Implementasi Algoritma Reduct dan Decision Tree untuk Mengenali Pola Klasifikasi Pelanggan pada Sistem E-Commerce

Abstract

Pertumbuhan e-commerce membuat volume dan kompleksitas data transaksi pelanggan semakin tinggi. Hal ini bisa menurunkan kinerja dan interpretasi model klasifikasi jika terlalu banyak atribut digunakan. Penelitian ini bertujuan menerapkan algoritma Reduct berbasis Rough Set Theory sebagai metode seleksi atribut sebelum klasifikasi pelanggan dengan Decision Tree. Penelitian dilakukan secara kuantitatif menggunakan data transaksi pelanggan e-commerce dari Kaggle, yang terdiri dari 48 transaksi dan empat kategori produk. Proses penelitian ini dimulai dari pra-pemrosesan data, diskritisasi atribut numerik, Reduct untuk seleksi atribut guna memperoleh minimal reduct, konstruksi model Decision Tree, dan evaluasi model menggunakan metrik akurasi, presisi, recall, serta F1 - score. Hasilnya, algoritma Reduct berhasil mereduksi tujuh atribut menjadi dua atribut utama, yaitu Total Transaksi (Rp) dan Kategori Produk, tanpa mengurangi kemampuan klasifikasi. Model Decision Tree dengan atribut hasil reduksi menghasilkan struktur pohon yang lebih sederhana, mudah dipahami, dan kinerjanya lebih baik dibandingkan model tanpa reduksi atribut. Temuan menunjukkan bahwa integrasi Reduct dan Decision Tree berhasil menyederhanakan data sambil meningkatkan kualitas klasifikasi pelanggan e-commerce. Kata kunci: Reduct, Teori Himpunan Kasar, Decision Tree, Klasifikasi Pelanggan, E- Commerce

Kata kunci— Reduct, Rough Set Theory, Decision Tree, Klasifikasi Pelanggan, E-Commerce