Implementasi Algoritma XGBoost untuk Klasifikasi Customer Segment dalam Mengidentifikasi Nilai dan Loyalitas Pelanggan
Keywords:
customer segmentation, XGBoost, klasifikasi, loyalitas pelangganAbstract
Customer Segment sangat diperlukan agar perusahaan dapat memahami sifat pelanggan dan merancang strategi pemasaran yang lebih efisien. Studi ini bertujuan menerapkan algoritma Extreme Gradient Boosting (XGBoost) untuk mengelompokkan pelanggan ke dalam empat segmen, yaitu High_Value, Loyal, Regular, dan Occasional, dengan dasar karakteristik demografis serta perilaku pelanggan. Dataset yang digunakan merupakan Customer Segment Ritel Online dari Kaggle, dengan langkah penelitian mencakup pra-pemrosesan data, transformasi data, pemodelan dengan XGBoost, dan penilaian model. Temuan penelitian mengindikasikan bahwa model XGBoost dapat meraih akurasi hingga 75%. Analisis mendalam mengindikasikan bahwa purchase_frequency dan months_active adalah variabel yang paling berpengaruh dalam klasifikasi. Oleh karena itu, XGBoost sangat efisien dalam mengklasifikasikan segmen pelanggan dan dapat membantu dalam menentukan nilai serta kesetiaan pelanggan sebagai landasan untuk keputusan pemasaran.
References
[1] J. Salminen, M. Mustak, M. Sufyan, and B. J. Jansen, “How can algorithms help in segmenting users and customers ? A systematic review and research agenda for algorithmic customer segmentation,” J. Mark. Anal., vol. 11, no. 4, pp. 677–692, 2023, doi: 10.1057/s41270-023-00235-5.
[2] A. Manzoor, M. A. Qureshi, E. Kidney, and L. Longo, “A Review on Machine Learning Methods for Customer Churn Prediction and Recommendations for Business Practitioners,” IEEE Access, vol. 12, no. March, pp. 70434–70463, 2024, doi: 10.1109/ACCESS.2024.3402092.
[3] G. Abdurrahman, H. Oktavianto, and M. Sintawati, “Optimasi Algoritma XGBoost Classifier Menggunakan Hyperparameter Gridesearch dan Random Search Pada Klasifikasi Penyakit Diabetes,” vol. 7, no. 3, pp. 193–198, 2022.
[4] R. Harahap et al., “PERBANDINGAN ALGORITMA RANDOM FOREST DAN XGBOOST UNTUK KLASIFIKASI PENYAKIT PARU-PARU BERDASARKAN DATA,” no. 02, pp. 130–141.
[5] J. Melvin and A. Soraya, “Analisis Perbandingan Algoritma XGBoost dan Algoritma Random Forest Ensemble Learning pada Klasifikasi Keputusan Kredit,” J. Ris. Rumpun Mat. dan Ilmu Pengetah. Alam, vol. 2, no. 2, 2023.
[6] S. Elina, H. Yulianti, O. Soesanto, and Y. Sukmawaty, “Penerapan Metode Extreme Gradient Boosting ( XGBOOST ) pada Klasifikasi Nasabah Kartu Kredit,” vol. 4, no. 1, pp. 21–26, 2022.
[7] B. T. Kristanti, A. Junaidi, and E. P. Mandyartha, “IMPLEMENTASI K-MEANS CLUSTER ING DALAM SEGMENTASI PELANGGAN BERDASARKAN USIA , PENDAPATAN , DAN MODEL RFM ( STUDI KASUS : LANTIKYA STORE JOMBANG ),” vol. 12, no. 3, 2024.
[8] M. Alves and G. Tobias, A review on customer segmentation methods for personalized customer targeting in e‑commerce use cases, vol. 21, no. 3. Springer Berlin Heidelberg, 2023. doi: 10.1007/s10257-023-00640-4.
[9] R. Kumar, “Online Retail Customer Segmentation Dataset [Dataset],” Kaggle. [Online]. Available: https://www.kaggle.com/datasets/rohit8527kmr7518/online-retail-customer-classification-dataset
[10] I. G. Ngurah and S. Putra, “Integrasi RFM , K-Means , dan XGBoost untuk Optimalisasi Retensi Pelanggan pada Online Retail,” vol. 5, no. 1, pp. 1–10, 2025.
[11] M. S. Kasem, “Customer profiling , segmentation , and sales prediction using AI in direct marketing,” Neural Comput. Appl., vol. 36, no. 9, pp. 4995–5005, 2024, doi: 10.1007/s00521-023-09339-6.
[12] T. Chen and C. Guestrin, “XGBoost : A Scalable Tree Boosting System,” pp. 785–794, 2016.
[13] P. Dhal and C. Azad, A comprehensive survey on feature selection in the various fields of machine learning. Applied Intelligence, 2021.
[14] P. Zhang, Y. Jia, and Y. Shang, “Research and application of XGBoost in imbalanced data,” vol. 18, no. 263, 2022, doi: 10.1177/15501329221106935.
[15] E. Bagli and G. Visani, “METRICS FOR MULTI-CLASS CLASSIFICATION: AN OVERVIEW,” arXiv, pp. 1–17, 2020.
[16] S. M. Lundberg et al., “From local explanations to global understanding with explainable AI for trees,” Nat. Mach. Intell., vol. 2, no. January, 2020, doi: 10.1038/s42256-019-0138-9.
