Prediksi Perpindahan Pelanggan pada Penjualan Menggunakan Algoritma SVM Dan PSO

Abstract

Penelitian ini membahas prediksi perpindahan pelanggan (customer churn) pada penjualan menggunakan kombinasi algoritma Support Vector Machine (SVM) dan Particle Swarm Optimization (PSO). Masalah perpindahan pelanggan menjadi tantangan besar bagi industri e-commerce karena dapat menurunkan pendapatan dan meningkatkan biaya akuisisi pelanggan baru. Untuk mengai hal tersebut, diperlukan model prediksi yang akurat guna mendeteksi pelanggan yang berpotensi churn. Data yang digunakan dalam penelitian ini merupakan data sekunder berjumlah 901 pelanggan yang mencakup variabel usia, total pembelian, status manajer akun, lama berlangganan, dan jumlah situs yang dikelola. Algoritma SVM digunakan untuk klasifikasi, sementara PSO berperan dalam optimasi parameter C (regularization) dan gamma (kernel coefficient) agar menghasilkan performa model terbaik. Hasil pengujian menunjukkan bahwa model SVM dengan optimasi PSO memberikan peningkatan kinerja dibandingkan SVM tanpa optimasi. Nilai akurasi meningkat dari 0,861111 menjadi 0,872222, dengan peningkatan nilai Recall dari 0,28125 menjadi 0,43750 dan nilai AUC dari 0,8923 menjadi 0,9071. Hal ini membuktikan bahwa PSO mampu menemukan kombinasi parameter optimal yang memperbaiki kemampuan model dalam mendeteksi pelanggan churn. Dengan demikian, integrasi PSO pada SVM terbukti efektif dalam meningkatkan akurasi prediksi perpindahan pelanggan, serta dapat dijadikan dasar bagi pengembangan sistem prediksi churn yang lebih efisien pada industri e-commerce. This research discusses the prediction of customer churn in bag sales using a combination of the Support Vector Machine (SVM) and Particle Swarm Optimization (PSO) algorithms. Customer churn is a significant challenge for the e-commerce industry as it can reduce revenue and increase the cost of acquiring new customers. To address this, an accurate prediction model is needed to identify customers at risk of churning. The data used in this study is secondary data from 901 customers, including the variables of age, total purchases, account manager status, subscription duration, and the number of managed websites. The SVM algorithm is used for classification, while PSO plays a role in optimizing the parameters C (regularization) and gamma (kernel coefficient) to achieve the best model performance. The test results show that the SVM model with PSO optimization provides improved performance compared to SVM without optimization. The accuracy value increased from 0.861111 to 0.872222, with an increase in the Recall value from 0.28125 to 0.43750 and the AUC value from 0.8923 to 0.9071. This proves that PSO is capable of finding the optimal parameter combination that improves the model's ability to detect customer churn. Thus, integrating PSO with SVM has proven effective in improving the accuracy of customer churn prediction, and can serve as a basis for developing more efficient churn prediction systems in the e-commerce industry.