PERBANDINGAN KINERJA XGBOOST, LIGHTGBM, DAN LSTM PADA PREDIKSI REPEAT BUYER E-COMMERCE

Penelitian ini bertujuan untuk melakukan perbandingan kinerja model klasifikasi dalam mengidentifikasi perilaku repeat buyer pada platform e-commerce menggunakan algoritma XGBoost, LightGBM, dan Long Short-Term Memory (LSTM). Dataset yang digunakan merupakan data perilaku pengguna yang telah melalui tahapan preprocessing dan feature engineering guna memastikan kualitas data dan menghindari data leakage. Evaluasi model dilakukan menggunakan metrik Accuracy, Precision, Recall, F1-score, dan Area Under the Curve (AUC). Hasil penelitian menunjukkan bahwa XGBoost memperoleh performa terbaik dengan akurasi sebesar 0,79 dan AUC sebesar 0,83, diikuti oleh LightGBM dengan akurasi 0,78 dan AUC 0,80. Sementara itu, LSTM menghasilkan akurasi 0,65 dan AUC 0,65, namun memiliki recall yang relatif tinggi dalam mendeteksi kelas positif. Temuan ini menunjukkan bahwa model berbasis ensemble tree cenderung lebih unggul pada karakteristik dataset yang digunakan dibandingkan model berbasis sekuensial. Penelitian ini memberikan gambaran empiris mengenai efektivitas masing-masing algoritma dalam konteks klasifikasi perilaku konsumen e-commerce.