2(3), 572–580.
Russell, S., & Norvig, P. (2021). Artificial Intelligence: A
Modern Approach (4th ed.). Pearson.
Sari, M., & Widodo, R. (2022). Pengaruh Chatbot Interaktif
terhadap Kepuasan Pengguna E-Commerce di Indonesia. Jurnal Teknologi
Informasi dan Komunikasi, Telkom University.
Schmitt, B. H. (1999). Experiential marketing: How to get customers to
sense, feel, think, act, and relate to your company and brands. Free
Press.
Sugiyono, P. D. (2019). Metode Penelitian Pendidikan Pendekatan
Kuantitatif, Kualitatif dan R&D. Perpustakaan Universitas Gresik.
Titoni, E., Aditya, B., Pribadi, T. A., Lianto, R., Studi, P., Informasi,
S., Komputer, F. I., Batam, U. I., & Batam, U. T. (2024). Peran chatbot
artificial Intelligence dalam membentuk kepuasan pelanggan. 15(1),
20–30. http://dx.doi.org/10.31602/tji.v15i1.13220
Verhoef, P. C., Lemon, K. N., Parasuraman, A., Roggeveen, A., Tsiros, M.,
& Schlesinger, L. A. (2009). Customer experience creation:
Determinants, dynamics and management strategies. Journal of Retailing,
85(1), 31–41.
Yanesya, Z., & Tjokrosaputro, M. (2024). Pengaruh Penggunaan Dan
Respons Chatbot Terhadap. 29(03), 446–468. http://dx.doi.org/10.24912/je.v29i3.2322
Zikry, A., Muhammad Bitrayoga, Siska Yulia Defitri, Akhmad Dahlan, &
Nina Dwi Putriani. (2024). Analisis Penggunaan AI dalam Keberhasilan Customer
Experience Pengguna Aplikasi E-Commerce Shopee. Indo-Fintech Intellectuals:
Journal of Economics and Business, 4(3), 766–781. https://doi.org/10.54373/ifijeb.v4i3.1387
GoodStats.id. (2025, 18 Agustus). Daftar e-commerce paling sering
diakses 2025, Shopee masih juara. GoodStats. https://goodstats.id/article/e-commerce-paling-sering-diakses-2025-shopee-masih-juara-wyZqk
No comments
Post a Comment