Prediksi Keberhasilan Menindaklanjuti Pelanggan pada Dealer Mobil dengan Komparasi Algoritma Random Forest dan XGBoost

Heidy, Helma Nopijani (Politeknik Negeri Lampung)
Putro, Dimas Eko (Universitas Teknokrat Indonesia)
Fadli, Muhammad (Politeknik Negeri Lampung)
Susanto, Erliyan Redy (Universitas Teknokrat Indonesia)

Progresif: Jurnal Ilmiah Komputer
Vol 21, No 2: Agustus 2025

The automotive industry is facing intense competition in boosting vehicle sales, where the follow-up process with prospective customers plays a crucial role in sales conversion. This study develops a predictive model for the success of follow-ups at car dealerships by comparing two machine learning algorithms: Random forest and XGBoost. A dataset of Honda car dealership customers from 2023 was processed through a preprocessing stage, including handling data imbalance and encoding categorical data. The models were evaluated using accuracy, precision, recall, and F1-score metrics. The results show that XGBoost outperforms with an accuracy of 91.67%, compared to Random forest's 88.89%. Both models demonstrate balanced performance across positive and negative classes, indicating a significant improvement over previous approaches. This study recommends expanding the dataset and developing a prediction-based decision support system to enhance the marketing effectiveness of car dealerships.Keywords: Machine learning; Random forest; XGBoost AbstrakIndustri otomotif menghadapi persaingan ketat dalam meningkatkan penjualan kendaraan, di mana proses tindak lanjut (Follow-up) kepada calon pelanggan menjadi faktor krusial dalam konversi penjualan. Penelitian ini mengembangkan model prediksi keberhasilan Follow-up pada dealer mobil dengan membandingkan dua algoritma machine learning, yaitu Random forest dan XGBoost. Dataset pelanggan dealer mobil Honda tahun 2023 diproses melalui tahap preprocessing, termasuk penanganan ketidakseimbangan data menggunakan encoding data kategorikal. Model dievaluasi menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil menunjukkan XGBoost unggul dengan akurasi 91,67%, lebih baik dibanding Random forest dengan akurasi 88,89%. Kedua model menunjukkan performa yang seimbang pada kelas positif dan negatif, menandai peningkatan signifikan dari pendekatan sebelumnya. Penelitian merekomendasikan perluasan dataset dan pengembangan sistem pendukung keputusan berbasis prediksi untuk meningkatkan efektivitas pemasaran dealer mobil.Kata kunci: Machine learning; Random forest; XGBoost