<![CDATA[Mempertahankan basis pelanggan adalah aspek penting dari Customer Relationship Management (CRM) pada era bisnis modern, tetapi analisis data transaksi mentah masih menghadapi masalah ketiadaan label loyalitas yang eksplisit. Penelitian ini mengusulkan pengembangan model analitik berbasis machine learning hibrida dengan mengintegrasikan algoritma K-Means dan Random Forest untuk mensegmentasi dan memprediksi loyalitas pelanggan secara objektif dan terukur. Studi kasus dilakukan menggunakan dataset publik transaksi ritel daring (online retail). Proses rekayasa fitur dilakukan menggunakan metode analisis Recency, Frequency, Monetary (RFM). Pendekatan unsupervised learning melalui K-Means diterapkan pada atribut Frequency dan Monetary yang telah ditransformasi untuk melabeli pelanggan ke dalam dua klaster utama, yakni loyal dan churn. Selanjutnya, Random Forest digunakan untuk memprediksi label pelanggan tersebut dengan mengisolasi variabel Recency sebagai prediktor tunggal guna mencegah kebocoran data (data leakage). Hasil implementasi dengan sampel data uji menunjukkan bahwa sistem ini mampu mengklasifikasikan pelanggan dengan akurasi keseluruhan sebesar 69,24%, dimana matriks konfusi mencatatkan identifikasi tepat sasaran sebanyak 241 pelanggan loyal dan 360 pelanggan churn. Temuan ini membuktikan bahwa integrasi K-Means dan Random Forest efektif sebagai alat prediksi loyalitas dan dapat dijadikan dasar perencanaan strategi pemasaran yang ditargetkan. Metode hibrida ini memberikan keunggulan dibandingkan analisis konvensional, yang biasanya bergantung pada asumsi klasifikasi rule-based tanpa mekanisme pelabelan algoritme yang jelas. Pendekatan ini tidak hanya menekan masalah ketiadaan variabel target, tetapi juga memberi perusahaan dasar analitis yang lebih kuat untuk menilai dan membuat keputusan tentang program retensi pelanggan.]]>
