<![CDATA[Penelitian ini bertujuan mengevaluasi pengaruh pembobotan kelas dan optimasi ambang keputusan terhadap kinerja regresi logistik dalam memprediksi pembelian pada e-commerce. Penelitian menggunakan Online Shoppers Purchasing Intention Dataset yang terdiri atas 12.330 sesi kunjungan dengan distribusi kelas tidak seimbang. Empat skenario dievaluasi, yaitu regresi logistik standar dan berbobot kelas, masing-masing menggunakan ambang keputusan 0,5 dan ambang optimal. Data dibagi secara stratifikasi menjadi data pelatihan dan pengujian dengan proporsi 80:20. Ambang optimal ditentukan berdasarkan F1-score dari prediksi out-of-fold pada data pelatihan. Hasil menunjukkan bahwa regresi logistik berbobot kelas dengan ambang optimal menghasilkan F1-score tertinggi sebesar 0,6306, dengan akurasi 0,8755, precision 0,5835, recall 0,6859, dan ROC-AUC 0,8962. Sebaliknya, regresi logistik standar dengan ambang 0,5 menghasilkan akurasi tertinggi sebesar 0,8812, tetapi recall hanya 0,3560. Analisis sensitivitas menunjukkan bahwa penghapusan variabel PageValues menurunkan F1-score model terbaik menjadi 0,3902. Temuan ini menunjukkan bahwa pembobotan kelas dan optimasi ambang dapat meningkatkan keseimbangan precision dan recall, sedangkan penggunaan PageValues perlu mempertimbangkan ketersediaan informasi pada waktu prediksi. ]]>
Copyrights © 2026
