<![CDATA[Pertumbuhan e-commerce di Indonesia yang pesat memunculkan tantangan baru bagi penyedia layanan untuk menjaga kepuasan pelanggan di tengah kompetisi yang semakin ketat. Penelitian ini bertujuan untuk mengembangkan model prediktif berbasis Extreme Gradient Boosting (XGBoost) dalam memprediksi kepuasan pelanggan e-commerce dengan memanfaatkan dataset nyata berskala besar. Dataset yang digunakan berasal dari Kaggle (E-Commerce Customer Satisfaction) yang mencakup lebih dari 100.000 transaksi dengan atribut seperti harga, biaya pengiriman, waktu pengiriman, serta ulasan pelanggan. Data diproses melalui tahapan pembersihan, encoding, normalisasi, dan feature engineering. Model XGBoost dibandingkan dengan Random Forest dan Logistic Regression untuk mengevaluasi performa prediksi. Hasil eksperimen menunjukkan bahwa XGBoost mencapai akurasi 92,4%, F1-score 90,6%, dan ROC-AUC 0,941, mengungguli kedua model pembanding. Analisis feature importance dan SHAP mengidentifikasi bahwa review score, freight value, dan delivery delay merupakan faktor dominan yang mempengaruhi kepuasan pelanggan. Temuan ini memiliki implikasi praktis bagi pelaku e-commerce untuk mengoptimalkan strategi logistik dan layanan pasca-pembelian dalam meningkatkan pengalaman pelanggan. Penelitian ini juga menekankan pentingnya pemanfaatan machine learning dalam pemantauan kepuasan secara real-time dan memberikan kontribusi bagi literatur ilmu data di bidang e-commerce Indonesia.]]>
Copyrights © 2025
