Prediksi Pembelian E-Commerce Menggunakan XGBoost Berbasis Perilaku Sesi Pengguna

Syalaiza Nizar Ruscikasani; Raden Roro Najwa Oktalivia; Firman Restu Putra; Ahmad Jurnaidi Wahidin; Beni Rahmatullah; Ika Kurniawati

doi:10.31004/riggs.v4i4.4287

Authors

Syalaiza Nizar Ruscikasani Universitas Bina Sarana Informatika
Raden Roro Najwa Oktalivia Univeritas Bina Sarana informatika
Firman Restu Putra Universitas Bina Sarana Informatika
Ahmad Jurnaidi Wahidin Universitas Bina Sarana Informatika
Beni Rahmatullah Universitas Bina Sarana Informatika
Ika Kurniawati Universitas Nusa Mandiri

DOI:

https://doi.org/10.31004/riggs.v4i4.4287

Keywords:

Pembelian E-Commerce, Perilaku Sesi Pengguna, XGBoost, Prediksi Konversi, Machine Learning

Abstract

Penelitian ini membahas pemodelan prediksi pembelian pada platform e-commerce dengan memanfaatkan algoritma Extreme Gradient Boosting (XGBoost) berbasis data perilaku sesi pengguna. Dataset yang digunakan terdiri dari 12.719 sesi pengguna dengan sejumlah atribut perilaku, meliputi waktu kunjungan (Timestamp), durasi interaksi halaman (TimeOnPage_seconds), sumber rujukan (ReferralSource), tipe perangkat (DeviceType), tipe halaman (PageType), negara asal pengguna, serta jumlah item dalam keranjang belanja. Tahap prapengolahan data dilakukan untuk meningkatkan kualitas dataset sebelum pemodelan. Atribut numerik diproses menggunakan imputasi median guna menangani nilai hilang secara stabil terhadap outlier, sedangkan fitur kategorikal ditransformasikan menggunakan ordinal encoding agar sesuai dengan karakteristik algoritma berbasis pohon. Dataset selanjutnya dibagi menjadi data latih dan data uji dengan rasio 80:20 menggunakan teknik stratified split untuk menjaga proporsi kelas pada variabel target. Model XGBoost dilatih menggunakan parameter terkalibrasi dan dievaluasi menggunakan metrik akurasi, precision, recall, F1-score, dan ROC-AUC. Hasil evaluasi menunjukkan bahwa model mencapai akurasi sebesar 0,785 dan ROC-AUC sebesar 0,804, yang menandakan kemampuan diskriminasi yang baik dalam membedakan sesi yang berpotensi menghasilkan pembelian. Analisis feature importance berbasis gain mengungkapkan bahwa fitur Timestamp dan TimeOnPage_seconds merupakan faktor paling berpengaruh dalam pembentukan prediksi. Visualisasi pohon keputusan memberikan pemahaman tambahan mengenai mekanisme pemisahan fitur pada model. Temuan ini menunjukkan bahwa data perilaku sesi pengguna dapat dimanfaatkan secara efektif untuk mendukung prediksi konversi serta menjadi dasar pengembangan sistem rekomendasi dan strategi pemasaran e-commerce yang lebih adaptif.

Downloads

Download data is not yet available.

Author Biography

Raden Roro Najwa Oktalivia, Univeritas Bina Sarana informatika

Mahasiswa Teknik Informatika dengan minat pada analisis data, machine learning, dan pengembangan aplikasi berbasis web maupun mobile. Aktif melakukan penelitian terkait prediksi perilaku pengguna, pemodelan data, dan penerapan algoritma pembelajaran mesin dalam konteks e-commerce.

References

J. Dwi, S. Amory, M. Mudo, and J. Rhena, “Transformasi Ekonomi Digital dan Evolusi Pola Konsumsi : Tinjauan Literatur tentang Perubahan Perilaku Belanja di Era Internet,” vol. 14, pp. 28–37, 2025.

“E-COMMERCE AND ECONOMIC GROWTH IN INDONESIA: ANALYSIS OF PANEL DATA REGRESSION Kandi Dwi Pratiwi 1,” vol. 7, pp. 171–186, 2022.

A. V. Bharathi, J. M. Rao, and A. K. Tripathy, “Click Stream Analysis in e-Commerce Websites-a Framework,” 2018 Fourth Int. Conf. Comput. Commun. Control Autom., pp. 1–5, 2018.

L. Bigon and C. Greco, “Prediction is very hard , especially about conversion . Predicting user purchases from clickstream data in fashion e-commerce Prediction is very hard , especially about conversion * Predicting user purchases from clickstream data in fashion e-commerce,” 2025.

M. T. Nuseir, G. A. El Refae, A. Aljumah, M. Alshurideh, S. Urabi, and B. Al Kurdi, “and the Impact on Customer Experience : A Systematic Review,” 2023.

T. Chen and C. Guestrin, “XGBoost : A Scalable Tree Boosting System,” pp. 785–794, 2016, doi: 10.1145/2939672.2939785.

T. Nyata, “APPLICATION OF XGBOOST ALGORITHM FOR PREDICTING CUSTOMER,” vol. 1, pp. 50–59, 2025, doi: 10.64476/jtbc.v1i1.5.

R. Winurputra and D. E. Ratnawati, “PERAMALAN PENJUALAN PRODUK MENGGUNAKAN EXTREME GRADIENT BOOSTING ( XGBOOST ) DAN KERANGKA KERJA CRISP-DM UNTUK PENGOPTIMALAN MANAJEMEN PERSEDIAAN ( STUDI KASUS : UB MART ) PRODUCT SALES FORECASTING USING EXTREME GRADIENT BOOSTING ( XGBOOST ) AND CRISP-DM FRAMEWORK FOR INVENTORY MANAGEMENT OPTIMIZATION ( CASE STUDY : UB MART ),” vol. 12, no. 2, pp. 417–428, 2025, doi: 10.25126/jtiik.2025129451.

I. G. Ayu, R. Astarani, and I. G. Surya, “Analisis Perbandingan XGBoost dan LightGBM dalam Prediksi Penjualan Ritel Walmart Store Sales,” vol. 3, no. Ml, pp. 717–728, 2025.

M. Imani and A. Beikmohammadi, “Comprehensive Analysis of Random Forest and XGBoost Performance with SMOTE , ADASYN , and GNUS Under Varying Imbalance Levels,” no. Ml, pp. 1–40, 2025.

W. Wang et al., “A User Purchase Behavior Prediction Method Based on XGBoost,” 2023.

N. Hesvindrati, A. Aminuddin, J. Mahadhni, A. Pambudi, and B. Sudaryatno, “International Journal of Current Science Research and Review Behavior-Based Purchase Intent Prediction in E-Commerce : A Machine Learning Approach Corresponding Author : Agung Pambudi Corresponding Author : Agung Pambudi,” vol. 08, no. 08, pp. 3970–3980, 2025, doi: 10.47191/ijcsrr/V8-i8-03.

J. Li et al., “Comparison of the effects of imputation methods for missing data in predictive modelling of cohort study datasets,” pp. 1–9, 2024, doi: 10.1186/s12874-024-02173-x.

M. Albaladejo-saura, R. Vaquero-crist, J. Alfonso, and F. Esparza-ros, “applied sciences Influence of Maturity Status on Kinanthropometric and Physical Fitness Variables in Adolescent Female Volleyball Players,” 2022.

K. Valtanen et al., “ScienceDirect ScienceDirect Matching Circularity Improvements and Digital Product Passport Viewpoints : Insights from Three Industrial Case Studies,” Procedia Comput. Sci., vol. 253, no. 2024, pp. 1720–1729, 2025, doi: 10.1016/j.procs.2025.01.234.

R. Shwartz-ziv, “T d : d l n a y n,” 2021.

L. Gan, “XGBoost-Based E-Commerce Customer Loss Prediction,” vol. 2022, 2022.