ANALISIS SENTIMEN ULASAN PELANGGAN BERBASIS DEEP LEARNING UNTUK MENDUKUNG CRM ANALYTICS DALAM MENCEGAH CHURN PELANGGAN PADA E-COMMERCE

Abstract

Tingkat customer churn yang tinggi merupakan tantangan utama bagi perusahaan e-commerce. Selama ini, sebagian besar model prediksi churn hanya bergantung pada data transaksi dan jarang melibatkan opini tekstual pelanggan. Penelitian ini bertujuan memprediksi probabilitas churn dengan menggabungkan analisis sentimen ulasan dengan variabel perilaku Customer Relationship Management (CRM) berupa RFM (Recency, Frequency, Monetary) dan data logistik. Algoritma Long Short-Term Memory (LSTM) digunakan untuk mengklasifikasikan sentimen dari 8.196 data ulasan. Hasil ekstraksi sentimen ini kemudian diintegrasikan dengan data transaksi historis untuk melatih algoritma Random Forest dalam memprediksi churn. Hasil pengujian menunjukkan model LSTM mencapai akurasi 88,44% dalam klasifikasi teks sentimen. Pada tahap klasifikasi churn, model Random Forest menghasilkan nilai Recall 84%, yang membuktikan keandalannya dalam mendeteksi pelanggan berisiko. Selanjutnya, analisis Feature Importance menemukan bahwa total nilai belanja (Monetary), tingginya rasio ongkos kirim, dan keterlambatan paket merupakan faktor paling dominan yang memicu churn, sedangkan frekuensi belanja tidak memberikan pengaruh yang signifikan