<![CDATA[Penelitian ini bertujuan memprediksi customer churn pada platform e-commerce menggunakan stacking ensemble learning yang diinterpretasikan dengan pendekatan explainable AI (SHAP). Metode penelitian menggunakan dataset publik perilaku pelanggan e-commerce sebanyak 5.630 pelanggan dengan tingkat churn 16,8%, yang diproses melalui imputasi nilai hilang, encoding fitur kategorikal, dan penanganan ketidakseimbangan kelas menggunakan Synthetic Minority Over-sampling Technique (SMOTE). Model dasar LightGBM, XGBoost, dan CatBoost digabungkan melalui stacking ensemble dengan meta-learner regresi logistik, kemudian dibandingkan dengan performa masing-masing model dasar. Hasil pengujian menunjukkan model stacking mencapai akurasi 98,76%, precision 94,44%, recall 98,42%, F1-score 96,39%, dan AUC 0,9986, unggul pada recall dan AUC dibandingkan seluruh model dasar, meskipun XGBoost tunggal memiliki F1-score sedikit lebih tinggi (96,55%). Analisis SHAP mengidentifikasi Tenure, Complain, CashbackAmount, NumberOfAddress, dan CityTier sebagai fitur paling berpengaruh terhadap prediksi churn. Kesimpulannya, kombinasi stacking ensemble dan SHAP mampu menghasilkan model prediksi churn yang akurat sekaligus dapat diinterpretasikan untuk mendukung strategi retensi pelanggan e-commerce.]]>
Copyrights © 2023
