Perpustakaan Digital ITB

Penelitian ini menyelidiki penerapan teknik pembelajaran mesin untuk memprediksi churn pelanggan di sektor teknologi akuakultur. Seiring dengan pertumbuhan industri dan meningkatnya persaingan, mempertahankan pelanggan menjadi sangat penting untuk pertumbuhan bisnis yang berkelanjutan. Kami menggunakan dataset sintetis yang merepresentasikan industri teknologi akuakultur untuk menerapkan dan mengevaluasi beberapa model pembelajaran mesin, termasuk Jaringan Syaraf Tiruan, Pohon Keputusan, Mesin Vektor Pendukung, Random Forest, Regresi Logistik, dan teknik gradient boosting (XGBoost, LightGBM, dan CatBoost). Untuk mengatasi tantangan umum dataset yang tidak seimbang dalam prediksi churn, kami menggunakan berbagai strategi sampling data: SMOTE, SMOTE dikombinasikan dengan Tomek Links, dan SMOTE dikombinasikan dengan Edited Nearest Neighbors. Selain itu, kami menerapkan penyetelan hyperparameter untuk meningkatkan kinerja model. Evaluasi model dilakukan menggunakan metrik standar seperti Presisi, Recall, F1-score, dan Area Di Bawah Kurva Karakteristik Operasi Penerima (ROC AUC). Hasil penelitian menunjukkan potensi teknik pembelajaran mesin dalam memprediksi churn pelanggan di sektor teknologi akuakultur, dengan model gradient boosting menunjukkan kinerja yang unggul. Studi ini berkontribusi pada pemahaman perilaku pelanggan di sektor teknologi akuakultur dan memberikan wawasan untuk mengembangkan strategi retensi yang ditargetkan dalam industri.