@phdthesis{universitasamikomyogyakarta32156,
           title = {ANALISIS KOMPARATIF ALGORITMA MACHINE 
LEARNING UNTUK KLASIFIKASI PERILAKU BELANJA
KONSUMEN PADA E-COMMERCE},
           month = {February},
          author = {Aisha Aryani},
          school = {Universitas AMIKOM Yogyakarta},
            year = {2026},
             url = {https://eprints.amikom.ac.id/id/eprint/32156/},
        keywords = {E-commerce, Perilaku belanja konsumen, Machine learning,        
Klasifikasi, Prediksi, Consumer shopping behavior, Classification, Prediction.},
        abstract = {Perkembangan pesat e-commerce menghasilkan data transaksi dalam
jumlah besar yang mencerminkan perilaku belanja konsumen, namun kompleksitas
data serta ketidakseimbangan kelas antara konsumen yang berlangganan dan tidak
berlangganan menjadi permasalahan dalam proses analisis dan pemodelan         
klasifikasi. Kondisi ini dapat menyebabkan model cenderung bias terhadap kelas
mayoritas sehingga menurunkan kemampuan dalam mengenali karakteristik             
konsumen secara menyeluruh dan berdampak pada kurang optimalnya strategi
pemasaran berbasis data. Penelitian ini bertujuan untuk memprediksi status               
berlangganan konsumen e-commerce serta membandingkan kinerja beberapa             
algoritma machine learning dalam mengklasifikasikan perilaku belanja konsumen.
Dataset yang digunakan terdiri dari 3.900 data dengan 18 atribut yang                       
merepresentasikan karakteristik transaksi dan perilaku belanja. Metode penelitian
meliputi Exploratory Data Analysis (EDA), pembersihan data, penanganan                  
Outlie rmenggunakan metode Outlier capping berbasis Interquartile Range (IQR),
encoding fitur kategorikal menggunakan One-hot encoding, pembagian data
dengan metode stratified Train-test split, Feature scaling menggunakan                    
StandardScaler, serta penyeimbangan data latih menggunakan metode SMOTE. 
Selanjutnya, proses pemodelan dilakukan menggunakan algoritma Naive Bayes,      
Logistic regression, dan Random forest dengan evaluasi kinerja berdasarkan metrik
accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa 
ketiga algoritma mampu memprediksi status berlangganan konsumen dengan                
performa yang baik, di mana Naive Bayes menghasilkan kinerja terbaik                           
berdasarkan nilai F1-score. Hasil penelitian ini dapat dimanfaatkan oleh pelaku              
e-commerce sebagai dasar pengambilan keputusan strategis dalam pengelolaan
pelanggan dan penyusunan strategi pemasaran berbasis data.}
}