Analisis Performa Algoritma Decision Tree Berbasis SMOTE untuk Klasifikasi Membership Tier Pelanggan E-Commerce

Authors

  • Nurul Faiqah Program Studi Bisnis Digital, Institut Teknologi dan Bisnis Kalla Makassar
  • Andi Dwi Aprilya Bastiar Program Studi Bisnis Digital, Institut Teknologi dan Bisnis Kalla Makassar
  • Rezty Amalia Aras Program Studi Bisnis Digital, Institut Teknologi dan Bisnis Kalla Makassar
  • Aulia Rahmawati Program Studi Bisnis Digital, Institut Teknologi dan Bisnis Kalla Makassar

Keywords:

Decision Tree, Membership Tier, Ketidakseimbangan Data, SMOTE Kustom

Abstract

Penelitian ini bertujuan untuk mengklasifikasikan membership tier menggunakan algoritma Decision Tree Classifier dengan optimasi teknik SMOTE kustom yang proporsional. Menggunakan dataset dari Kaggle yang mencakup 8.000 profil pelanggan dan 25.000 riwayat transaksi, teknik SMOTE kustom berhasil menyeimbangkan data latih dari 6.400 menjadi 8.800 sampel guna mengeliminasi bias kelas mayoritas (Free). Hasil pemodelan dengan pre-pruning (max_depth=4) menunjukkan bahwa rata-rata nilai pesanan (avg_order_value_usd) dengan ambang batas 66.232 USD menjadi akar penentu utama (root node). Evaluasi akhir melalui 5-Fold Cross Validation membuktikan skenario SMOTE kustom menghasilkan lonjakan nilai F1-Score Macro yang signifikan dibandingkan model konvensional. Model ini terbukti memiliki kemampuan generalisasi yang adil dan seimbang dalam mengenali kelas-kelas minoritas (Silver, Gold, dan Platinum), sehingga dapat dijadikan landasan strategis manajemen hubungan pelanggan (Customer Relationship Management) pada industri retail digital.

References

[1]Askarasoft, “Tren Pasar eCommerce Global 2025: Inovasi, Disrupsi, dan Peluang Baru.” Accessed: Jul. 08, 2026. [Online]. Available: https://id.linkedin.com/pulse/tren-pasar-ecommerce-global-2025-inovasi-disrupsi-dan-peluang-u369c

[2]J. Homepage, E. Sadiwa, A. A. Sayfuddin, S. Nabila, and A. Prasetya Nugraha, “Journal of Innovative and Creativity Pengaruh Relationsip Marketing Dan Customer Retention Terhadap Loyalitas Pelanggan Dan Customer Lifetime Value Universitas Ibnu Sina,” 2026.

[3]N. P. Wahyuni, N. N. K. Yasa, and I. Gst. Ngr. J. A. Widagda K, Konsep dan Studi Kasus NI PUTU WAHYUNI NI NYOMAN KERTI YASA I GST. NGR. JAYA AGUNG WIDAGDA K. 2025. 2025. [Online]. Available: www.mediapustakaindo.com

[4]K. Anam and A. R. Rinaldi, “KOMPARASI ALGORITMA MACHINE LEARNING DALAM KLASIFIKASI LOYALITAS NASABAH BANK BERBASIS PARTICLE SWARM OPTIMIZATION,” 2024. [Online]. Available: https://www.kaggle.com/

[5]R. Nicholas Reinaldo and S. Dwiasnati, “Prediction of Customer Data Classification by Company Category Using Decision Tree Algorithm (Case Study: PT. Teknik Kreasi Solusindo),” vol. 2, no. 2, doi: 10.38035/ijam.v2i2.

[6]M. K. Suraj, “Kaggle,” https://www.kaggle.com/datasets/meruvakodandasuraj/e-commerce-customer-behavior-and-sales-20202026.

[7]N. Patankar, S. Dixit, A. Bhamare, A. Darpel, and R. Raina, “Customer Segmentation Using Machine Learning,” Advances in Parallel Computing, vol. 39, pp. 239–244, 2021, doi: 10.3233/APC210200.

[8]C. Mulia et al., “Teknik SMOTE untuk Mengatasi Imbalance Class dalam Klasifikasi Bank Customer Churn Menggunakan Algoritma Naïve bayes dan Logistic Regression,” 2023.

[9]learn microsoft, “SMOTE.” Accessed: Jul. 08, 2026. [Online]. Available: https://learn.microsoft.com/id-id/azure/machine-learning/component-reference/smote?view=azureml-api-2

[10]Trivusi, “Decision Tree: Pengertian, Cara Kerja, Kelebihan, dan Kekurangannya.” Accessed: Jul. 08, 2026. [Online]. Available: https://www.trivusi.web.id/2022/06/algoritma-decision-tree.html

[11]B. H Shekar and Guesh Dagnew, 2019 Second International Conference on Advanced Computational and Communication Paradigms (ICACCP). IEEE, 2019.

Downloads

Published

2026-07-25

Issue

Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026

Section

Articles