Implementasi Algoritma Reduct Untuk Meningkatkan Akurasi Klasifikasi Pelanggan E-Commerce Menggunakan Metode Hybrid
Abstract
Pertumbuhan industri e-commerce menuntut strategi analitik yang semakin presisi, khususnya dalam mengklasifikasikan pelanggan untuk meningkatkan kepuasan dan loyalitas. Namun, kompleksitas data dan jumlah atribut yang tinggi menjadi tantangan signifikan dalam proses klasifikasi. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi pelanggan e-commerce melalui implementasi algoritma Reduct dalam skema metode hybrid. Algoritma Reduct, yang berbasis teori rough set, digunakan untuk mereduksi dimensi data tanpa mengorbankan informasi penting. Selanjutnya, fitur-fitur terpilih diolah menggunakan kombinasi model Gaussian Naive Bayes dan K-Nearest Neighbor (K-NN) dalam bentuk voting classifier. Data penelitian berasal dari dataset perilaku pelanggan e-commerce yang tersedia secara publik, mencakup atribut demografis dan transaksi. Evaluasi model dilakukan dengan metrik akurasi, precision, recall, dan F1-score, serta uji validasi menggunakan teknik train-test split dan K-fold cross-validation. Hasil penelitian menunjukkan bahwa model hybrid berbasis Reduct mampu meningkatkan akurasi klasifikasi secara signifikan dibandingkan pendekatan konvensional. Penggunaan metode hybrid tidak hanya meningkatkan performa prediktif tetapi juga mengurangi risiko overfitting dan meningkatkan efisiensi komputasi. Kontribusi utama penelitian ini terletak pada penggabungan seleksi fitur berbasis Reduct dengan metode klasifikasi machine learning sebagai pendekatan sistematis untuk pengambilan keputusan berbasis data. Temuan ini diharapkan memberikan manfaat praktis bagi pelaku e-commerce dalam merancang strategi pemasaran yang lebih personal dan efisien, serta memperluas kontribusi teoretis dalam bidang data mining dan klasifikasi pelanggan.
Kata kunci— E-Commerce, Klasifikasi Pelanggan, Reduct, Metode Hybrid, Feature Selection
References
Ananda, R. P., & Yuniawan, A. (2021). Studi Empiris Kepuasan Pelanggan E Commerce Secara Global. Syntax Literate: Jurnal Ilmiah Indonesia, 6(7), 3499-3510.
Ariani, F., & Taufik, A. (2020). Perbandingan Metode Klasifikasi Data Mining untuk Prediksi Tingkat Kepuasan Pelanggan Telkomsel Prabayar. SATIN - Sains dan Teknologi Informasi, 6(2), 46-55.
Firmansyah, & Yulianto, A. (2021). Prediksi Customer Churn Pada Bisnis Retail Menggunakan Algoritma Naïve Bayes. Riset dan E-Jurnal Manajemen Informatika Komputer, 6(1), 41-47.
Hasugian, A. H., Fakhriza, M., & Zukhoiriyah, D. (2023). Analisis Sentimen Pada Review Pengguna E-Commerce Menggunakan Algoritma Naïve Bayes. Jurnal Teknologi Sistem Informasi dan Sistem Komputer TGD, 6(1), 98 107.
Hermawati, V., & Sulaiman, R. (2021). Penentuan Segmentasi Pelanggan E Commerce Menggunakan Fuzzy C-Means Dan Model Fuzzy RFM. Jurnal Ilmiah Matematika, 09(01), 76-88.
Kemala, I., & Wijayanto, A. W. (2021). Perbandingan Kinerja Metode Bagging dan Non-Ensemble Machine Learning pada Klasifikasi Wilayah di Indonesia menurut Indeks Pembangunan Manusia. Jurnal Sistem dan Teknologi Informasi, 09(2), 269-275.
Limbong, J. J., Sembiring, I., & Hartomo, K. D. (2022). Analisis Klasifikasi Sentimen Ulasan Pada E-Commerce Shopee Berbasis World Cloud Dengan Metode Naive Bayes Dan K-Nearest Neighbor. Jurnal Teknologi Informasi dan Ilmu Komputer, 9(2), 347-356.
Maulana, F., Orisa, M., & Zahro', H. Z. (2021). Klasifikasi Data Produk Mebel Aneka Jaya Menggunakan Metode K-Nearest Neighbor Berbasis Web. Jurnal Mahasiswa Teknik Informatika, 5(2), 460-466.
Miao, M., Jalees, T., Zaman, S. I., Khan, S., Hanif, N.-u.-A., & Javed, M. K. (2021). The influence of e-customer satisfaction, e-trust and perceived value on consumer's repurchase intention in B2C e-commerce segment. Asia Pacific International Journal of Marketing, 34(10), 2184-2206.
Pranitasari, D., & Sidqi, A. N. (2021). Analisis Kepuasan Pelanggan Elektronik Shoppe Menggunakan Metode E-Service Quality dan Kartesius. Jurnal Akuntasi dan Manajemen, 18(02), 12-31.
Prasetyo, S. S., Mustafid, & Hakim, A. R. (2020). Penerapan Fuzzy C-Means Kluster Untuk Segmentasi Pelanggan E-Commerce Dengan Metode Recency Frequency Monetary (RFM). JURNAL GAUSSIAN, 9(4), 421 433.
Ramdani, R., Alpiansah, R., Komala, R., & Mulawarman, L. (2023). Kepuasan Mahasiswa Universitas Bumigora Terhadap Pelayanan E-Commerce. Journal of Digital Business, 01(02).
Salsabilla, T., & Adlina, H. (2023). Tantangan E-Commerce Dalam Transformasi Digital Pada UMKM Di Indonesia. Journal Business Administration, 2(2), 87-95.
Siddik, M., Hendri, Putri, R. N., Desnelita, Y., & Gustientiedina. (2020). Klasifikasi Kepuasan Mahasiswa Terhadap Pelayanan Perguruan Tinggi Menggunakan Algoritma Naïve Bayes. Journal of Information Technology and Computer Science, 3(2), 162-166.
Sihombing, L. O., Hannie, & Dermawan, B. A. (2021). Sentimen Analisis Customer Review Produk Shopee Indonesia Menggunakan Algoritma Naïve Bayes Classifier. Edumatic: Jurnal Pendidikan Informatika, 5(2), 233-242.
Sutisna, N., & Sutrisna. (2023). Implementasi Sistem Informasi dalam Mendukung Perilaku Pembelian Terhadap Keputusan Pembelian E Commerce. Jurnal MENTARI: Manajemen Pendidikan dan Teknologi Informasi, 2(1), 20-30.
Umar, R., Riadi, I., & Faroek, D. A. (2020). Komparasi Image Matching Menggunakan Metode K-Nearest Neighbor (KNN) dan Metode Support Vector Machine (SVM). Journal of Applied Informatics and Computing, 4(2), 124-131.
Yunitasari, Hopipah, H. S., & Mayasari, R. (2021). Optimasi Backward Elimination untuk Klasifikasi Kepuasan Pelanggan Menggunakan Algoritme k-Nearest Neighbor (k-NN) dan Naïve Bayes. Technomedia Journal, 6(1), 99-110.
