KLASIFIKASI KATEGORI PRODUK PEMBELIAN BERIKUTNYA PADA DATA TRANSAKSI RITEL MENGGUNAKAN RANDOM FOREST DENGAN PENDEKATAN RFM DAN FITUR SEKUENSIAL

Abstract

Penelitian ini menilai penggunaan Random Forest untuk melakukan klasifikasi kategori produk pembelian berikutnya pada data transaksi ritel fisik dengan memanfaatkan fitur RFM dan fitur sekuensial. Tujuan penelitian ini adalah membangun model prediksi yang akurat serta membandingkan kinerjanya dengan model dasar untuk mencapai peningkatan F1-score. Penelitian ini menggunakan algoritma Random Forest dengan pendekatan RFM yang dipadukan dengan informasi kategori pembelian terakhir dan interval pembelian sebagai fitur utama. Data transaksi ritel diolah untuk membentuk label kategori berikutnya sehingga model dapat belajar dari urutan perilaku pelanggan. Hasil penelitian menunjukkan bahwa model mencapai akurasi 38,16% dengan variasi nilai precision, recall, dan F1-score pada tiap kategori akibat ketidakseimbangan kelas. Uji cross-validation menunjukkan model stabil tanpa tanda overfitting. Analisis feature importance menampilkan bahwa recency, frequency, monetary, kategori terakhir, dan pola interval pembelian memiliki peran dominan dalam prediksi, yang sejalan dengan teori perilaku konsumen. Temuan ini membuktikan bahwa metode berbasis fitur tetap efektif untuk memprediksi perilaku pelanggan pada ritel fisik. Penelitian ini memberi kontribusi akademik berupa bukti empiris mengenai relevansi pendekatan Random Forest pada prediksi pembelian berikutnya serta memberikan manfaat praktis bagi pengambilan keputusan strategis, khususnya dalam perencanaan promosi dan pengelolaan persediaan.