<![CDATA[Perkembangan analisis data konsumen mendorong penerapan teknik machine learning untuk memahami pola pembelian produk. Penelitian ini menerapkan pendekatan Hybrid Ensemble Learning berbasis stacking dengan metode kuantitatif eksperimental pada Bike Buyers Dataset dari Kaggle yang berisi 1000 data pelanggan dengan 13 variabel demografis dan perilaku. Tahapan penelitian mencakup eksplorasi dan praproses data melalui imputasi median, One-Hot Encoding, dan penyeimbangan kelas menggunakan SMOTE untuk mengatasi ketidakseimbangan data. Empat algoritma utama, yaitu Random Forest, XGBoost, LightGBM, dan CatBoost, digabungkan menggunakan Logistic Regression sebagai meta-model dalam kerangka stacking ensemble. Validasi dilakukan dengan Repeated Stratified K-Fold untuk menjamin kestabilan hasil. Model hybrid terbukti memberikan hasil prediksi yang lebih akurat dan seimbang dibanding model tunggal, serta memiliki potensi diterapkan dalam pengembangan sistem pendukung keputusan berbasis data perilaku konsumen. Keywords: Hybrid Ensemble, Stacking, Machine Learning, Bike Buyers, Prediksi Penjualan.]]>
Copyrights © 2024
