<![CDATA[Prediksi perilaku pembelian pelanggan merupakan salah satu aspek terpenting dalam menentukan efektivitas strategi pemasaran sebuah perusahaan. Dalam dunia bisnis, kemampuan untuk memprediksi pola pembelian pelanggan sangat memengaruhi keputusan strategis, seperti pengelolaan inventaris dan personalisasi penawaran. Selain melakukan prediksi perilaku pembelian, pemilihan model atau algoritma yang digunakan juga menjadi faktor krusial dalam memastikan hasil prediksi yang akurat. Penelitian ini menguji kinerja empat algoritma ensemble, yaitu Gradient Boosting, AdaBoost, XGBoost, dan LightGBM, menggunakan dataset perilaku pembelian pelanggan yang mencakup berbagai atribut relevan. Hasil analisis menunjukkan bahwa algoritma ensemble memberikan performa yang sangat baik dalam memprediksi perilaku pembelian pelanggan. Gradient Boosting memberikan nilai akurasi tertinggi sebesar 92,94% dengan tingkat konsistensi yang baik dengan nilai standar deviasi sebesar 0, 0119, diikuti oleh XGBoost dengan akurasi 92,87% dan standar deviasi sebesar 0,0281, AdaBoost sebesar 92,53% dan standar deviasi sebesar 0, 0137serta LightGBM mencapai akurasi sebesar 92,00% dan standar deviasi sebesar 0, 0296. Gradient Boosting terbukti unggul dalam menghasilkan prediksi yang akurat dan konsisten, sementara XGBoost dan LightGBM menawarkan kecepatan dan efisiensi yang tinggi.]]>
Copyrights © 2025
