Abstrak— Pemanfaatan teknologi sejalan dengan jumlah
pengguna internet yang semakin bertambah menyebabkan
pergeseran ekosistem penjualan produk ke ranah perdagangan
elektronik (electronic commerce). Sebanyak 73,23 pelanggan
melakukan transaksi pembelian menggunakan e-commerce serta
produk yang paling banyak dibeli merupakan produk yang
tergolong dalam Fast Moving Consumer Goods (FMCGs). Data
FMCGs yang semakin bervariatif ditambah dengan jumlah
marketplace yang semakin banyak dirasa perlu diuraikan
menjadi kelompok-kelompok spesifik. Proses tersebut dilakukan
dengan cara menganalisis informasi produk e-commerce
khususnya nama dan deskripsi produk. Pada penelitian ini, kami
mengusulkan pengkategorian otomatis multi marketplace dengan
menggunakan data dari beberapa marketplace. Data teks diubah
menjadi data terstruktur dengan rangkaian preprocessing, serta
dilakukan eksperimen komprehensif untuk melihat kinerja
ekstraksi variabel diantaranya TF-IDF, BOW dan N-Gram.
Ketiga metode tersebut digunakan untuk memvalidasi kumpulan
data teks dengan hasil pengelompokan K-Means yang digunakan
dengan bantuan PCA untuk mereduksi dimensi data. Hasilnya
menunjukkan bahwa kinerja dari algoritma TF-IDF dengan nilai
reduksi dimensi 70 serta pemanfaatan python dapat memberikan
hasil yang optimal terhadap persentase pengelompokan data.