Klasifikasi Minat Beli Konsumen Terhadap Perangkat Elektronik Menggunakan Algoritma Decision Tree
Keywords:
Sistem Pendukung Keputusan, Decision Tree, CRISP-DM, Minat Beli, Data Mining, Aplikasi WebAbstract
Persaingan bisnis di era digital menuntut pengambilan keputusan berbasis data, termasuk dalam memprediksi minat beli konsumen terhadap produk elektronik yang selama ini sering bergantung pada intuisi subjektif. Penelitian ini bertujuan untuk mengembangkan Sistem Pendukung Keputusan (SPK) berbasis web menggunakan algoritma Decision Tree guna memprediksi minat beli pelanggan secara real-time sekaligus memberikan rekomendasi strategi pemasaran. Penelitian ini menerapkan metodologi Cross-Industry Standard Process for Data Mining (CRISP-DM) yang meliputi enam tahapan, mulai dari Business Understanding hingga Deployment. Pemodelan dilakukan menggunakan Predict Consumer Electronics Sales Dataset yang mencakup 9.000 data historis. Hasil evaluasi menunjukkan bahwa model Decision Tree memiliki performa sangat baik dengan akurasi pengujian (testing accuracy) 95,28%, precision 96%, recall 97%, dan F1-Score 96%. Selisih akurasi pelatihan (training accuracy) sebesar 95,32% yang minimal membuktikan model terhindar dari overfitting. Sebagai bentuk kontribusi, sistem ini memiliki keunggulan dalam melampaui tingkat akurasi penelitian terdahulu, sekaligus menawarkan kebaruan melalui integrasi langsung ke dalam antarmuka web interaktif berbasis Flask yang sangat responsif (rata-rata waktu respons 22,92 ms). Kesimpulannya, integrasi machine learning ke dalam SPK ini memfasilitasi peralihan pendekatan bisnis menjadi data-driven, sehingga efektif membantu manajemen toko ritel dalam mengoptimalkan strategi pemasaran secara tepat sasaran.
References
[1]D. Lase, Y. Absah, P. Lumbanraja, Y. Giawa, and F. Gulo, “Infrastruktur Digital dalam Perspektif Konseptual: Kajian Teoretis, Temuan Empiris, dan Agenda Riset Masa Depan,” Tuhenori J. Ilm. Multidisiplin, vol. 3, no. 1, pp. 80–94, 2025, doi: 10.62138/tuhenori.v3i1.131.
[2]A. Saputra Zega and F. A. Sianturi, “Pemanfaatan Big Data Dalam Sistem Pendukung Keputusan Bisnis,” J. Kolaborasi Sains dan Ilmu Terap., vol. 3, no. 2, pp. 2025–2060, 2025, [Online]. Available: https://utilityprojectsolution.org/ejournal/index.php/JuKSIT
[3]M. L. Nuryana, T. Ibrahim, and O. Arifudin, “Implementasi dan trasnformasi sistem informasi di era digital,” J. Tahsinia, vol. 5, no. 9, pp. 1325–1337, 2024.
[4]T. Susilawati and A. Budi Trisnawan, “Pemanfaatan Machine Learning untuk Peningkatan Akurasi Sistem Pendukung Keputusan Prediktif,” J. Unitek, vol. 18, no. 2, p. 2025, 2025.
[5]R. Nurzuli, F. F. Syifa, and R. Adawiyah, “Support Vector Machine sebagai Sistem Pendukung Keputusan Pemilihan Jurusan Berbasis Website pada SMK NU Hasyim Asy ’ ari Tarub Informasi Artikel siswa Sekolah Menengah Kejurusan ( SMK ) karena berkaitan langsung dengan arah pengangguran lulusan SMK yang ,” vol. 4, no. 2, pp. 290–306, 2025, doi: 10.55123/jumintal.v4i2.6850.
[6]R. El Kharoua, ? “Predict Consumer Electronics Sales Dataset ?,” 2024, Kaggle. doi: 10.34740/KAGGLE/DSV/8733281.
[7]F. A. Artanto, I. Rosyadi, S. E. Rahmawati, and H. T. B. J. Pangestu, “Decision Tree Dalam Analisis Keputusan Pembelian Program Pada Perkumpulan Penggiat Programmer Indonesia,” J. Fasilkom, vol. 12, no. 3, pp. 141–144, 2022, doi: 10.37859/jf.v12i3.3948.
[8]R. Chandra and W. J. Kurniawan, “Memprediksi Penjualan Perangkat Elektronik Menggunakan Metode Fuzzy Tsukamoto,” J. Mhs. Apl. Teknol. Komput. dan Inf., vol. 4, no. 1, pp. 1–7, 2022.
[9]R. T. Handayanto and H. Herlawati, “Machine Learning Berbasis Desktop dan Web dengan Metode Jaringan Syaraf Tiruan Untuk Sistem Pendukung Keputusan,” J. Komtika (Komputasi dan Inform., vol. 4, no. 1, pp. 15–26, 2020, doi: 10.31603/komtika.v4i1.3698.
[10]A. A. Prayoga, M. Hasanuddin, S. Khodijah, and C. A. Rizki, “Analisis Penerapan Machine Learning dalam Sistem Prediksi dan Pengambilan Keputusan,” vol. 1, no. 3, pp. 84–90, 2025.
[11]Y. L. Fatma and N. Rochmawati, “Prediksi Siswa Putus Sekolah Menggunakan Algoritma Decision Tree C4.5,” J. Informatics Comput. Sci., vol. 5, no. 04, pp. 486–493, 2024, doi: 10.26740/jinacs.v5n04.p486-493.
[12]N. Shabir Ramadhan, W. Nadia Nursafitri, T. Informasi dan Komputer, S. Informasi, and P. Negeri Subang, “INVENTOR: Jurnal Inovasi dan Tren Pendidikan Teknologi Informasi Analisis Klasifikasi UKT Mahasiswa Berdasarkan Tingkat Penghasilan Orang Tua Menggunakan Algoritma C4.5,” Invent. J. Inov. dan Tren Pendidik. Teknol. Inf., vol. 2, no. 1, pp. 1–9, 2024, [Online]. Available: https://ejournal.tsb.ac.id/index.php/inventorhttps://doi.org/10.37630/inventor.v1i3.1248
[13]C. Schröer, F. Kruse, and J. M. Gómez, “A systematic literature review on applying CRISP-DM process model,” Procedia Comput. Sci., vol. 181, no. 2019, pp. 526–534, 2021, doi: 10.1016/j.procs.2021.01.199.
[14]R. Wirth, “CRISP-DM : Towards a Standard Process Model for Data Mining,” Proc. Fourth Int. Conf. Pract. Appl. Knowl. Discov. Data Min., no. 24959, pp. 29–39, 2000.
[15]F. Martinez-Plumed et al., “CRISP-DM Twenty Years Later: From Data Mining Processes to Data Science Trajectories,” IEEE Trans. Knowl. Data Eng., vol. 33, no. 8, pp. 3048–3061, 2021, doi: 10.1109/TKDE.2019.2962680.
[16]Muraina and I. Olaniyi, “Ideal Dataset Splitting Ratios in Machine Learning Algorithms :,” 7th Int. Mardin Artuklu Sci. Res. Conf., no. February, pp. 496–504, 2022.
[17]V. R. Joseph and A. Vakayil, “SPlit: An Optimal Method for Data Splitting,” Technometrics, vol. 64, no. 2, pp. 166–176, 2022, doi: 10.1080/00401706.2021.1921037.
