Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Prosiding Seminar Nasional Teknologi Informasi dan Bisnis
Bayu Tri Kusuma
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Duta Bangsa Surakarta
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering Physics

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

Found 1 Documents
Search

 1 
Klasifikasi Minat Beli Konsumen Terhadap Perangkat Elektronik Menggunakan Algoritma Decision Tree Rafi Alif Nur Safa; Muhammad Andi Ghalib; Muh Devano Alfarizy; Bayu Tri Kusuma
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Persaingan bisnis di era digital menuntut pengambilan keputusan berbasis data, termasuk dalam memprediksi minat beli konsumen terhadap produk elektronik yang selama ini sering bergantung pada intuisi subjektif. Penelitian ini bertujuan untuk mengembangkan Sistem Pendukung Keputusan (SPK) berbasis web menggunakan algoritma Decision Tree guna memprediksi minat beli pelanggan secara real-time sekaligus memberikan rekomendasi strategi pemasaran. Penelitian ini menerapkan metodologi Cross-Industry Standard Process for Data Mining (CRISP-DM) yang meliputi enam tahapan, mulai dari Business Understanding hingga Deployment. Pemodelan dilakukan menggunakan Predict Consumer Electronics Sales Dataset yang mencakup 9.000 data historis. Hasil evaluasi menunjukkan bahwa model Decision Tree memiliki performa sangat baik dengan akurasi pengujian (testing accuracy) 95,28%, precision 96%, recall 97%, dan F1-Score 96%. Selisih akurasi pelatihan (training accuracy) sebesar 95,32% yang minimal membuktikan model terhindar dari overfitting. Sebagai bentuk kontribusi, sistem ini memiliki keunggulan dalam melampaui tingkat akurasi penelitian terdahulu, sekaligus menawarkan kebaruan melalui integrasi langsung ke dalam antarmuka web interaktif berbasis Flask yang sangat responsif (rata-rata waktu respons 22,92 ms). Kesimpulannya, integrasi machine learning ke dalam SPK ini memfasilitasi peralihan pendekatan bisnis menjadi data-driven, sehingga efektif membantu manajemen toko ritel dalam mengoptimalkan strategi pemasaran secara tepat sasaran.
Co-Authors Muh Devano Alfarizy Muhammad Andi Ghalib Rafi Alif Nur Safa