REKOMENDASI PENANGANAN CHURN CUSTOMER PADA E�COMMERCE DENGAN METODE LOGISTIC REGRESSION

Sya’bani, Muhammad Nur Ishlaahudin (2024) REKOMENDASI PENANGANAN CHURN CUSTOMER PADA E�COMMERCE DENGAN METODE LOGISTIC REGRESSION. Other thesis, UPN Veteran Yogyakarta.

	Text 2_Cover_123200097_Muhammad Nur Ishlaahudin Sya_bani.pdf Download (3MB)
	Text 3_Abstrak_123200097_Muhammad Nur Ishlaahudin Sya_bani.pdf Download (3MB)
	Text 4_Halaman Pengesahan_123200097_Muhammad Nur Ishlaahudin Sya_bani.pdf Download (325kB)
	Text 5_Daftar Isi_123200097_Muhammad Nur Ishlaahudin Sya_bani.pdf Download (3MB)
	Text 6_Daftar Pustaka_123200097_Muhammad Nur Ishlaahudin Sya_bani.pdf Download (3MB)
	Text 1_Skripsi full_123200097_Muhammad Nur Ishlaahudin Sya_bani.pdf Restricted to Repository staff only Download (3MB)

Abstract

E-commerce selalu membutuhkan customer dan tanpa customer, e-commerce tidak akan bisa bertahan. Dalam e-commerce, customer akan membeli produk karena pengalaman pengguna yang baik, pengiriman cepat dan handal, personalisasi produk dan rekomendasi, promosi dan diskon, kemudahan pembayaran, program loyalitas dan reward, review produk dari customer sebelumnya serta rekomendasi berdasarkan preferensi pembelian sebelumnya. Namun, pada kenyataannya, e-commerce menghadapi beberapa masalah seperti review produk yang buruk, kategori produk yang terbatas, kurangnya personalisasi, dan tingkah laku customer yang tiba-tiba meninggalkan e-commerce yang menyebabkan customer akan beralih dan tidak menggunakan e-commerce tersebut. Salah satu metode yang populer dalam mengatasi masalah ini adalah logistic regression, sebuah teknik machine learning yang terbukti efektif dalam berbagai prediksi biner. Penelitian ini bertujuan untuk mengimplementasikan metode logistic regression dalam memprediksi churn customer dan tingkat churn rate dengan meningkatkan akurasi dan menyusun rekomendasi penanganan churn customer berdasarkan hasil visualisasi data yang sudah dimodelkan.

Dalam penelitian ini, digunakan dataset Fashion Campus, di mana preprocessing dilakukan melalui data cleaning, data integration, data transformation, data reduction, exploratory data analysis, dan feature engineering. Variabel yang digunakan dibagi menjadi dua yaitu dependen sebagai hasil prediksi yaitu ‘segmentation_churn’ dan variabel independen sebagai variabel input yang memprediksi ‘basket_size’, ‘total_order’, ‘total_sales’, ‘monetary_segementation’, dan ‘first_segmentation’. Data dibagi menjadi dua yaitu 80% untuk data training dan 20% untuk data testing. Evaluasi model dilakukan menggunakan confusion matrix untuk mengetahui nilai dari akurasi, precision, recall, dan f�1 score. Selain itu, alidasi model juga diperlukan dengan menggunakan metode ROC AUC untuk mengukur seberapa baik model dalam memberikan prediksi klasifikasi churn.

Hasil penelitian ini menunjukkan bahwa penerapan hyperparameter tuning pada model logistic regression memberikan dampak dalam peningkatan performa model prediksi walaupun tidak signifikan. Pemilihan parameter yang tepat, seperti ‘C’, ‘class_weight’, ‘dual’, ‘fit_intercept’, ‘intercept_scaling’, ‘l1_ratio’, ‘max_iter’, ‘multi_class’, ‘n_jobs’, ‘penalty’, ‘random_state’, ‘solver’, ‘tol’, ‘verbose’, dan ‘warm_start’, berkontribusi pada peningkatan performa model prediksi churn. Peningkatan nilai akurasi dari 80,21% menjadi 81,07% sebesar 0,86%, nilai precission yang meningkat dari 77,74 % menjadi 79,08% sebesar 1,34%, nilai recall yang meningkat dari 80,21% menjadi 81,07% sebesar 0,86%, dan f-1 score yang meningkat dari 77,16% menjadi 78,35% sebesar 1,19% menjadi informasi penting bahwa optimasi parameter yang optimal akan menghasilkan prediksi churn yang akurat dan dapat diandalkan dalam rekomendasi untuk mengurangi tingkat churn dan menjaga retensi pelanggan.

Kata Kunci: E-commerce, Rekomendasi, Churn, Logistic Regression, Hyperparameter Tuning.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	E-commerce, Rekomendasi, Churn, Logistic Regression, Hyperparameter Tuning.
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	Bayu Setya Pambudi
Date Deposited:	20 Dec 2024 01:35
Last Modified:	20 Dec 2024 01:35
URI:	http://eprints.upnyk.ac.id/id/eprint/41878

Actions (login required)

View Item