<![CDATA[Penelitian ini bertujuan untuk memprediksi kecenderungan pelanggan untuk berlangganan layanan e-commerce dengan menerapkan algoritma K-Nearest Neighbor (KNN). Permasalahan customer churn yang berdampak pada keberlangsungan bisnis diatasi melalui pendekatan klasifikasi berbasis perilaku transaksi pelanggan. Dataset yang digunakan mencakup variabel seperti total pembelian, frekuensi transaksi, harga rata-rata, kategori produk, dan metode pembayaran. Untuk memecahkan masalah ini, data diproses melalui tahapan pembersihan, one-hot encoding, dan normalisasi min-max sebelum dibagi menjadi data latih (80%) dan uji (20%). Model KNN dikembangkan dengan nilai k = 5, dan dievaluasi menggunakan metrik akurasi, precision, recall, serta F1-score. Hasil menunjukkan akurasi 91%, precision 0,89, recall 0,87, dan F1-score 0,88, menegaskan efektivitas KNN dalam mengklasifikasikan pelanggan yang berpotensi churn. Fitur total pembelian dan frekuensi transaksi tercatat paling berpengaruh terhadap keputusan berlangganan. Temuan ini memberikan dasar bagi pengelola e-commerce untuk menyusun strategi retensi pelanggan yang lebih terarah, dengan memanfaatkan segmentasi serta penawaran yang dipersonalisasi. Penelitian ini juga menyoroti pentingnya kualitas data dan pemilihan parameter k yang tepat untuk meningkatkan performa prediksi.]]>
Copyrights © 2025
