Pertumbuhan industri e-commerce menuntut strategi analitik yang semakin presisi, khususnya dalam mengklasifikasikan pelanggan untuk meningkatkan kepuasan dan loyalitas. Namun, kompleksitas data dan jumlah atribut yang tinggi menjadi tantangan signifikan dalam proses klasifikasi. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi pelanggan e-commerce melalui implementasi algoritma Reduct dalam skema metode hybrid. Algoritma Reduct, yang berbasis teori rough set, digunakan untuk mereduksi dimensi data tanpa mengorbankan informasi penting. Selanjutnya, fitur-fitur terpilih diolah menggunakan kombinasi model Gaussian Naive Bayes dan K-Nearest Neighbor (K-NN) dalam bentuk voting classifier. Data penelitian berasal dari dataset perilaku pelanggan e-commerce yang tersedia secara publik, mencakup atribut demografis dan transaksi. Evaluasi model dilakukan dengan metrik akurasi, precision, recall, dan F1-score, serta uji validasi menggunakan teknik train-test split dan K-fold cross-validation. Hasil penelitian menunjukkan bahwa model hybrid berbasis Reduct mampu meningkatkan akurasi klasifikasi secara signifikan dibandingkan pendekatan konvensional. Penggunaan metode hybrid tidak hanya meningkatkan performa prediktif tetapi juga mengurangi risiko overfitting dan meningkatkan efisiensi komputasi. Kontribusi utama penelitian ini terletak pada penggabungan seleksi fitur berbasis Reduct dengan metode klasifikasi machine learning sebagai pendekatan sistematis untuk pengambilan keputusan berbasis data. Temuan ini diharapkan memberikan manfaat praktis bagi pelaku ecommerce dalam merancang strategi pemasaran yang lebih personal dan efisien, serta memperluas kontribusi teoretis dalam bidang data mining dan klasifikasi pelanggan.
Kata kunci— E-Commerce, Klasifikasi Pelanggan, Reduct, Metode Hybrid, Feature Selection