Akurasi test 99,9%
Model menebak segmen dengan benar pada 99,9% data uji (1.093 sampel).
Semua Cabang · Seluruh periode
Random Forest
Akurasi klasifikasi segmen, feature importance, dan confusion matrix.
Selisih akurasi vs cross-val 12,5 poin
Akurasi test 99,9% vs rata-rata 5-fold 87,4%. Selisih ini menandakan hasil uji bisa terlalu optimistis; cek sebaran fold di grafik. Sebaran fold 65,3%–99,1% (selisih 33,8 poin).
Fitur paling menentukan
Frequency memiliki permutation importance tertinggi (0,204), diikuti kontribusi Gini 0,579.
Kelas tersulit · C0
F1-score terendah ada di cluster C0 (1,000) dengan 187 sampel uji.
Akurasi test
99,9%
1.093 sampel uji
Rata-rata cross-val
87,4%
5-fold
Rentang cross-val
33,8 poin
65,3% – 99,1%
Jumlah kelas
2
4.372 pelanggan
Fitur
3
Recency · Frequency · Monetary
Feature importance
Gini importance (in-tree) dibanding permutation importance (dampak pada akurasi).
Skor cross-validation
Akurasi pada setiap fold. Garis putus-putus = rata-rata.
Metrik per kelas
Precision, recall, dan F1 untuk setiap segmen.
Classification report
Detail kualitas prediksi per segmen.
| Kelas | Precision | Recall | F1 | Support |
|---|---|---|---|---|
| C0 | 1,000 | 0,990 | 1,000 | 187 |
| C1 | 1,000 | 1,000 | 1,000 | 906 |
Confusion matrix
Baris = label aktual, kolom = prediksi. Angka di luar diagonal adalah kesalahan klasifikasi.
Unduh data & artefak
Semua berkas mentah untuk dianalisis ulang di Excel, Python, atau R.
rfm_segments.csv
RFM + label cluster per pelanggan.
summary.txt
Ringkasan K-Means & Random Forest.
kmeans.joblib
Artefak model terlatih (joblib).
random_forest.joblib
Artefak model terlatih (joblib).
scaler.joblib
Artefak model terlatih (joblib).
Gini_importance.png
Plot diagnostik dari pipeline Python.
Permutation_importance.png
Plot diagnostik dari pipeline Python.
kmeans_k_selection.png
Plot diagnostik dari pipeline Python.
kmeans_scatter.png
Plot diagnostik dari pipeline Python.
rf_confusion_matrix.png
Plot diagnostik dari pipeline Python.
