Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika)
Abdul Latif
Sistem Informasi Kampus Kota Pontianak, Universitas Bina Sarana Informatika
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
ANALISIS KINERJA ALGORITMA ENSEMBLE DALAM PREDIKSI PERILAKU PEMBELIAN PELANGGAN Abdul Latif; Siti Khotimatul Wildah
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 1 (2025): JATI Vol. 9 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i1.12413

Abstract

Prediksi perilaku pembelian pelanggan merupakan salah satu aspek terpenting dalam menentukan efektivitas strategi pemasaran sebuah perusahaan. Dalam dunia bisnis, kemampuan untuk memprediksi pola pembelian pelanggan sangat memengaruhi keputusan strategis, seperti pengelolaan inventaris dan personalisasi penawaran. Selain melakukan prediksi perilaku pembelian, pemilihan model atau algoritma yang digunakan juga menjadi faktor krusial dalam memastikan hasil prediksi yang akurat. Penelitian ini menguji kinerja empat algoritma ensemble, yaitu Gradient Boosting, AdaBoost, XGBoost, dan LightGBM, menggunakan dataset perilaku pembelian pelanggan yang mencakup berbagai atribut relevan. Hasil analisis menunjukkan bahwa algoritma ensemble memberikan performa yang sangat baik dalam memprediksi perilaku pembelian pelanggan. Gradient Boosting memberikan nilai akurasi tertinggi sebesar 92,94% dengan tingkat konsistensi yang baik dengan nilai standar deviasi sebesar 0, 0119, diikuti oleh XGBoost dengan akurasi 92,87% dan standar deviasi sebesar 0,0281, AdaBoost sebesar 92,53% dan standar deviasi sebesar 0, 0137serta LightGBM mencapai akurasi sebesar 92,00% dan standar deviasi sebesar 0, 0296. Gradient Boosting terbukti unggul dalam menghasilkan prediksi yang akurat dan konsisten, sementara XGBoost dan LightGBM menawarkan kecepatan dan efisiensi yang tinggi.
Co-Authors Siti Khotimatul Wildah