IMPLEMENTASI Q-LEARNING UNTUK OPTIMALISASI STRATEGI PENETAPAN HARGA PRODUK

Abstract

Strategi penetapan harga merupakan aspek krusial dalam pengelolaan bisnis modern, terutama dalam menghadapi dinamika pasar yang cepat berubah. Penelitian ini mengusulkan penerapan algoritma Q-Learning, salah satu metode Reinforcement Learning (RL), untuk mengoptimalkan strategi harga produk secara adaptif. Model dikembangkan dalam lingkungan simulasi yang merepresentasikan kondisi penjualan produk berbasis data historis dari perusahaan retail Digzi. Hasil penelitian menunjukkan bahwa agen Q-Learning mampu menyesuaikan harga secara optimal dalam merespons perubahan permintaan, serta memberikan peningkatan profit sebesar sekitar 37,5% dibandingkan dengan strategi konvensional seperti penetapan harga tetap. Evaluasi dilakukan menggunakan reward kumulatif dan analisis konvergensi Q-table untuk mengukur efektivitas model dalam pengambilan keputusan adaptif. Penelitian ini memperkuat potensi penerapan machine learning dalam pengambilan keputusan bisnis yang dinamis dan berbasis data, khususnya dalam konteks penetapan harga produk yang fleksibel dan responsif terhadap pasar.