Perkembangan sistem e-commerce mendorong peningkatan volume dan kompleksitas data transaksi pelanggan yang berdimensi tinggi (curse of dimensionality). Kondisi ini menyebabkan penggunaan atribut yang berlebihan dan tidak relevan, sehingga menurunkan efisiensi pemrosesan data, meningkatkan risiko overfitting, serta menyulitkan interpretasi hasil klasifikasi pelanggan. Oleh karena itu, diperlukan pendekatan seleksi atribut yang mampu menyederhanakan struktur data tanpa menghilangkan informasi penting yang dibutuhkan dalam proses pengambilan keputusan. Penelitian ini bertujuan untuk mengatasi permasalahan tersebut melalui penerapan algoritma Reduct berbasis Rough Set Theory sebagai tahap seleksi atribut sebelum proses klasifikasi menggunakan algoritma Decision Tree. Metode penelitian yang digunakan bersifat kuantitatif dengan memanfaatkan dataset transaksi pelanggan e-commerce yang bersumber dari Kaggle, menggunakan 48 sampel data yang mencakup empat kategori produk. Tahapan penelitian meliputi pra-pemrosesan data, diskritisasi atribut numerik, seleksi atribut menggunakan algoritma Reduct untuk memperoleh minimal reduct, pembangunan model klasifikasi menggunakan Decision Tree, serta evaluasi kinerja model menggunakan metrik accuracy, precision, recall, dan F1-score.Hasil penelitian menunjukkan bahwa algoritma Reduct mampu mereduksi atribut dari tujuh atribut awal menjadi dua atribut inti, yaitu Total (Rp) dan Kategori Produk, dengan tetap mempertahankan derajat ketergantungan informasi yang optimal. Model Decision Tree yang dibangun berdasarkan atribut hasil reduksi menghasilkan struktur pohon keputusan yang lebih sederhana, lebih mudah diinterpretasikan, serta menunjukkan peningkatan kinerja klasifikasi dibandingkan model dasar tanpa proses reduksi atribut. Berdasarkan hasil tersebut, dapat disimpulkan bahwa integrasi algoritma Reduct dan Decision Tree efektif dalam menyederhanakan kompleksitas data, meningkatkan efisiensi dan stabilitas model klasifikasi, serta membantu mengenali pola klasifikasi pelanggan ecommerce secara lebih akurat dan terstruktur, sehingga dapat mendukung pengambilan keputusan strategis dalam konteks bisnis digital.
Kata kunci: Reduct, Decision Tree, Rough Set Theory, Klasifikasi Pelanggan, ECommerce, atribut berkurang dan model efisien