Penelitian ini bertujuan membangun model klasifikasi tingkat penjualan laptop bekas ke dalam tiga kategori, yaitu Laku, Cukup Laku, dan Kurang Laku, serta mengidentifikasi spesifikasi perangkat yang paling berpengaruh terhadap tingkat penjualan melalui analisis feature importance. Penelitian dilakukan menggunakan metodologi Cross Industry Standard Process for Data Mining (CRISP-DM) dengan data sekunder berupa 733 transaksi penjualan laptop bekas periode 2025 yang diperoleh langsung dari Gadgetsan Bekasi. Label tingkat penjualan dibentuk menggunakan pendekatan Quantile Binning, sementara tahap praproses data meliputi penanganan missing value, outlier, data duplikat, serta transformasi atribut kategorikal menggunakan One-Hot Encoding. Algoritma Random Forest diterapkan dalam dua skenario pengujian, yaitu tanpa dan dengan penanganan ketidakseimbangan kelas menggunakan Synthetic Minority Oversampling Technique (SMOTE), untuk mengevaluasi pengaruh ketidakseimbangan kelas terhadap performa model. Hasil penelitian menunjukkan bahwa model Random Forest tanpa SMOTE mencapai akurasi 85,7%, sedangkan model dengan penerapan SMOTE mencapai akurasi 89,1% dan dipilih sebagai model terbaik karena mampu meningkatkan performa secara merata di seluruh kelas, termasuk kelas minoritas. Analisis feature importance mengungkapkan bahwa jenis prosesor (CPU) dan merek laptop merupakan dua faktor paling dominan yang memengaruhi klasifikasi tingkat penjualan, dengan kontribusi masing-masing sebesar 57,01% dan 35,67%. Model yang dihasilkan telah melampaui target akurasi minimal yang ditetapkan (80%), sehingga dapat digunakan sebagai dasar pengambilan keputusan bagi Gadgetsan Bekasi dalam menentukan strategi pengadaan stok dan penjualan laptop bekas berdasarkan jenis prosesor dan merek sebagai faktor prioritas utama.

S12616

INF 0138 2026

Bekasi

Tersedia