Prediksi Churn Pelanggan Spotify Menggunakan XGBoost Berbasis Smote untuk Mengatasi Imbalanced Data Perilaku Streaming
DOI:
https://doi.org/10.64803/juikti.v2i2.163Keywords:
Churn Prediction, XGBoost, Imbalanced Data, Spotify, Machine Learning, Perilaku StreamingAbstract
Persaingan di industri layanan musik streaming sangat ketat, sehingga platform seperti Spotify perlu memahami perilaku konsumen dengan lebih baik, terutama tentang mengapa pelanggan berhenti menggunakan layanan mereka. Penelitian ini berfokus pada membuat model yang dapat memprediksi pelanggan mana yang mungkin berhenti menggunakan Spotify. Untuk membuat model ini, penelitian ini menggunakan algoritma Extreme Gradient Boosting atau XGBoost, yang dikombinasikan dengan metode Synthetic Minority Over-sampling Technique atau SMOTE. SMOTE digunakan untuk mengatasi masalah ketidakseimbangan data, di mana jumlah pelanggan yang berhenti menggunakan layanan sangat sedikit dibandingkan dengan yang tetap menggunakan. Data yang digunakan dalam penelitian ini berasal dari Kaggle dan terdiri dari 50.000 data pengguna dengan 18 atribut perilaku, seperti berapa lama mereka mendengarkan musik setiap minggu, seberapa sering mereka melewatkan lagu, berapa banyak playlist yang mereka buat, jenis langganan mereka, dan informasi demografis. Proses penelitian meliputi memahami data, menentukan target, membersihkan data, membuat fitur baru, dan membagi data menjadi dua bagian untuk pelatihan dan pengujian. SMOTE digunakan untuk membuat data pelatihan lebih seimbang, sehingga model dapat memprediksi dengan lebih akurat. Penelitian ini juga melakukan pengoptimalan parameter model melalui RandomizedSearchCV untuk mendapatkan hasil terbaik. Setelah melakukan evaluasi, model XGBoost dengan SMOTE menunjukkan hasil yang sangat baik, dengan akurasi sebesar 0,9345, presisi sebesar 0,7067, recall sebesar 1,0000, F1-Score sebesar 0,8281, dan AUC-ROC sebesar 0,9610. Hasil cross-validation juga menunjukkan bahwa model ini sangat stabil dan dapat digeneralisasi dengan baik. Analisis lebih lanjut menunjukkan bahwa fitur “inactive_3_months_flag” adalah prediktor terpenting untuk memprediksi pelanggan yang berhenti menggunakan layanan, diikuti oleh “months_inactive” dan “inactive_listen_ratio". Ini berarti bahwa pelanggan yang tidak aktif selama tiga bulan atau lebih memiliki kemungkinan lebih tinggi untuk berhenti menggunakan layanan. Dengan memahami faktor-faktor ini, Spotify dapat mengambil langkah untuk mencegah pelanggan berhenti menggunakan layanan mereka dan meningkatkan kepuasan pelanggan secara keseluruhan.
References
[1] M. Marcellina and A. Mukhlason, “Analisis Prediktif Churn untuk Meningkatkan Tingkat Retensi Pelanggan pada Perusahaan SaaS Menggunakan Machine Learning,” ILKOMNIKA: Journal of Computer Science and Applied Informatics, vol. 6, no. 1, pp. 21–32, Apr. 2024, doi: 10.28926/ilkomnika.v6i1.598.
[2] M. Rizki Kurniawan et al., “PREDIKSI CUSTOMER CHURN PADA PERUSAHAAN TELEKOMUNIKASI MENGGUNAKAN ALGORITMA C4.5 BERBASIS PARTICLE SWARM OPTIMIZATION,” 2023.
[3] M. Imron and P. Korespondensi, “Implementasi Model Prediksi Churn Pelanggan Menggunakan Algoritma Random Forest Pada Website Industri Telekomunikasi,” 2025.
[4] R. Siringoringo, “KLASIFIKASI DATA TIDAK SEIMBANG MENGGUNAKAN ALGORITMA SMOTE DAN k-NEAREST NEIGHBOR,” 2018.
[5] Nurlaelatul Maulidah, “Prediksi Peningkatan Jumlah Nasabah Deposito Berjangka Menggunakan Algoritma KNN, Decision Tree, Random Forest Dan Xgboost,” vol. vol.13, no.2, Aug. 2023, doi: 10.22441/incomtech.v13i3.16921.
[6] S. Yulianti, O. Soesanto, and Y. Sukmawaty, “Penerapan Metode Extreme Gradient Boosting (XGBOOST) pada Klasifikasi Nasabah Kartu Kredit,” Journal of Mathematics Theory and Application, vol. 4, pp. 21–26, Aug. 2022, doi: 10.31605/jomta.v4i1.1792.
[7] Suryana Nana, Pratiwi Pratiwi, and Prasetio Tri Rizki, “Penanganan Ketidakseimbangan Data pada Prediksi Customer Churn Menggunakan Kombinasi SMOTE dan Boosting,” LPPM Universitas Bina Sarana Informatika, vol. Vol 6, No.1, 2021.
[8] Digital Skola Content Team, “Apa itu Exploratory Data Analysis (EDA): Definisi dan Teknik Visualisasi Data.” Accessed: Jul. 06, 2026. [Online]. Available: https://digitalskola.com/blog/data-science/exploratory-data-analysis-eda
[9] Sckit Learn, “Preprocessing data.” Accessed: Jul. 06, 2026. [Online]. Available: https://scikit-learn.org/stable/modules/preprocessing.html
[10] Chopra Abhishek, “Stratified Split: Why Data Splitting is Crucial in Machine Learning.” Accessed: Jul. 06, 2026. [Online]. Available: https://www.linkedin.com/pulse/ml-6-stratified-split-why-data-splitting-crucial-machine-chopra-zdvmc
[11] “StandardScaler, MinMaxScaler and RobustScaler techniques - ML.” Accessed: Jul. 06, 2026. [Online]. Available: https://www.geeksforgeeks.org/machine-learning/standardscaler-minmaxscaler-and-robustscaler-techniques-ml/
[12] XGBoosting, “XGBoost for Imbalanced Classification with SMOTE”, Accessed: Jul. 06, 2026. [Online]. Available: https://xgboosting.com/xgboost-for-imbalanced-classification-with-smote/
[13] Shalev Ofir, “Recall, Precision, F1, ROC, AUC, and everything.”
[14] N. Agian, S. Dinata, G. Abdurrahman, and N. Q. Fitriyah, “Perbandingan Optimasi Algoritma Random Forest Menggunakan Teknik Boosting Terhadap Kasus Klasifikasi Churn Pelanggan Di Industri Telekomunikasi.” [Online]. Available: www.kaggle.com.
[15] C. Mulia et al., “Teknik SMOTE untuk Mengatasi Imbalance Class dalam Klasifikasi Bank Customer Churn Menggunakan Algoritma Naïve bayes dan Logistic Regression,” 2023.
[16] A. Wardana, W. Rahayu, and K. Mustaqim, “Model Prediksi Churn Pelanggan Indibiz Menggunakan Regresi Logistik dan Extreme Gradient Boosting (XGBoost),” Jurnal Informatika Polinema, vol. 12, pp. 425–430, May 2026, doi: 10.33795/jip.v12i3.9377.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Yakiya Ratna Sari, Novia Ardani, Zesi Walikhsani (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
