Penerapan algoritma random forest untuk klasifikasi pelanggan berdasarkan data demografi dan perilaku belanja

Perkembangan dunia bisnis yang semakin kompetitif menuntut
perusahaan untuk memahami karakteristik pelanggan secara lebih mendalam agar strategi pemasaran dapat disusun secara tepat sasaran. Pemanfaatan data demografi dan perilaku belanja dapat digunakan untuk mengklasifikasikan pelanggan berdasarkan respons terhadap promosi. Penelitian ini membahas penerapan algoritma Random Forest dalam klasifikasi pelanggan serta mengevaluasi performa model dalam membedakan pelanggan yang merespons dan tidak merespons promosi. Data yang digunakan adalah Customer Personality Analysis yang diperoleh dari Kaggle, berisi variabel demografi seperti usia, pendapatan, tingkat pendidikan, status pernikahan, dan jumlah anak, serta variabel perilaku belanja seperti jumlah pembelian produk, frekuensi transaksi, dan respon terhadap promosi. Penanganan ketidakseimbangan kelas dilakukan menggunakan SMOTENC karena data memiliki kombinasi fitur numerik dan kategorik. Hasil penelitian menunjukkan bahwa model Random Forest dengan SMOTENC memperoleh nilai akurasi sebesar 0,863267, presisi sebesar 0,539683, sensitivitas sebesar 0,612613, dan skor F-1 sebesar 0,573840. Penelitian ini diharapkan dapat memberikan gambaran mengenai pemanfaatan algoritma Random Forest dalam klasifikasi pelanggan serta mendukung penyusunan strategi pemasaran yang lebih tepat sasaran.