Dari Klik ke Konversi: Mengapa Selvo Membutuhkan Model Prediksi Pembelian dan Bagaimana Kami Membangunnya

Mengenal Selvo: Marketplace Produk Digital untuk Kreator Indonesia

Ekonomi digital Indonesia tumbuh dengan kecepatan yang melampaui ekspektasi banyak pihak. Dengan nilai pasar yang diestimasi mencapai USD 52,93 miliar pada 2023, Indonesia merupakan pasar e-commerce terbesar di Asia Tenggara. namun, infrastruktur yang tersedia bagi kreator digital independen belum sepadan dengan pertumbuhan tersebut. Sebagian besar platform yang melayani segmen ini adalah pemain global dengan struktur komisi yang memberatkan, atau marketplace umum yang sejak awal tidak dirancang untuk produk digital.

Selvo hadir untuk menutup kesenjangan itu. Sebagai inisiatif Project-Based Learning (PBL) yang dikembangkan oleh tim kami di Politeknik Negeri Batam, Selvo adalah marketplace eksklusif untuk produk digital, di mana kreator Indonesia dapat menjual produk yang dapat diunduh mulai dari e-book, UI/UX kit, template desain, modul edukasi, hingga micro-tools berbasis SaaS dengan dukungan penuh metode pembayaran lokal seperti QRIS dan e-wallet. Platform ini beroperasi dengan biaya administrasi transparan sebesar 3%, jauh lebih rendah dibandingkan kompetitor global, dan menangani seluruh alur transaksi mulai dari verifikasi pembayaran hingga pengiriman file otomatis dalam satu sistem terintegrasi.

Tech stack inti yang kami gunakan mencerminkan komitmen terhadap skalabilitas dan standar industri: Next.js dengan Tailwind CSS pada sisi frontend untuk server-side rendering dan desain responsif, Express.js sebagai layer REST API backend, MySQL dan PostgreSQL untuk persistensi data, serta Paymentku sebagai payment gateway lokal.

Sebagai Chief Technology Officer tim, saya bertanggung jawab atas seluruh arsitektur teknis platform. mulai dari setup infrastruktur, desain API, hingga fitur berbasis riset yang menjadi fokus utama artikel ini.

Masalah yang Mendorong Riset Ini

Ketika kami merancang fitur-fitur inti Selvo, kami menyertakan sistem periklanan berbasis pay-per-click (PPC) yang memungkinkan penjual mempromosikan produk mereka langsung di dalam platform. Berbeda dengan model pay-per-impression yang membebankan biaya tanpa memandang keterlibatan pengguna, PPC hanya menagih biaya ketika pengguna secara aktif mengklik iklan sebuah model yang menyelaraskan biaya langsung dengan indikasi niat nyata dari pengguna.

Dalam implementasi kami, kampanye iklan seorang penjual tetap aktif hingga jumlah klik yang telah ditentukan tercapai, bukan berakhir setelah durasi waktu tertentu. Ini memberi penjual kendali presisi atas seberapa banyak traffic yang akan diterima kampanye mereka. Namun, mekanisme ini langsung memunculkan pertanyaan yang tidak kami temukan jawaban langsungnya: jika seorang penjual menargetkan 500 klik, berapa pembelian yang bisa mereka harapkan secara realistis?

Ini bukan pertanyaan sepele. Seorang penjual yang hendak meluncurkan kampanye dengan anggaran yang terikat pada 500 klik perlu mengestimasi hasilnya sebelum berkomitmen. Tanpa forecast pembelian, mereka membuat keputusan finansial secara buta. Rata-rata conversion rate yang statis tidak cukup untuk tujuan ini ia hanya memberitahu penjual proporsi klik yang biasanya berkonversi, bukan volume pembelian absolut yang dapat mereka harapkan dari target klik tertentu. Yang dibutuhkan adalah model yang memetakan jumlah klik ke jumlah pembelian yang diperkirakan.

Kesenjangan inilah yang menjadi fokus proposal riset saya: sebuah model Simple Linear Regression (SLR) yang disematkan langsung ke dalam fitur periklanan PPC Selvo, memungkinkan penjual memasukkan target jumlah klik dan menerima forecast pembelian sebelum kampanye diluncurkan.

Mengapa Simple Linear Regression?

Pilihan model ini disengaja dan didorong oleh konteks. Selvo bukan Google Ads atau Taobao, kami membangun untuk marketplace skala kecil hingga menengah di mana penjual adalah kreator digital Indonesia, bukan tim marketing enterprise. Model yang kami terapkan harus dapat diinterpretasikan, transparan, dan dapat dipercaya oleh audiens non-teknis.

Simple Linear Regression memodelkan hubungan antara satu variabel independen dan satu variabel dependen kontinu melalui garis lurus terbaik:

Ŷ = β₀ + β₁X

Di mana Ŷ adalah prediksi jumlah pembelian, X adalah jumlah klik iklan, β₀ adalah intercept, dan β₁ adalah slope yang merepresentasikan marginal purchase rate per klik tambahan. Penjual tidak perlu memahami matematikanya untuk mempercayai outputnya: "jika kamu menargetkan 500 klik, kamu dapat mengharapkan sekitar 47 pembelian" adalah pernyataan yang dapat ditindaklanjuti oleh siapa pun.

Riset sebelumnya memvalidasi pendekatan ini. Studi yang menerapkan SLR pada data periklanan YouTube dan Instagram secara konsisten menemukan hubungan linear positif yang signifikan secara statistik antara metrik keterlibatan iklan dan hasil penjualan. Studi ini mengadaptasi kerangka tersebut dengan mengganti anggaran iklan menggunakan jumlah klik sebagai variabel independen mencerminkan logika operasional sistem berbasis klik di mana klik, bukan anggaran, adalah variabel kontrol utama.

Model yang lebih kompleks seperti ensemble methods atau per-user binary classifier mungkin mencapai peningkatan akurasi marginal, tetapi membutuhkan data perilaku pengguna yang ekstensif dan menghasilkan output yang sulit dijelaskan kepada penjual. Transparansi SLR bukan keterbatasan dalam konteks ini — ia adalah persyaratan desain.

Apa Artinya Ini bagi Penjual Selvo

Output riset ini bukan sebuah paper yang tersimpan di repositori akademik — melainkan sebuah fitur fungsional dalam sistem periklanan Selvo. Ketika seorang penjual membuka antarmuka pembuatan kampanye dan menetapkan target jumlah klik, model SLR menghasilkan forecast pembelian secara real-time. Angka tersebut mengubah sifat keputusan penjual dari sekadar tebakan menjadi pertimbangan bisnis yang terinformasi.

Hal ini sangat penting bagi kreator digital Indonesia berskala kecil yang mungkin baru pertama kali mencoba iklan berbayar. Seorang kreator yang menjual UI/UX kit atau modul edukasi tidak memiliki anggaran untuk menjalankan eksperimen dan belajar dari kampanye yang gagal. Forecast yang transparan dan berbasis data memberi mereka kepercayaan diri untuk berpartisipasi dalam sistem periklanan — dan untuk mengambil langkah lebih besar begitu mereka melihat bahwa prediksi terbukti akurat.

Dari sisi infrastruktur, model ini ringan dan mudah diintegrasikan. Parameter SLR yang telah dilatih — intercept dan slope — disimpan dan disajikan melalui backend Express.js, dengan prediksi dihitung on-demand setiap kali penjual memasukkan target klik. Tidak ada GPU, tidak ada infrastruktur model serving, tidak ada overhead latensi. Ini adalah alat yang tepat untuk konteksnya.

Refleksi Penutup

Membangun Selvo sebagai CTO tim mengajarkan saya bahwa rekayasa perangkat lunak yang baik tidak pernah hanya tentang membuat sesuatu bekerja melainkan tentang memahami siapa yang akan menggunakannya dan apa yang mereka butuhkan untuk mempercayainya. Fitur prediksi pembelian adalah komponen kecil dari platform yang lebih besar, tetapi ia merepresentasikan komitmen untuk membangun tools yang menghormati kecerdasan penggunanya dan mengurangi ketidakpastian yang mereka hadapi.

Artikel ini merupakan bagian dari kontribusi saya dalam proyek Selvo pada mata kuliah Proyek Perangkat Lunak Industri (RPL636) di bawah bimbingan Bapak Supardianto. Apresiasi juga saya sampaikan kepada rekan-rekan satu tim Ibnu Hanif Salsabila, Tyas Wening Ayu Sawitri, dan Rahel Simanjuntak yang kontribusinya di bidang user experience, information architecture, dan positioning pasar menjadikan Selvo produk yang koheren dan lengkap.

Penulis adalah mahasiswa program sarjana terapan di Teknologi Rekayasa Perangkat Lunak, Politeknik Negeri Batam. Artikel ini merefleksikan standar kompetensi industri yang diterapkan dalam kurikulum kami. Pelajari lebih lanjut di: https://if.polibatam.ac.id/teknologi-rekayasa-perangkat-lunak/