Jurnal Ilmu Komputer dan Teknik Informatika
Vol. 2 No. 2 (2026): Juli 2026

Prediksi Churn Pelanggan Spotify Menggunakan XGBoost Berbasis Smote untuk Mengatasi Imbalanced Data Perilaku Streaming

Yakiya Ratna Sari (STMIK Bina Patria Magelang)
Novia Ardani (STMIK Bina Patria Magelang)
Zesi Walikhsani (STMIK Bina Patria Magelang)



Article Info

Publish Date
16 Jul 2026

Abstract

Persaingan di industri layanan musik streaming sangat ketat, sehingga platform seperti Spotify perlu memahami perilaku konsumen dengan lebih baik, terutama tentang mengapa pelanggan berhenti menggunakan layanan mereka. Penelitian ini berfokus pada membuat model yang dapat memprediksi pelanggan mana yang mungkin berhenti menggunakan Spotify. Untuk membuat model ini, penelitian ini menggunakan algoritma Extreme Gradient Boosting atau XGBoost, yang dikombinasikan dengan metode Synthetic Minority Over-sampling Technique atau SMOTE. SMOTE digunakan untuk mengatasi masalah ketidakseimbangan data, di mana jumlah pelanggan yang berhenti menggunakan layanan sangat sedikit dibandingkan dengan yang tetap menggunakan. Data yang digunakan dalam penelitian ini berasal dari Kaggle dan terdiri dari 50.000 data pengguna dengan 18 atribut perilaku, seperti berapa lama mereka mendengarkan musik setiap minggu, seberapa sering mereka melewatkan lagu, berapa banyak playlist yang mereka buat, jenis langganan mereka, dan informasi demografis. Proses penelitian meliputi memahami data, menentukan target, membersihkan data, membuat fitur baru, dan membagi data menjadi dua bagian untuk pelatihan dan pengujian. SMOTE digunakan untuk membuat data pelatihan lebih seimbang, sehingga model dapat memprediksi dengan lebih akurat. Penelitian ini juga melakukan pengoptimalan parameter model melalui RandomizedSearchCV untuk mendapatkan hasil terbaik. Setelah melakukan evaluasi, model XGBoost dengan SMOTE menunjukkan hasil yang sangat baik, dengan akurasi sebesar 0,9345, presisi sebesar 0,7067, recall sebesar 1,0000, F1-Score sebesar 0,8281, dan AUC-ROC sebesar 0,9610. Hasil cross-validation juga menunjukkan bahwa model ini sangat stabil dan dapat digeneralisasi dengan baik. Analisis lebih lanjut menunjukkan bahwa fitur “inactive_3_months_flag” adalah prediktor terpenting untuk memprediksi pelanggan yang berhenti menggunakan layanan, diikuti oleh “months_inactive” dan “inactive_listen_ratio". Ini berarti bahwa pelanggan yang tidak aktif selama tiga bulan atau lebih memiliki kemungkinan lebih tinggi untuk berhenti menggunakan layanan. Dengan memahami faktor-faktor ini, Spotify dapat mengambil langkah untuk mencegah pelanggan berhenti menggunakan layanan mereka dan meningkatkan kepuasan pelanggan secara keseluruhan.

Copyrights © 2026






Journal Info

Abbrev

juikti

Publisher

Subject

Computer Science & IT Engineering

Description

Jurnal Ilmu Komputer dan Teknik Informatika merupakan publikasi ilmiah yang diterbitkan secara berkala dan bertujuan untuk menyebarkan hasil-hasil penelitian serta kajian ilmiah di bidang ilmu komputer dan teknik informatika. JUIKTI menerima artikel-artikel penelitian orisinal, review, dan inovasi ...