A synergistic approach to e-commerce recommender system : Logistic Regression and Kullback-Leibler Divergence

ABSTRACT

This thesis presents a comprehensive approach to developing a reliable and actionable recommendation system focused on identifying repeat buyers, key drivers of long-term growth and customer loyalty in e-commerce. The study addresses critical challenges such as class imbalance and feature overload by incorporating Kullback- Leibler (KL) divergence into both the feature refinement and evaluation stages. This integration allows the system to focus on the most relevant customer attributes, enhancing the clarity and efficiency of the recommendation process. Using logistic
regression as the core predictive model, the system is strengthened with techniques such as SMOTE for balancing buyer classes, class weighting to improve learning outcomes, and regularization to ensure model stability. Developed using real-world data from an Indonesian e-commerce platform, the model demonstrates improved ability to identify customers likely to make repeat purchases. The enhanced system supports better targeting of high-value customers, more personalized product recommendations, and smarter marketing decisions. Ultimately, this research delivers a practical, interpretable, and scalable solution for building customer-focused recommender systems, enabling e-commerce businesses to optimize retention strategies and maximize engagement.

مستخلص البحث

معلودياه، سيسكا فاريزاه. 2025. نهج تآزري لتطوير نظام التوصية في التجارة الإلكترونية: الانحدار اللوجستي وتباعد كولباك-لايبلر. أطروحة. برنامج الماجستير في علم المعلومات، كلية العلوم والتكنولوجيا، جامعة الدولة الإسلامية مولانا مالك إبراهيم مالانج. المشرفون: (1) د. يُنيفة مفتاح العارف، ماجستير تقانة (2) د. كاهيو كريستيان، ماجستير علوم الحاسوب.
تقدم هذه الأطروحة نهجًا شاملاً لتطوير نظام توصية موثوق وفعال يركز على تحديد المشترين المتكررين، الذين يُعدون من المحركات الرئيسية للنمو طويل الأمد وولاء العملاء في بيئة التجارة الإلكترونية. تتناول الدراسة تحديات حاسمة مثل عدم توازن الفئات وتعدد السمات غير الضرورية، من خلال دمج مقياس تباعد كولباك-لايبلر (KL divergence) في مرحلتي تحسين السمات والتقييم. يسمح هذا التكامل للنظام بالتركيز على السمات الأكثر صلة بالعملاء، مما يعزز وضوح وكفاءة عملية التوصية. ويُستخدم نموذج الانحدار اللوجستي كنموذج تنبؤي رئيسي، ويُعزز النظام باستخدام تقنيات مثل SMOTE لتحقيق التوازن بين الفئات، وأوزان الفئات لتحسين نتائج التعلم، والتنظيم لضمان استقرار النموذج. تم تطوير النموذج باستخدام بيانات حقيقية من منصة تجارة إلكترونية إندونيسية، وقد أظهر قدرة محسّنة على التعرف على العملاء المحتملين للشراء مرة أخرى. يدعم النظام المحسّن استهداف العملاء ذوي القيمة العالية بشكل أفضل، ويوفر توصيات أكثر تخصيصًا للمنتجات، ويسهم في اتخاذ قرارات تسويقية أكثر ذكاءً. وفي نهاية المطاف، تقدم هذه الدراسة حلاً عمليًا وقابلاً للتفسير وقابلاً للتوسيع لبناء أنظمة توصية تركز على العملاء، مما يتيح لشركات التجارة الإلكترونية تحسين استراتيجيات الاحتفاظ وتعظيم التفاعل.

ABSTRAK

Tesis ini menyajikan pendekatan komprehensif dalam mengembangkan sistem rekomendasi yang andal dan dapat diimplementasikan, dengan fokus pada identifikasi pembeli ulang, kontributor utama bagi pertumbuhan jangka panjang dan loyalitas pelanggan dalam industri e-commerce. Penelitian ini mengatasi tantangan penting seperti ketidakseimbangan kelas dan kelebihan fitur dengan mengintegrasikan metode Kullback-Leibler (KL) divergence ke dalam tahap penyempurnaan fitur dan evaluasi. Integrasi ini memungkinkan sistem untuk berfokus pada atribut pelanggan yang paling relevan, sehingga meningkatkan kejelasan dan efisiensi dalam proses rekomendasi. Dengan menggunakan regresi logistik sebagai model prediksi utama, sistem ini diperkuat dengan teknik seperti SMOTE untuk menyeimbangkan distribusi kelas pembeli, class weighting untuk meningkatkan hasil pembelajaran, dan regularisasi untuk menjaga stabilitas model. Sistem ini dikembangkan menggunakan data nyata dari platform e-commerce di Indonesia dan menunjukkan peningkatan kemampuan dalam mengidentifikasi pelanggan yang berpotensi melakukan pembelian ulang. Sistem yang telah ditingkatkan ini mendukung segmentasi pelanggan bernilai tinggi secara lebih tepat, rekomendasi produk yang lebih personal, serta pengambilan keputusan pemasaran yang lebih cerdas. Pada akhirnya, penelitian ini menghasilkan solusi yang praktis, mudah dipahami, dan dapat diskalakan untuk membangun sistem rekomendasi yang berfokus pada pelanggan, sehingga memungkinkan bisnis e-commerce mengoptimalkan strategi retensi dan memaksimalkan keterlibatan pelanggan.