Skip to main navigation menu Skip to main content Skip to site footer
Business and Economics
DOI: 10.21070/acopen.8.2023.4023

Social Network Analysis: User Responses to Lazada Marketplace Promotions


Analisis Jaringan Sosial: Respon Pengguna terhadap Promosi di Lazada Marketplace

Universitas Muhammadiyah Sidoarjo
Indonesia
Universitas Muhammadiyah Sidoarjo
Indonesia

(*) Corresponding Author

User Responses Marketing Promotional Content Lazada Marketplace Social Network Analysis E-commerce Platforms

Abstract

This study employs qualitative research methods to measure and map user interactions with marketing promotional content on Lazada Marketplace, focusing on images related to vouchers, cashback offers, and flash sales. Data was collected from Twitter and analyzed using Wordij and Gephi to filter and process the data. Social Network Analysis (SNA) with Crawling Data was applied to determine user responses. The findings reveal the patterns of user interactions within the Lazada Marketplace, specifically in relation to vouchers, cashbacks, and flash sales. Furthermore, the study identifies the user response trends between 2018-2019 and 2020-2021, highlighting the marketing promotional content that received the most and least responses. Notably, the results indicate a significant user response to "cashback" marketing promotional content in 2020-2021, while user engagement with such content in 2018-2019 was relatively low. This study contributes to a better understanding of user behavior in response to marketing strategies and provides implications for optimizing promotional content on e-commerce platforms.

Highlights:

  • User engagement patterns: This study examines the interactions of Lazada Marketplace users with marketing promotional content, shedding light on the dynamics of user responses and engagement.
  • Cashback effectiveness: The research identifies the effectiveness of "cashback" marketing promotional content, revealing the extent to which users respond to such offers during different time periods.
  • Implications for optimization: The findings have practical implications for e-commerce platforms, providing insights into optimizing promotional strategies and content to enhance user engagement and maximize marketing effectiveness.

Keywords: User Responses, Marketing Promotional Content, Lazada Marketplace, Social Network Analysis, E-commerce Platforms

Pendahuluan

Proses berkembangnya teknologi yang mana telah banyak muncul diberbagai aplikasi yang sering interaktif antar user dan aplikasi, serta bisa melakukan pengembangan aplikasi yang bisa mendukung interaksi antar user. Aplikasi ini mudah untuk dianalisis dalam segi jejaring sosial yang terbentuk. Sebuah jejaring sosial mungkin memiliki database, yaitu jejaring sosial Twitter.[1][2] Dalam keunggulan di marketplace lazada adalah banyaknya promo-promo yang menarik seperti : ongkos kirim relative lebih murah, bisa COD tanpa banyak syarat dalam pembelian, ada penjual cross border (LazGlobal). Metode yang digunakan adalah Social Network Analysis (SNA), yang merupakan bagian dari teknik komputasi sosial untuk mengekstrak informasi dari data yang besar dan tidak terstruktur.[3] SNA adalah salah satu studi yang diselidiki yang membahas hubungan antara orang-orang menggunakan teori graf.[4] Penelitian yang dilakukan oleh dan penelitian yang dilakukan oleh adalah yang mana berisi tentang dimana kedua penelitian tersebut yang membandingkan marketplace untuk mengetahui keunggulan marketplace yang diminati oleh customer promosi. Sedangkan pada penelitian ini adalah mengukur konten-konten promosi yang sering dilakukan pada strategi promosi Lazada. Yang mana untuk mengetahui adanya dalam perbandingan promosi di lazada yang dapat membuat minat pembelian kepada customer. Maka dari itu dalam penelitian ini menggunakan metode Sosial Network Analysis (SNA) dengan menggunakan Big Data atau Crawling Data untuk mengetahui promosi manakah yang sering digunakan oleh customer. [4][1]

Metode Penelitian

Penelitian ini menggunakan metode analisis data social network analysis untuk mengetahui konten promosi voucher, cashback, flash sale dan hasil analisis jaringan social media twitter pada marketplace lazada.

Figure 1.Alur Penelitian

Identifikasi Masalah

Dalam identifikasi masalah yaitu metode yang mana dapat dilaksanakan pada pertama kali yaitu mencari suatu informasi, berita dan topik masalah yang akan dilakukan penelitian agar dapat melihat peran yang mempengaruhi platform twitter dalam sebuah hastag (#) dengan memakai metode pendekatan social network analysis (SNA).

Studi Literatur

Studi literatur merupakan kumpulan aktivitas dalam metode kumpulan data pustaka, memcatat, mengelolah, dan membaca sebagai alat melakukan penelitian. Tahapan yang dilakukan ini yaitu bertujuan untuk mencetuskan bermacam-macam teori serta data yang relevan dengan adanya masalah yang terjadi saat ini atau sebagai bahan yang akan diteliti serta sebagai rujukan dalam hasil dari penelitian tersebut. Secara Umum Studi Literatur yaitu jalan bagi penyelesaian suatu permasalahan dengan menggunakan cara yang mana dapat melakukan penelusuran yang bersumber tulisan yang pernah dibuat sebelumnya. Keterangan informasi terhadap data yang akan dipakai untuk melaksanakan penelitian yaitu berupa buku elektronik, jurnal internasional, dan penelitian atau riset terdahulu yang berkaitan bersama tema bahasan dari riset yang telah dilakukan. Seorang peneliti yang akan melakukan penelitian hendaklah harus memiliki pandangan serta wawasan yang luas terhadap objek yang hendak diteliti.

Penentuan Sosial Media

Penentuan Sosial Media adalah Proses menetapkan media sosial apa yang akan digunakan untuk mencari data yang dibutuhkan yang cukup penting dan strategis yang ada di dalam efektifitas kerja dengan memakai sosial media twitter.

Penentuan Konten Penelitian

Penentuan Konten Penelitian yaitu proses yang mana pertama kali menetapkan konten yang akan dilakukan penelitian agar dapat mengetahui objek pada akun Lazada di Twitter seperti voucher, cashback, dan flash sale yang akan dijadikan bahan penelitian ini.

Pengumpulan Data (Crawling Data Twitter)

Dalam tahapan penelitian ini yaitu melakukan pengumpulan sebuah data. Dengan melakukan pengumpulan data dilaksanakan dengan tujuan akan memperoleh sebuah data yang akan dilakukan dalam menganalisis sebuah riset. Dalam pengumpulan data yang harus dilakukan adalah menjalankan tools, kemudian mempersiapkan tema atau topik yang akan dicari seperti “voucher” “cashback” “flash sale” lalu dengan kode yang terbentuk teks yang didapatkan dalam aplikasi Google Research Colab, setelah itu kita bisa mendaptkan contoh tweet di akun twitter dimana posting dengan hashtag #Indonesia serta kata kunci dapat dilakukan dengan penambangan data menggunakan pengkodean penambangan dengan mengatur format.[1]

Processing Data

Langkah ini merupakan salah satu cara untuk mengolah data Excel yang diperoleh setelah memindai data Twitter dalam format .json. Kemudian Anda perlu mengkonversi data ke .csv dan kemudian membagi data yang ingin Anda impor menjadi 2 set data csv, yaitu data node stup tepi kumpulan data. Setelah mengimpor dua kumpulan data, Anda memvisualisasikan data dalam format Excel dan kemudian menghitung nilai property jaringan. Artinya, ia menghitung tiga nilai sentralitas (sentralisasi derajat, sentralisasi interpersonal, dan sentralitas kedeketan).

Normalization

Normalization adalah metode yang melakukan pemrosesan dalam penyusunan data relasional sesuai dengan rangkaian yang mana proses ini untuk mengurangi dan meningkatkan data yang ada.

Tokenizing

Tokenizing adalah metode pemisahan kata dalam kalimat untuk tujuan menganalisis teks lebih lanjut. Sebelum enkripsi, mereka biasanya melakukan proses case-folding (langkah yang mengubah teks ke bentuk standar) yang melibatkan penghapusan angka, tanda baca, dan spasi yang tidak perlu. Menerapkan proses enkripsi (teknik mengkonversikan data) tidak sesederhana ketika kita menggunakannya secara langsung dalam pengkodean. Karena pengkodean ini akan mengacu pada pemrosesan bahasa yang paling umum terjadi di Python, yang mendukung bahasa Indonesia secara umum, ini masih jarang. Namun tidak perlu khawatir karena python masih tersedia di library dan modul yang bisa kita gunakan untuk proses ini termasuk stopword.

Filtering

Filtering yaitu menyaringan kata dengan bantuan fungsi yang bertugas menguji setiap anggota iterable (objek kata yang sering muncul) yang mana bernilai True atau False.

Hasil Olah Data

Setelah dilakukan pengolahan data, didapatkan struktur jaringan dan beberapa kelompok topik yang terjadi dalam interaksi antar pengguna lazada. Dari struktur jaringan yang terbentuk, tahapan akhir penelitian yaitu dengan cara kita menjelaskan hasil analisis dan visualisasi yang telah diteliti dengan bantuan software gephi setelah itu dapat menyimpulkan data nilai property jaringan. yang mana dapat dihitung menggunakan metode Social Network Analysis dengan cara kita menunjukkan media promosi manakah yang paling berpengaruh dalam pola penyebaran dan interaksi dalam jaringan tweets yang menggunakan kata kunci Hastag #Indonesia. Pada cluster ini menggunkan kata yaitu “voucher”, “cashback”,dan “flash sale”. Kata ini merupakan kata dengan frekuensi kemunculan yang lebih rendah dibandingkan kata lainnya. Setelah itu dengan cara kita mencari data ditweet dengan katakata yang sering muncul.[5]

Analisis Jaringan

Analisis jaringan adalah bentuk analisis data penelitian untuk melakukan perencanaan pada suatu data dalam proyek yang akan digunakan di antara hasil olah data, dan besarnya pengaruh data yang satu terhadap data lainnya atara voucher,cashback dengan flashsale.

Merangkum Hasil Penelitian

Rangkuman Hasil Penelitian yaitu proses untuk mendapatkan bukti apakah metode SNA dengan crawling data di google colab dan menggunakan aplikasi ghepi memiliki pengaruh terhadap keuntungan antara organisasi dan perorangan secara digital dengan pemanfaatan internet, web dan aplikasi bisnis online, Media sosial menjadi hal penting di dunia maya dikarenakan media sosial memberikan wawasan dalam pemasaran di marketplace lazada.

Hasil dan Pembahasan

Gambar Umum Objek Penelitian

Penelitian ini adalah penelitian kualitatif dengan menggunakan data sekunder yang berasal dari Twitter. Objek dalam penelitian ini yaitu dengan melakukan hubungan user media sosial twitter terhadap marketplace Lazada. Dalam penelitian ini membutuhkan sebuah hastag atau tweet untuk mencari kunci pada akun user twitter yang akan digunakan sebagai data yang akan diuji, yang mana pada topic atau tema yang diambil dalam penelitian ini yaitu menggunakan konten promosi pemasaran yaitu ada tiga kriteria yang pertama voucher, yang kedua cashback, yang ketiga flash sale. Penelitian ini mengambil data pada tahun 2018-2019 dan pada tahun 2020-2021 yang mana data yang akan diambil sebanyak minimal 1000 pada setiap kriteria per tahun. Metode yang akan digunakan dalam penelitian ini yaitu menggunakan metode Social Network Analysis (SNA) dengan menggunakan big data. dalam menggunakan aplikasi ini dengan cara melakukan pengumpulan data yang disebut aplikasi berbasis bahasa python, yang memanfaatkan integrated development environment (IDE) dari google yang bernama google colab. Dalam penelitian ini yang mana data tersebut dibantu berbagai macam library dan tools pendukung. Library seperti SNScrape dan sebagainya. Kemudian untuk tools pendukung yang akan digunakan dalam penelitian ini adalah Google Colab, Kamus, Wordij, dan Gephi. [2][6]

Analisis Data dan Hasil Penelitian

Hasil data yang diperolah dari penarikan data (crawling) yang mana menunjukkan jumlah tweets sebagai berikut:

NO KONTEN PROMOSI TAHUN JUMLAH DATA
1 VOUCHER 2018-2019 12.816
2020-2021 13.890
2 CASHBACK 2018-2019 435
2020-2021 2.496
3 FLASH SALE 2018-2019 3.912
2020-2021 6.294
Table 1.Tabel Hasil Penarikan Konten Promosi

Menunjukkan bahwa jumlah tweets yang diperoleh dari hasil pemgumpulan data (crawling) tweets dengan kata kunci yang akan diteliti yaitu berfokus pada konten promosi seperti voucher, cashback, dan flash sale. Penelitian ini mengambil data pada tahun 2018-2019 dan pada tahun 2020-2021, sebanyak minimal 1000 data pada setiap kriteria per tahunnya, dengan memanfaatkan integrated development environment (IDE) dari google yang disebut dengan google collab. Data ini diperoleh dari kata kunci voucher sebanyak 12.816 data pada tahun 2018-2019, sedangkan pada tahun 2020-2021 kata kunci voucher sebanyak 13.890 data. Kemudian untuk kata kunci cashback memperoleh sebanyak 435 data pada tahu 2018-2029, sedangkan pada tahun 2020-2021 kata kunci cashback sebanyak 2.496 data. Dan untuk kata kunci flash sale sebanyak 3.912 data pada tahun 2018-2019, sedangkan pada tahun 2020-2021 kata kunci flash sale sebanyak 6.294 data.

Setelah melakukan proses pengumpulan data (crawling), proses yang dilakukan selanjutnya adalah preprocessing data yang bertujuan untuk menghilangkan tweets yang tidak relevan yang mana mempermudah untuk melakukan proses analisi, proses ini disebut dengan proses filtering yang mana menghilangkan kata yang tidak digunakan, kemudian diolah menggunakan wordij.

Pembahasan

Figure 2.Visualisasi Cashback 2018-2019

Figure 3.Visualisasi Cashback 2020-2021

Kesimpulan dari tahun 2018-2019 sebelum ada pandemic adalah para konsumen yang tidak sering membicarakan cashback dilazada, dan konsumen juga tidak sering menggunakannya dalam pembelian. Selain itu promo cashback di lazada memiliki fenomena yang menarik “credit” adalah saat melakukan pembayaran atau transaksi di lazada, tetapi konsumen kurang merespon karena konsumen lebih suka pembayaran secara langsung. Sedangkan di tahun 2020-2021 pada saat pandemic ialah para konsumen lebih sering membicarakan cashback, dan konsumen juga lebih sering menggunakan cashback dalam pembelian di marketplace lazada. Selain itu fenomena menarik “ovo” yang bisa digunakan saat pembayaran, dimana para konsumen akan mendapatkan bonus berupa point saat melakukan pembelian.[7]

Properti jaringan Nilai 2018-2019 Nilai 2020-2021
Nodes 105 116
Edges 85 321
Average Degree 1.619 5.534
Average Weighted Degree 4.514 63.897
Network Diameter 9 5
Modularity 0.552 0.232
Table 2.Nilai Jaringan Cashback

Menunjukkan nilai sifat jejaringan sosialPdengan kataPkunci “cashback” pada media sosial Twitter. Dari data, kita dapat mengetahui bahwaPnodes (system yang dapat dihubungkan ke jejaringan) dibentuk, menjelaskan pengguna yang menggunakan kata kunci “cashback” untuk berinteraksi di media sosial Twitter. PropertiPkedua yaituPedges (bagian dari garis yang dapat dilakukan terkait dengan titik) di mana properti ini menjelaskan pembahasan yang membicarakan tentang “cashback”, adapun jumlah properti edgesPyang terbentukPmengenai kata kunci ini. Properti jaringan yang ketiga yaitu average degree (jumlah rata-rata dalam hhubungan pengguna). Properti ini menjelaskan hubungan jumlah rata-rata pengguna dalam jaringan, jika nilai meningkat, hubungan antara pengguna juga semakin meningkat serta dapat meyebarkan informasi secara luas. Adapun properti jaringan yang keempat diukur pada jaringan ini adalah average weightedPdegree yang menjelaskan mengenai rata-rata nilai bobot pada hubungan antar jaringan. Properti jaringan yang kelima adalah network diameter yang mana properti ini menjelaskan jarak maksimal pada jaringan antar setiap nodes, semakin meningkatnya diameter jaringan, makaPsemakin lamaPinformasi tersebutPdapat tersebarPluas, yang memiliki arti bahwa jarak yang ditempuh untuk menyebarkan informasi tweet.pSerta dalam properti jaringan yang terakhir adalah modularityPyang mana mengukur seberapa baik jaringan terbagi menjadiPkomunitas, kataPkunci “cashback” artinya yang menunjukan akan adanya kelompok yang berbeda-beda terbentuk dalam jaringan “cashback” .[8]

1) Konten Promosi Pemasaran Terkait “Cashback”

Cashback merupakan hadiah poin yang yang diberikan perusahaan kepada customer setelah melakukan pembelian barang, dimana cashback tidak bisa diuangkan dan hanya bisa di pergunakan untuk berbelanja di aplikasi lazada. Hasil visualisasi konten “cashback” Di tahun 2018-2019 sebelum adanya pandemic, menunjukkan bahwa para konsumen lebih sedikit membicarakan cashback dan juga menggunakan cashback tersebut di lazada. Hal ini dikarenakan respon terhadap pembayaran atas pembelian sering muncul dan berhubungan. Fenomena yang lain pemberian cashback yang memiliki kuota terbesar berdasarkan jumlah pembelian. Kuota cashback ini diberikan dengan melakukan kode promo berupa cashback, dan potongan. Hasil visualisasi terkait fenomena pembelian cashback diatas sering muncul dan berhubungan, salah satu fenomena yang menarik adalah konten “credit” yaitu konten promosi pemasaran “cashback” yang bisa melakukan pembayaran secara di lazada, tetapi para konsumen kurang merespon dalam pembayaran credit dikarenakan konsumen lebih suka membayar secara langsung saat melakukan pembelian. Hasil visualisasi konten “cashback” Di tahun 2020-2021 pada saat pandemic, menunjukkan bahwa para konsumen sering membicarakan promo “cashback" dan penggunaan cashback tersebut di lazada. Hal ini dikarenakan respon terhadap pembayaran atas pembelian sering muncul dan berhubungan. Fenomena yang lain pemberian cashback yang bisa menggunakan aplikasi ovo saat melakukan pembelian di lazada. Aplikasi ovo di cashback ini diberikan dengan melakukan bonus promo berupa diskon, dan gratis ongkir. [9] Hasil visualisasi terkait fenomena pembelian cashback diatas sering muncul dan berhubungan, salah satu fenomena yang menarik untuk pelanggan yaitu “points” ialah konten promosi pemasaran “cashback” saat melakukan pembelian di lazada dan mendapatkan bonus berupa point. [10] Kesimpulan dari tahun 2018-2019 sebelum ada pandemic adalah para konsumen yang tidak sering membicarakan voucher dilazada, dan konsumen juga tidak sering menggunakannya dalam pembelian. Selain itu promo cashback di lazada memiliki fenomena yang menarik “credit” adalah saat melakukan pembayaran atau transaksi di lazada, tetapi konsumen kurang merespon karena konsumen lebih suka pembayaran secara langsung. Sedangkan di tahun 2020-2021 pada saat pandemicialah para konsumen lebih sering membicarakan cashback, dan konsumen juga lebih sering menggunakan cashback dalam pembelian di marketplacelazada. Selain itu fenomena menarik “ovo” yang bisa digunakan saat pembayaran, dimana para konsumen akan mendapatkan bonus berupa point saat melakukan pembelian. [9] [10]

2) Implikasi Hasil Penelitian

Implikasi hasil penelitian pada visualisasi tahun 2018-2021 pada konten promosi “cashback” dimana dalam fenomena ini sering membahas terkait pembayaran dengan mengunakan cashback tersebut, selain itu adanya fenomena yang menarik tentang pembahasan pembelian yang dilakukan secara cicil saat adanya promo. Sehingga marketplace lazada harus lebih menawarkan cashback terhadap konsumen untuk menggunakan promo tersebut supaya bisa meningkatkan marketplace lazada.

Simpulan

Berdasarkan hasil analisis dan implementasi yang telah dilakukan, antara berbeda:

Kesimpulan menunjukkan bahwa tweets yang diperoleh dari hasil pengumpulan data (crawling) tweets dengan kata kunci konten promosi seperti voucher, cashback, dan flash sale. Penelitian ini mengambil data saat adanya pandemic. Setelah itu dilakukan perbandingan konten promosi dengan kata kunci “cashback” saat adanya pandemic memiliki jumlah nilai nodes banyak menunjukkan bahwasannya banyak pengguna twitter yang membahas cashback pada media social. Sedangkan dalam edges juga memberikan bukti dengan banyak yang melakukan interaksi antar pengguna twitter mengenai “cashback” dimedia social. Serta average degree yang menggambarkan masing-masing pengguna didalam jaringan yang memiliki banyak hubungan sehingga dapat memperluas dalam penyebaran informasi terkait promosi dalam Lazada.

Kesimpulan pada visualisasi konten promosi dengan kata kunci voucher, cashback, flash sale ini sangat penting dalam menarik perhatian para konsumen, hal ini dikarenakan marketplace lazada harus memperhatikan konsumen dengan menggunakan voucher untuk meningkatkan daya tarik pembeli atas promo, serta menawarkan cashback terhadap konsumen untuk menggunakan promo tersebut supaya bisa meningkatkan marketplace lazada, dan meningkatkan system server pada saat promo flash sale berlangsung supaya konsumen bisa lebih nyaman dan cepat untuk berbelanja di marketplace lazada.

References

  1. Ramadhan, F. (2020). "Pemanfaatan Analisis Jaringan Sosial Dalam Penentuan Centrality Dalam Pengembangan Web Berita Online", Journal of Computer and Information Systems Ampera (Vols. Vol. 1, No. 3). Indonesia: https://doi.org/10.51519/journalcisa.v1i3.43.
  2. Azizah Pratika Sari, R. R. (2019). "Pengaruh E-Word Of Mouth Dan E-Trust Terhadap E-Purchase Decision Mahasiswa Universitas Negeri Padang Pada Marketplace Lazada".Jurnal EcoGen (Vols. Volume 2 ,Nomor 4). Palembang: http://dx.doi.org/10.24036/jmpe.v2i4.7844.
  3. Arifin, K. R. (2021). "EVENT FLASH SALE TERHADAP KEPUTUSAN BELANJA ONLINE SELAMA PANDEMI COVID-19 PADA MARKETPLACE SERTA IMPLIKASI PADA KEPUASAN KONSUMEN DI KOTA MALANG", JURNAL SAINS PEMASARAN INDONESIA (Vol. XX). https://doi.org/10.14710/jspi.v20i1.18-32.
  4. Made Kevin Bratawisnu, A. A. (2018). "SOCIAL NETWORK ANALYSIS UNTUK ANALISA INTERAKSI USER DIMEDIA SOSIAL MENGENAI BISNIS E-COMMERCE", JURNAL MANAJEMEN DAN BISNIS (ALMANA) (Vol. VOL. 2 NO.2). https://doi.org/10.36555/almana.v2i2.143.
  5. Ratna Kencana Putri, B. W. (2019). "IMPLEMENTASI ALGORITMA MODIFIED GUSTAFSON-KESSEL UNTUK CLUSTERING TWEETS PADA AKUN TWITTER LAZADA INDONESIA", JURNAL GAUSSIAN (Vols. Volume 8, Nomor 3). Diponegoro: https://doi.org/10.14710/j.gauss.v8i3.26708.
  6. Reza, F. (2016). "STRATEGI PROMOSI PENJUALAN ONLINE LAZADA.CO.ID", Jurnal Kajian Komunikasi (Vols. Volume 4, No. 1). Jakarta: https://doi.org/10.24198/jkk.v4i1.6179.
  7. Doli Witro, M. I.-R. (2021). "Kontestasi Marketplace di Indonesia pada Era Pandemi: Analisis Strategi Promosi Tokopedia, Shopee, Bukalapak, Lazada,dan Blibli dalam Pemulihan Ekonomi Nasional", Jurnal Kajian Ekonomi dan Keuangan Syariah (Vol. 2). https://doi.org/10.53491/oikonomika.v2i2.178.
  8. Herlina, J. L. (2021). "DAMPAK FLASH SALE COUNTDOWN TIMER DI MARKETPLACE ONLINE PADA KEPUTUSAN PEMBELIAN DENGAN MINAT BELI SEBAGAI INTERVENING", Jurnal Digismantech (Vol. Vol 1 (No. 1 )). http://dx.doi.org/10.30813/digismantech.v1i1.2616.
  9. Herlina, J. L. (2021). "PENGARUH MODEL PROMOSI FLASH SALE TERHADAP MINAT PEMBELI DAN KEPUTUSAN PEMBELI DI MARKETPLACE ONLINE", Jurnal Ilmiah MEA (Vol. 5). https://doi.org/10.31955/mea.vol5.iss2.pp1637-1652.
  10. Laksmira K Adhani, R. D. (2020). "PENGARUH WAKTU SEBELUM DAN SELAMA PANDEMI COVID-19 TERHADAP PERILAKU KONSUMEN BELANJA ONLINE". http://eprints.upnyk.ac.id/id/eprint/23988.
  11. Pina Wardani, P. R. (2022). "Strategi Pemasaran Online Alfamart Menghadapi Tantangan Selama Masa Pandemi Covid-19", Jurnal Ilmu Komputer, Ekonomi dan Manajemen (JIKEM) (Vol. 2).
  12. Priandewi, N. M. (2021). PENGARUH KUALITAS PRODUK, DESAIN PRODUK, DAN PROMOSI TERHADAP KEPUTUSAN PEMBELIAN PRODUK DI E-COMMERCE LAZADA, "Jurnal Ilmiah Ilmu Manajemen dan Kewirausahaan" (Vol. Volume 1 Nomor 2). Indonesia: https://doi.org/10.46306/vls.v1i2.34.