Perbandingan Performa Dari Logistic Regression dan Random Forest dalam Memprediksi Akuisisi Pelanggan

Abstract

Akuisisi pelanggan merupakan langkah awal yang penting dalam upaya mencari dan mempertahankan pelanggan yang tepat, yakni dengan memastikan bahwa pelanggan baru menerima perhatian yang sesuai. Proses ini menjadi sangat penting bagi keberlangsungan dan pertumbuhan bisnis. Dalam pasar yang bersifat kompetitif, kemampuan untuk menarik dan mempertahankan pelanggan baru dapat menjadi faktor penentu kesuksesan bagi bisnis. Penelitian ini bertujuan untuk membandingkan dua algoritma klasifikasi, yaitu Logistic Regression dan Random Forest, dalam memprediksi akuisisi pelanggan dengan menggunakan dataset sekunder yang diambil dari Kaggle. Metodologi penelitian mencakup beberapa tahap, yakni eksplorasi data untuk memahami karakteristik dataset, prapemrosesan data untuk mempersiapkan informasi yang relevan, serta evaluasi kinerja model menggunakan Confusion Matrix. Penelitian ini menggunakan metrik presisi, recall, dan f1-score untuk mengukur performa kedua algoritma. Hasil penelitian menunjukkan bahwa Algoritma Random Forest memiliki akurasi yang lebih tinggi dibandingkan dengan Logistic Regression, dengan nilai akurasi 95%, presisi 95%, recall 95% dan f1-score 95%. Di sisi lain, algoritma Logistic Regression memiliki nilai akurasi sebesar 85%, presisi 85%, recall 85% dan f1-score85%. Temuan ini menunjukkan bahwa Random Forest lebih efektif dalam memprediksi akuisisi pelanggan. Penelitian ini diharapkan dapat memberikan kontribusi yang signifikan dalam pemilihan model Machine Learning yang optimal untuk memprediksi akuisisi pelanggan, sehingga bisnis dapat merancang strategi pemasaran yang lebih tepat dan efisien, meningkatkan kontribusi terhadap pengembangan bisnis, dan meningkatkan nilai pelanggan jangka panjang. Customer acquisition is a crucial first step in finding and retaining the right customers, ensuring that new customers receive the appropriate attention. This process is crucial for business continuity and growth. In a competitive market, the ability to attract and retain new customers can be a critical success factor for a business. This study aims to compare two classification algorithms, Logistic Regression and Random Forest, in predicting customer acquisition using a secondary dataset taken from Kaggle. The research methodology includes several stages, namely data exploration to understand the characteristics of the dataset, data preprocessing to prepare relevant information, and model performance evaluation using a Confusion Matrix. This study uses precision, recall, and f1-score metrics to measure the performance of both algorithms. The results show that the Random Forest Algorithm has a higher accuracy compared to Logistic Regression, with an accuracy value of 95%, precision of 95%, recall of 95% and f1-score of 95%. On the other hand, the Logistic Regression algorithm has an accuracy value of 85%, precision of 85%, recall of 85% and f1-score of 85%. These findings indicate that Random Forest is more effective in predicting customer acquisition. This research is expected to significantly contribute to the selection of optimal machine learning models for predicting customer acquisition, enabling businesses to design more precise and efficient marketing strategies, increasing their contribution to business development, and enhancing long-term customer value.