KLASIFIKASI METODE PEMBAYARAN PELANGGAN MENGGUNAKAN METODE XGBOOST

Meningkatnya penggunaan metode pembayaran digital dalam transaksi penjualan menunjukkan pentingnya analisis untuk memahami perilaku pembayaran pelanggan. Salah satu permasalahan yang sering muncul dalam data transaksi adalah ketidakseimbangan jumlah kelas antara metode pembayaran Cash dan Card, di mana transaksi Cash jauh lebih dominan sehingga model klasifikasi cenderung bias terhadap kelas mayoritas. Penelitian ini bertujuan mengklasifikasikan metode pembayaran pelanggan pada CV Ekasa Technology serta menganalisis pengaruh penanganan data tidak seimbang terhadap performa model klasifikasi.
Penelitian ini menggunakan algoritma XGBoost dengan penerapan Synthetic Minority Over-sampling Technique (SMOTE) untuk mengatasi ketidakseimbangan data. Proses penelitian mengacu pada kerangka kerja Cross-Industry Standard Process for Data Mining (CRISP-DM) yang meliputi tahapan Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment.
Hasil penelitian menunjukkan bahwa model XGBoost tanpa SMOTE menghasilkan Accuracy sebesar 92,83% dan ROC-AUC sebesar 0,8015, namun memiliki Recall kelas Card yang rendah, yaitu 0,14. Setelah penerapan SMOTE, Recall kelas Card meningkat menjadi 0,53 dan F1-Score menjadi 0,28, meskipun Accuracy menurun menjadi 78,50% dan ROC-AUC menjadi 0,7529. Hasil tersebut menunjukkan adanya trade-off antara peningkatan kemampuan model dalam mendeteksi kelas minoritas dan penurunan performa keseluruhan. Model selanjutnya diimplementasikan dalam dashboard interaktif berbasis Streamlit untuk memudahkan visualisasi hasil klasifikasi dan perbandingan performa model. Penelitian ini menegaskan bahwa evaluasi model pada data tidak seimbang tidak dapat hanya mengandalkan Accuracy, tetapi juga perlu mempertimbangkan Precision, Recall, F1-Score, dan ROC-AUC agar penilaian performa model lebih komprehensif.