Komparasi Algoritma Klasifikasi untuk Prediksi Leads yang akan Menjadi Customer

Sihite, Abednego Steven and Bunyamin, Hendra (2023) Komparasi Algoritma Klasifikasi untuk Prediksi Leads yang akan Menjadi Customer. Bina Insani ICT Journal, 10 (2). pp. 188-199. ISSN 2355-3421

	Text 2023-bina_insani-prediksi-leads.pdf Download (2036Kb)
	Text 2023-bina_insani-prediksi-leads-turnitin.pdf Download (3031Kb)

Official URL: https://ejournal-binainsani.ac.id/index.php/BIICT/...

Abstract

Leads adalah sekelompok orang yang memiliki potensi untuk menjadi pelanggan dari sebuah produk dan jasa dari sebuah bisnis. Oleh karena itu, mengetahui segmentasi leads dan memprediksi leads yang akan menjadi pelanggan merupakan hal yang sangat penting bagi sebuah perusahaan. Beruntungnya di era digital ini, teknologi dapat digunakan untuk membantu pekerjaan manusia seperti memprediksi leads yang akan menjadi pelanggan. Salah satu teknologi yang dapat digunakan adalah penerapan machine learning. Proses penerapan machine learning dalam memprediksi leads yang akan menjadi pelanggan meliputi preprocessing data, analisis data eksploratif, serta pembuatan dan interpretasi model machine learning itu sendiri. Algoritma klasifikasi yang diujicobakan pada penelitian ini adalah Logistic Regression, Support Vector Machine, Decision Trees, Random Forest, Naive Bayes, dan K�Nearest Neighbors. Dataset yang digunakan dalam penelitian ini adalah data sekunder yang diambil dari platform Kaggle dengan total 9.240 baris dan 37 kolom. Preprocessing data dapat membersihkan kualitas dari dataset sehingga dataset tersebut dapat digunakan sebagai data training dan data testing dengan kualitas yang baik. Analisis Data Eksplorasi dapat menghasilkan informasi penting dari sebuah dataset. Terakhir, pembangunan dan interpretasi model dapat menjelaskan bagaimana sebuah fitur dalam dataset dapat mempengaruhi prediksi sebuah model. Pada bagian algoritma, berdasarkan hasil uji coba didapatkan bahwa algoritma Random Forest merupakan algoritma dengan nilai terbaik dalam memprediksi prospek yang akan menjadi pelanggan. Terakhir, pada tahap interpretasi model dengan menggunakan metode partial dependence plot menghasilkan kesimpulan bahwa semakin lama calon pelanggan menghabiskan waktu di website perusahaan, maka semakin besar kemungkinan calon pelanggan tersebut menjadi pelanggan, kemudian leads yang teridentifikasi melalui Lead Add Form memiliki peluang lebih besar untuk menjadi pelanggan dan yang terakhir calon pelanggan atau lead yang bekerja secara profesional memiliki peluang lebih besar untuk menjadi pelanggan.

Item Type:

Article

Contributors: