<![CDATA[Perkembangan pesat e-commerce, khususnya pada event-event spesial seperti Harbolnas dan Black Friday, mengarah pada permasalahan ketidakseimbangan data dalam klasifikasi transaksi. Pada hari biasa, jumlah transaksi lebih banyak dibandingkan dengan hari spesial, yang menyebabkan model machine learning cenderung bias. Penelitian ini bertujuan untuk membandingkan teknik-teknik oversampling seperti Random Oversampling, SMOTE, ADASYN, dan Borderline-SMOTE untuk menyeimbangkan data dalam klasifikasi transaksi e-commerce. Metode yang digunakan dalam penelitian ini adalah pendekatan kuantitatif, di mana dataset transaksi e-commerce diproses dengan berbagai teknik oversampling untuk memperbaiki ketidakseimbangan kelas. Data yang telah diproses kemudian digunakan untuk pelatihan model klasifikasi dengan algoritma Random Forest. Evaluasi dilakukan dengan metrik Precision, Recall, dan F1-Score untuk mengukur kinerja model dalam mengklasifikasikan data yang telah disesuaikan. Hasil penelitian menunjukkan bahwa teknik SMOTE memberikan hasil yang lebih baik dalam meningkatkan keseimbangan antara Precision, Recall, dan F1-Score, dibandingkan dengan teknik oversampling lainnya. Penelitian ini menyarankan penggunaan teknik SMOTE untuk meningkatkan akurasi dalam klasifikasi transaksi e-commerce pada hari spesial]]>
Copyrights © 2025
