<![CDATA[Perkembangan platform streaming musik digital seperti Spotify telah meningkatkan persaingan antar platform, sehingga perusahaan harus lebih berkonsentrasi pada strategi untuk mempertahankan pelanggan. Customer churn, atau keadaan di mana pelanggan berhenti menggunakan layanan, adalah salah satu masalah utama yang dihadapi. Tingkat churn yang tinggi dapat mengganggu keberlanjutan dan pendapatan perusahaan. Tujuan dari penelitian ini adalah untuk melihat bagaimana perilaku pengguna berdampak pada churn pelanggan pada layanan musik Spotify. Selain itu, penelitian ini juga akan mengevaluasi kemampuan metode Random Forest dalam klasifikasi churn. Metode kuantitatif bersama dengan metode data mining digunakan dalam penelitian ini. Dataset yang digunakan dibuat menggunakan Kaggle dan terdiri dari 8.000 data pengguna yang memiliki dua belas atribut, termasuk karakteristik pengguna, perilaku penggunaan, dan status churn. Penelitian melibatkan eksplorasi dan pra-pemrosesan data, pembagian data latihan dan uji, pengaturan hyperparameter, dan pembuatan model Random Forest. Hasil penelitian menunjukkan bahwa model Random Forest memiliki akurasi sebesar 74,12%, tetapi karena ketidakseimbangan data, dia memiliki nilai recall yang sangat rendah untuk kelas churn. Waktu mendengarkan, jumlah lagu yang diputar setiap hari, tingkat skip, usia, dan jumlah iklan yang didengarkan setiap minggu adalah faktor paling berpengaruh terhadap churn, menurut analisis fitur penting. Temuan ini menunjukkan bahwa pengalaman dan keterlibatan pengguna sangat penting dalam mempertahankan pelanggan. Hasil penelitian diharapkan dapat membantu penyedia layanan streaming musik membuat cara yang lebih baik untuk mempertahankan pelanggan mereka.]]>
