Analisis Performa Algoritma Decision Tree Berbasis SMOTE untuk Klasifikasi Membership Tier Pelanggan E-Commerce

Nurul Faiqah (Program Studi Bisnis Digital, Institut Teknologi dan Bisnis Kalla Makassar)
Andi Dwi Aprilya Bastiar (Program Studi Bisnis Digital, Institut Teknologi dan Bisnis Kalla Makassar)
Rezty Amalia Aras (Program Studi Bisnis Digital, Institut Teknologi dan Bisnis Kalla Makassar)
Aulia Rahmawati (Program Studi Bisnis Digital, Institut Teknologi dan Bisnis Kalla Makassar)

Prosiding Seminar Nasional Teknologi Informasi dan Bisnis
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026

Penelitian ini bertujuan untuk mengklasifikasikan membership tier menggunakan algoritma Decision Tree Classifier dengan optimasi teknik SMOTE kustom yang proporsional. Menggunakan dataset dari Kaggle yang mencakup 8.000 profil pelanggan dan 25.000 riwayat transaksi, teknik SMOTE kustom berhasil menyeimbangkan data latih dari 6.400 menjadi 8.800 sampel guna mengeliminasi bias kelas mayoritas (Free). Hasil pemodelan dengan pre-pruning (max_depth=4) menunjukkan bahwa rata-rata nilai pesanan (avg_order_value_usd) dengan ambang batas 66.232 USD menjadi akar penentu utama (root node). Evaluasi akhir melalui 5-Fold Cross Validation membuktikan skenario SMOTE kustom menghasilkan lonjakan nilai F1-Score Macro yang signifikan dibandingkan model konvensional. Model ini terbukti memiliki kemampuan generalisasi yang adil dan seimbang dalam mengenali kelas-kelas minoritas (Silver, Gold, dan Platinum), sehingga dapat dijadikan landasan strategis manajemen hubungan pelanggan (Customer Relationship Management) pada industri retail digital.