DECISION TREE-BASED PREDICTIVE MODELING FOR MOBILE PAYMENT TRANSACTION SUCCESS: A CASE STUDY OF SHOPEEPAY AND DANA

Abstract

Pertumbuhan teknologi keuangan di Indonesia mendorong penggunaan layanan mobile payment secara masif, khususnya ShopeePay dan DANA. Namun, tingginya tingkat transaksi gagal akibat faktor teknis seperti koneksi internet dan nominal transaksi menjadi permasalahan yang belum tuntas. Penelitian ini mengusulkan model prediksi keberhasilan transaksi mobile payment menggunakan algoritma Decision Tree. Permasalahan utama pada model awal adalah ketidakseimbangan kelas, di mana transaksi berhasil mendominasi, sehingga model cenderung bias. Untuk mengatasi hal tersebut, diterapkan teknik oversampling Synthetic Minority Over-sampling Technique (SMOTE) sebagai penyempurna dalam tahap pelatihan model. Dataset yang digunakan mencakup atribut platform, nominal, koneksi internet, waktu transaksi, dan status keberhasilan, yang diperoleh melalui simulasi dan sumber sekunder. Proses pemodelan melibatkan pra-pemrosesan data, penyeimbangan data, pelatihan model, dan evaluasi dengan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa penerapan SMOTE meningkatkan recall dari 3,23% menjadi 58,06%, meskipun akurasi menurun. Visualisasi pohon keputusan mengidentifikasi nominal transaksi dan koneksi internet sebagai atribut paling berpengaruh. Penelitian ini membuktikan bahwa pendekatan Decision Tree yang disempurnakan efektif dalam mengenali pola transaksi digital dan berpotensi mendukung pengambilan keputusan dalam sistem pembayaran.