Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Anam, Muhammad Haris Khoirul
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Implementasi Algoritma Random Forest Untuk Prediksi Churn Pada Pelanggan Retail Online Anam, Muhammad Haris Khoirul; Kurnianingtyas, Diva; Soebroto, Arief Andy
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 10 No 4 (2026): April 2026
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Studi ini menganalisis prediksi pelanggan yang akan berhenti berlangganan (churn) di ritel online untuk membantu perusahaan mengembangkan strategi retensi yang lebih tepat sasaran. Data yang digunakan adalah dataset berisi 1.000 catatan pelanggan ritel online dengan 14 variabel prediktor dan 1 variabel target (Target_Churn). Untuk memastikan data siap untuk pemodelan, dilakukan langkah pra-pemrosesan, termasuk pengecekan kualitas data, transformasi fitur kategorikal dengan one-hot encoding, dan standardisasi fitur numerik. Dataset kemudian dibagi menjadi data pelatihan dan pengujian dengan rasio 70:30 menggunakan pengambilan stratified sampling. Model klasifikasi dibangun menggunakan algoritma Random Forest, dan optimasi hyperparameter dilakukan menggunakan GridSearchCV dengan validasi silang 5-fold untuk mendapatkan konfigurasi terbaik. Hasil pengujian menunjukkan bahwa model mencapai akurasi 48,33% dan nilai AUC-ROC 0,4825, yang menunjukkan bahwa kemampuannya untuk membedakan antara kelas churn dan non-churn masih rendah pada dataset yang digunakan. Namun, analisis kepentingan fitur mengungkapkan bahwa faktor-faktor yang terkait dengan transaksi dan kepuasan pelanggan cenderung memiliki dampak yang lebih besar daripada karakteristik demografis. Kesimpulan dari penelitian ini adalah bahwa model Random Forest belum dapat memberikan prediksi churn yang andal pada dataset ini, dan oleh karena itu, diperlukan data yang lebih representatif, penyertaan karakteristik perilaku, atau pengujian metode lain untuk meningkatkan kinerja.
Co-Authors Arief Andy Soebroto Kurnianingtyas, Diva