Klasifikasi Tingkat Penjualan Produk Menggunakan Algoritma Decision Tree Pada Multi Cabang ARR Cell
DOI:
https://doi.org/10.69688/juksit.v5i1.185Keywords:
Decision Tree, Klasifikasi, Ritel, Pelabelan Data, Transaksi Multi CabangAbstract
Toko ARR Cell merupakan usaha ritel telekomunikasi dengan volume transaksi tinggi yang menyulitkan identifikasi produk laris secara manual. Penelitian ini bertujuan membangun model klasifikasi tingkat penjualan produk menggunakan algoritma Decision Tree pada 187.877 data transaksi dari tujuh cabang periode Juli 2025 hingga Maret 2026. Karena dataset belum memiliki label, pelabelan dilakukan melalui metode scoring berbasis frekuensi transaksi dan total unit terjual, yang kemudian dikelompokkan menjadi empat kelas menggunakan metode kuartil. Model klasifikasi dibangun menggunakan algoritma Decision Tree dengan tujuh fitur prediktor transaksi. Hasil penelitian menunjukkan bahwa model mampu mengklasifikasikan tingkat penjualan produk dengan akurasi testing sebesar 74,32%, precision 74,44%, recall 74,32%, dan F1-score 73,92%. Selisih akurasi training dan testing yang kecil, yaitu 2,72%, menunjukkan bahwa model bersifat stabil, konsisten, dan tidak mengalami overfitting dalam memprediksi tingkat penjualan ritel pada multi cabang.
References
W. G. S. Parwita, N. L. W. S. R. Ginantra, I. M. D. P. Asana, dan I. G. L. A. S. Dharma, “Retail Data Visualization in Business Intelligence System for Ayu Nadi Group,” dalam Proceedings of the 4th International Conference on Vocational Education and Technology, IConVET 2021, 27 November 2021, Singaraja, Bali, Indonesia, Singaraja, Indonesia: EAI, 2022. doi: 10.4108/eai.27-11-2021.2315530.
K. Nisa, “Penerapan Data Mining Terhadap Data Transaksi Sebagai Pendukung Informasi Strategi Penjualan Menggunakan Algoritma Apriori,” Jurnal Teknik Informatika UNIKA Santo Thomas, hlm. 306–315, Des 2021, doi: 10.54367/jtiust.v6i2.1454.
M. Noval dan F. D. Marleny, “Implementasi Algoritma K-Means Untuk Analisis Pola Penjualan Pada Toko Monisa,” vol. 6, no. 3, 2025.
D. Pangestu, N. N. Zakiyyah, N. Fauziah, Z. Rahayu, dan I. Heidiani, “Literature Review: Perbandingan Metode Klasifikasi Dalam Data Mining,” vol. 1, no. 11, 2024.
F. Rozi dan A. A. Yana, “Pemanfaatan Algoritma Decision Tree untuk Mengklasifikasikan Perilaku Konsumennya dalam Platform E-Commerce Berbasis Data Transaksi,” 2026.
E. Ermawati, Bambang Irawan, dan Nur Ariesanto Ramdhan, “Klasifikasi Persediaan Obat Menggunakan Algoritma Deci-sion Tree di Puskesmas Brebes,” Juritek, vol. 5, no. 2, hlm. 415–432, Jul 2025, doi: 10.51903/juritek.v5i2.5061.
M. A. Melfia, K. A. Ramadhini, M. A. Maulana, A. L. Dasiva, A. A. Briantoro, dan B. O. Lubis, “PENERAPAN DATA MINING UNTUK KLASIFIKASI DATA PENJUALAN SEMBAKO TERLARIS DENGAN ALGORITMA C4.5,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 9, no. 3, hlm. 4616–4621, Mei 2025, doi: 10.36040/jati.v9i3.13450.
R. Rhodiyah dan D. Rahmawati, “Penerapan Metode Naive Bayes untuk Klasifikasi Produk Kurang Diminati Berdasarkan Data Penjualan di Toko Laris Eksis,” Jurnal Indonesia : Manajemen Informatika dan Komunikasi, vol. 6, no. 3, hlm. 1950–1957, Sep 2025, doi: 10.63447/jimik.v6i3.1601.
F. Rozi dan A. A. Yana, “Pemanfaatan Algoritma Decision Tree untuk Mengklasifikasikan Perilaku Konsumennya dalam Platform E-Commerce Berbasis Data Transaksi,” 2026.
F. Laurent, S. Winarno, dan I. N. Dewi, “Optimasi Algoritma Decision Tree Menggunakan GridSearchCV untuk Klasifikasi Tipe Obesitas,” vol. 7, no. 3, 2025.
A. G. K. Muchsin, N. Rahaningsih, I. Ali, D. Sudrajat, dan S. Anwar, “Application of Decision Tree Algorithms to Classify the Sales Results of Kangen Kripik Sme Products”.
S. Widodo, H. Brawijaya, dan S. Samudi, “Stratified K-fold cross validation optimization on machine learning for prediction,” Sinkron : jurnal dan penelitian teknik informatika, vol. 6, no. 4, hlm. 2407–2414, Okt 2022, doi: 10.33395/sinkron.v7i4.11792.
F. Laurent, S. Winarno, dan I. N. Dewi, “Optimasi Algoritma Decision Tree Menggunakan GridSearchCV untuk Klasifikasi Tipe Obesitas,” vol. 7, no. 3, 2025.
“Apa itu Preprocessing Data, Manfaat dan Tahapannya.” Diakses: 23 Juni 2026. [Daring]. Tersedia pada: https://www.cakrawala.ac.id/berita/apa-itu-preprocessing-data
R. Hans, “Mengapa Data Preprocessing Penting dalam Machine Learning?” Diakses: 8 Juni 2026. [Daring]. Tersedia pada: https://dqlab.id/mengapa-data-preprocessing-penting-dalam-machine-learning
“Feature Engineering: Definisi, Teknik, dan Praktik Baiknya.” Diakses: 23 Juni 2026. [Daring]. Tersedia pada: https://digitalskola.com/blog/data-engineer/feature-engineering
Rina, “Memahami Confusion Matrix: Accuracy, Precision, Recall, Specificity, dan F1-Score untuk Evaluasi…,” Medium. Diakses: 3 Juni 2026. [Daring]. Tersedia pada: https://esairina.medium.com/memahami-confusion-matrix-accuracy-precision-recall-specificity-dan-f1-score-610d4f0db7cf
s-polly, “Evaluate AutoML experiment results - Azure Machine Learning.” Diakses: 23 Juni 2026. [Daring]. Tersedia pada: https://learn.microsoft.com/en-us/azure/machine-learning/how-to-understand-automated-ml?view=azureml-api-2
F. Anjany, N. M. Annisa’, dan M. A. Yaqin, “Manajemen Proyek ERP Berbasis Nilai: Prediksi Manfaat Menggunakan XGBoost,” no. 3, 2026.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Husnul Hatimah, Windarsyah Windarsyah, Ayu Ahadi Ningrum
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
