digilib@itb.ac.id +62 812 2508 8800

ABSTRAK Andreas Wibowo
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

COVER - Andreas Wibowo.pdf
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

BAB I.pdf
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

BAB II.pdf
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

BAB III.pdf
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

BAB IV.pdf
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

BAB V.pdf
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

BAB VI.pdf
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

PUSTAKA Andreas Wibowo
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

LAMPIRAN.pdf
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan

PT Bulan Makmur merupakan perusahaan startup yang bergerak di bidang e-grocery. Seperti perusahaan lainnya yang bergerak di bidang yang sama, PT Bulan Makmur mengalami perkembangan yang pesat sebagai akibat dari pandemi COVID-19. Akan tetapi, pertumbuhan tersebut mengakibatkan persaingan yang ketat antar kompetitor. Untuk mengatasi hal tersebut, perusahaan menargetkan penggunaan kupon untuk mempertahankan kepuasan dan kesetiaan konsumen. Dalam bulan Januari hingga Februari 2022, didapatkan tingkat penukaran kupon elektronik yang rendah di perusahaan (~2%). Berdasarkan studi pendahuluan, didapatkan bahwa penyebab utamanya terletak pada belum adanya model yang dapat memprediksi keputusan penukaran kupon konsumen beserta dugaan akan adanya variabel yang mempengaruhi keputusan tersebut. Penelitian ini dilakukan untuk membangun suatu model prediksi terkait variabel yang mempengaruhi keputusan penukaran kupon melalui data konsumen PT Bulan Makmur. Perancangan model pada penelitian ini berbasis pada Cross-Industry Standard Process for Data Mining (CRISP-DM). Alternatif algoritma yang digunakan dalam perancangan model adalah algoritma Support Vector Machine (SVM), Random Forest, dan XGBoost. Selain itu, digunakan teknik SMOTE-ENN dan ADASYN untuk menangani imbalanced data. Proses perancangan model dilakukan menggunakan bahasa pemrograman Python. Berdasarkan penelitian, diperoleh bahwa algoritma XGBoost dengan set data SMOTE-ENN memiliki performansi terbaik dengan nilai akurasi sebesar 90%, recall sebesar 83%, presisi sebesar 73%, dan F1 score sebesar 77%. Selain itu, variabel yang terbukti berdampak terhadap keputusan penukaran kupon konsumen adalah total_discount, channel_ANDROID, total_order_revenue, total_week, aov, total_quantity, distinct_product, total_transaction, province_Daerah Khusus Ibukota Jakarta, dan channel_WEB/ONLINE.