Perpustakaan Digital ITB

Mempertahankan pelanggan agar tetap setia untuk membeli atau menggunakan jasa merupakan hal yang menantang bagi perusahaan. Pelanggan yang berpindah dari suatu perusahaan ke perusahaan lain disebut churn pelanggan. Churn pelanggan merupakan salah satu perhatian utama bagi perusahaan perdagangan elektronik karena berdampak negatif terhadap pertumbuhan bisnis. Churn pelanggan dapat diprediksi dengan data pelanggan yang tercatat selama transaksi. Pada penelitian ini penulis akan memprediksi churn menggunakan metode Gradient Boost (GBT) dan Extreme Gradient Boost (XGBT) sekaligus membandingkan kedua metode tersebut. Kedua metode ini dipilih karena kemampuannya dalam menangani masalah klasifikasi yang kompleks dan memberikan akurasi prediksi yang tinggi. Pada penelitian tugas akhir ini penulis menggunakan data pelanggan suatu perdagangan elektronik yang berasal dari sumber terbuka (kaggle). Kedua metode tersebut menggunakan model ensemble yaitu menggabungkan pohon untuk meningkatkan keakuratan dan performa prediksi. Untuk mengevaluasi kinerja model, digunakan matriks konfusi dan validasi silang lipatan-k. Selain itu, kurva ROC dan AUC juga digunakan untuk mengukur kemampuan model dalam memprediksi churn pelanggan. Hasil dari penelitian ini menunjukkan akurasi yang dihasilkan oleh metode GBT adalah 0.942 sedangkan akurasi yang dihasilkan oleh metode XGBT adalah 0.964 . Hasil eksperimen menunjukkan bahwa kedua metode, GBT dan XGBT, mampu memberikan hasil prediksi churn pelanggan yang baik dengan tingkat akurasi yang tinggi. Namun, XGBT memperlihatkan performa yang sedikit lebih baik daripada GBT dalam hal kinerja prediksi churn.