Analisis Status Pembayaran Group Order NooBlue Menggunakan Algoritma XGBoost
DOI:
https://doi.org/10.53513/jursi.v4i4.11279Keywords:
Status Pembayaran, Prediksi, Data Penjualan, XGBoots, Machine LearningAbstract
Pertumbuhan pesat ekonomi digital telah mendorong meningkatnya penggunaan layanan transaksi daring, termasuk sistem pemesanan kelompok. Namun, tantangan baru turut muncul, khususnya dalam hal keandalan informasi terkait status pembayaran pelanggan. Permasalahan seperti keterlambatan atau kegagalan pembayaran dapat memengaruhi kestabilan keuangan bisnis. Oleh karena itu, penelitian ini bertujuan untuk membangun model prediksi status pembayaran pelanggan menggunakan algoritma Extreme Gradient Boosting (XGBoost). Data yang digunakan berasal dari transaksi NooBlue Shop pada Maret 2025, yang terdiri dari 403 entri. Proses analisis mencakup tahapan pra-pemrosesan data, pembagian data menjadi data latih dan uji dengan rasio 60:40, serta pelatihan model XGBoost. Model dievaluasi menggunakan metrik klasifikasi seperti akurasi, precision, recall, F1-score, dan confusion matrix. Hasil pengujian menunjukkan bahwa model mampu mengklasifikasikan status pembayaran dengan tingkat akurasi mencapai 90%. Nilai precision dan recall masing-masing berada pada kisaran 0.89–0.93, sedangkan F1-score menunjukkan performa yang seimbang untuk kedua kelas. Analisis lebih lanjut menunjukkan bahwa fitur total pembayaran dan uang muka merupakan kontributor utama dalam proses prediksi. Temuan ini menunjukkan bahwa penerapan XGBoost dapat memberikan solusi yang efektif dalam membantu perusahaan memantau status pembayaran pelanggan secara otomatis dan responsif, serta mendukung pengambilan keputusan berbasis data secara lebih tepat dan efisien di tengah dinamika ekonomi digital.References
W. H. Susanto and A. F. Chawa, “AKSI GAGAL BAYAR PADA PERUSAHAAN FINTECH,” JSSH (Jurnal Sains Sos. dan Humaniora), vol. 5, no. 1, 2021, doi: 10.30595/jssh.v5i1.9305.
M. N. R. Fitriani, B. Priyatna, B. Huda, A. L. Hananto, and T. Tukino, “Implementasi Metode K-Means Untuk Memprediksi Status Kredit Macet,” J. Sist. Komput. dan Inform., vol. 4, no. 3, 2023, doi: 10.30865/json.v4i3.5953.
F. Shinta Dewi and T. Dewayanto, “Peran Big Data Analytics, Machine Learning, Dan Artificial Intelligence Dalam Pendeteksian Financial Fraud: a Systematic Literature Review,” Diponegoro J. Account., vol. 13, no. 3, pp. 1–15, 2024, [Online]. Available: http://ejournal-s1.undip.ac.id/index.php/accounting
B. Priyatna, Z. A. Bakar, N. Zamin, and Y. Yahya, “Machine Learning Trends in Mushroom Agriculture: A Systematic Review Methodology,” in Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 2024. doi: 10.1007/978-981-99-7339-2_47.
M. Erkamim, A. M. Tanniewa, and I. Ap, “Analisis Perbandingan Metode AdaBoost , Gradient Boosting , dan XGBoost Untuk Kalsifikasi Status Gizi Pada Balita,” J. Build. Informatics, Technol. Sci., vol. 6, no. 3, pp. 1799–1807, 2024, doi: 10.47065/bits.v6i3.5717.
P. Septiana Rizky, R. Haiban Hirzi, and U. Hidayaturrohman, “Perbandingan Metode LightGBM dan XGBoost dalam Menangani Data dengan Kelas Tidak Seimbang,” J Stat. J. Ilm. Teor. dan Apl. Stat., vol. 15, no. 2, 2022, doi: 10.36456/jstat.vol15.no2.a5548.
R. Siringoringo, R. Perangin-angin, and M. J. Purba, “SEGMENTASI DAN PERAMALAN PASAR RETAIL MENGGUNAKAN XGBOOST DAN PRINCIPAL COMPONENT ANALYSIS,” METHOMIKA J. Manaj. Inform. dan Komputerisasi Akunt., vol. 5, no. 1, 2021, doi: 10.46880/jmika.vol5no1.pp42-47.
W. Wang et al., “A User Purchase Behavior Prediction Method Based on XGBoost,” Electron., vol. 12, no. 9, 2023, doi: 10.3390/electronics12092047.
Q. Zheng, C. Yu, J. Cao, Y. Xu, Q. Xing, and Y. Jin, “Advanced Payment Security System:XGBoost, CatBoost and SMOTE Integrated,” https://arxiv.org/, 2024, doi: 10.1109/MetaCom62920.2024.00063.
A. Hermawan, A. Saputra, M. D. Rafi, and S. Basmallah, “Implementing XGBoost Model for Predicting Customer Churn in E-Commerce Platforms,” J. Repeater Publ. Tek. Inform. dan Jar., vol. 3, no. 2, 2025.
P. Dankorpho, “Sales Forecasting for Retail Business using XGBoost Algorithm,” J. Comput. Sci. Technol. Stud., vol. 6, no. 2, pp. 136–141, 2024, doi: 10.32996/jcsts.
K. Li, “A Sales Prediction Method Based on XGBoost Algorithm Model,” BCP Bus. Manag., vol. 36, 2023, doi: 10.54691/bcpbm.v36i.3487.
M. A. Y. Linda, T. R. I. Alfianti, and R. Supriyanto, “Perbandingan Kinerja Algoritma Random Forest , AdaBoost , dan XGBoost dalam Memprediksi Risiko Penyakit Osteoporosis Comparison of the Performance of Random Forest , AdaBoost , and XGBoost Algorithms in Predicting the Risk of Osteoporosis Disease,” J. Ilmu Komput. dan Agri-informatika, vol. 11, no. 2, pp. 172–184, 2024.
R. Yoris, “PENGGUNAAN METODE XGBOOST UNTUK KLASIFIKASI STATUS OBESITAS DI INDONESIA,” Univ. HASANUDDIN MAKASSAR, 2021.
G. A. Shafila, “Implementasi Metode Extreme Gradient Boosting (Xgboost ) untuk Klasifikasi pada Data Bioinformatika (Studi Kasus : Penyakit Ebola , GSE 122692),” Dspace.Uii.Ac.Id, 2020.
N. J. Teague, “Feature Encodings for Gradient Boosting with Automunge,” arXiv Prepr. arXiv2209.12309, no. NeurIPS, 2022.
R. Oktafiani, A. Hermawan, and D. Avianto, “Pengaruh Komposisi Split data Terhadap Performa Klasifikasi Penyakit Kanker Payudara Menggunakan Algoritma Machine Learning,” J. Sains dan Inform., 2023, doi: 10.34128/jsi.v9i1.622.
T. Nagamani and S. Logeswari, “Hybrid classification of XGBoost-based ADAM optimization for coronary artery disease diagnosis,” J. Intell. Fuzzy Syst., vol. 46, no. 4, 2024, doi: 10.3233/JIFS-233804.
N. Faqir, C. Loqman, and J. Boumhidi, “Deep Q-learning Approach based on CNN and XGBoost for Traffic Signal Control,” Int. J. Adv. Comput. Sci. Appl., vol. 13, no. 9, 2022, doi: 10.14569/IJACSA.2022.0130961.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Jurnal Sistem Informasi Triguna Dharma (JURSI TGD)
This work is licensed under a Creative Commons Attribution 4.0 International License.
