Pada era saat ini, jual beli secara online semakin populer salah satunya adalah TikTok Shop. Meskipun TikTok Shop menawarkan fitur berbelanja yang menarik bagi konsumen, masalah pembatalan pemesanan tetap menjadi tantangan bagi penjual dalam mengoptimalkan penjualan dan keuntungan. Dalam penelitian ini, digunakan algoritma Categorical Boosting (CatBoost) yang telah terbukti efektif dalam memprediksi pembatalan pemesanan. Namun masih terbatas dan belum banyak digunakan dalam online shop seperti TikTok Shop. Dalam menangani permasalah imbalaced data digunakan teknik resampling oversampling dengan menggunakan metode SMOTE (Synthetic Minority Oversampling Technique). Sedangkan untuk mengidentifikasi faktor-faktor yang signifikan dalam pembatalan transaksi digunakan teknik Principal Component Analysis (PCA). Data yang digunakan dalam penelitian ini yaitu data riwayat pembelian pelanggan pada platform TikTok Shop. Metode yang digunakan pada penelitian ini yaitu CRISP-DM (Cross Industry Process Model for Data Mining) yang mencakup business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Dalam mengevaluasi model digunakan Stratified 10-fold Cross-Validation untuk mengukur kualitas dan efektivitas model prediksi pada variabel target Cancelation dengan hasil didasarkan pada nilai akurasi, recall, presisi, dan F1. Selain itu Confusion matrix digunakan juga sebagai alat evaluasi tambahan untuk mengevaluasi performa model yang telah dibentuk. Hasil penelitian menunjukkan bahwa algoritma CatBoost memiliki akurasi yang sangat tinggi (99.7%) dalam mengklasifikasikan transaksi sebagai pembatalan atau bukan pembatalan, dan memiliki presisi, recall, dan f1-score yang sempurna (1.00) untuk kedua kelas. Faktor-faktor yang paling berpengaruh terhadap pembatalan transaksi adalah Payment Method, Regency and City, Order Refund Amount, Variation, Province, Product Category, Shipping Fee After Discount, dan SKU Platform Discount.

Kata Kunci : Catboost, CRISP-DM, Pembatalan, PCA, Imbalaced.

In the current era, online buying and selling have become increasingly popular, and one of the platforms contributing to this trend is TikTok Shop. Despite TikTok Shop offering attractive shopping features for consumers, order cancellations remain a challenge for sellers in optimizing sales and profits. In this research, the effective Categorical Boosting (CatBoost) algorithm is used to predict order cancellations. However, this algorithm is still limited and not widely used in online shops like TikTok Shop. To handle the issue of imbalanced data, the resampling oversampling technique with the Synthetic Minority Oversampling Technique (SMOTE) is employed.Furthermore, to identify significant factors contributing to transaction cancellations, the Principal Component Analysis (PCA) technique is utilized. The research data comprises customer purchase histories on the TikTok Shop platform. The CRISP-DM (Cross Industry Process Model for Data Mining) method is applied, encompassing business understanding, data understanding, data preparation, modeling, evaluation, and deployment stages.The model is evaluated using Stratified 10-fold Cross-Validation to measure the quality and effectiveness of the predictive model for the target variable "Cancelation," based on accuracy, recall, precision, and F1 scores. Additionally, the Confusion Matrix is used as an additional evaluation tool to assess the performance of the formed model.The research findings demonstrate that the CatBoost algorithm achieves remarkably high accuracy (99.7%) in classifying transactions as cancellations or non-cancellations, with perfect precision, recall, and F1-scores (1.00) for both classes. The most influential factors contributing to transaction cancellations are Payment Method, Regency and City, Order Refund Amount, Variation, Province, Product Category, Shipping Fee After Discount, and SKU Platform Discount.

Keywords:  Catboost, CRISP-DM, Cancellations, PCA, Imbalanced.