PREDIKSI CHURN PELANGGAN E-COMMERCE MENGGUNAKAN ENSEMBLE LEARNING

Prediksi churn pelanggan merupakan salah satu permasalahan penting dalam industri e-commerce karena berkaitan dengan upaya mempertahankan pelanggan dan meningkatkan keberlangsungan bisnis. Penelitian ini bertujuan membangun model prediksi churn pelanggan e-commerce menggunakan metode ensemble learning, menganalisis pengaruh penanganan class imbalance menggunakan Synthetic Minority Oversampling Technique (SMOTE), serta membandingkan kinerja Random Forest, Gradient Boosting Machine (GBM), dan Extreme Gradient Boosting (XGBoost). Penelitian menggunakan E-Commerce Churn Dataset 2025 yang diperoleh dari Kaggle dan dilaksanakan berdasarkan tahapan OSEMN (Obtain, Scrub, Explore, Model, dan Interpret). Data diproses melalui preprocessing, pembagian data latih dan data uji, penanganan class imbalance menggunakan SMOTE, one-hot encoding, pelatihan model, serta evaluasi menggunakan Confusion Matrix, Recall, dan Area Under the Curve (AUC). Hasil penelitian menunjukkan bahwa penerapan SMOTE dan penyesuaian threshold dari 0,5 menjadi 0,2 meningkatkan kemampuan deteksi churn. XGBoost menghasilkan performa terbaik dengan nilai recall sebesar 0,9388 dan AUC sebesar 0,5534, sedangkan Random Forest memperoleh recall sempurna sebesar 1,0000, namun menunjukkan bias klasifikasi yang menyebabkan hasil prediksi kurang valid. Meskipun XGBoost memberikan kompromi performa terbaik di antara ketiga model, nilai AUC seluruh model masih berada di bawah 0,60, sehingga model yang dihasilkan belum siap untuk diimplementasikan secara praktis dan lebih menunjukkan potensi awal penerapan ensemble learning untuk pengembangan penelitian selanjutnya.