Tegal · 2021 – 2025

Random Forest

Akurasi klasifikasi segmen, feature importance, dan confusion matrix.

Akurasi test 99,2%

Model menebak segmen dengan benar pada 99,2% data uji (1.023 sampel).

Selisih akurasi vs cross-val 11,0 poin

Akurasi test 99,2% vs rata-rata 5-fold 88,3%. Selisih ini menandakan hasil uji bisa terlalu optimistis; cek sebaran fold di grafik. Sebaran fold 70,2%–98,7% (selisih 28,5 poin).

Fitur paling menentukan

Monetary memiliki permutation importance tertinggi (0,510), diikuti kontribusi Gini 0,388.

Kelas tersulit · C4

F1-score terendah ada di cluster C4 (0,950) dengan 43 sampel uji.

Akurasi test

99,2%

1.023 sampel uji

Rata-rata cross-val

88,3%

5-fold

Rentang cross-val

28,5 poin

70,2% – 98,7%

Jumlah kelas

4.092 pelanggan

Fitur

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.

Classification report per cluster
Kelas	Precision	Recall	F1	Support
C0	1,000	1,000	1,000	80
C1	0,990	0,990	0,990	201
C2	0,990	1,000	1,000	152
C3	0,990	0,960	0,970	74
C4	0,930	0,980	0,950	43
C5	1,000	1,000	1,000	236
C6	1,000	1,000	1,000	88
C7	0,990	0,990	0,990	149

Confusion matrix

Baris = label aktual, kolom = prediksi. Angka di luar diagonal adalah kesalahan klasifikasi.

PNG

Unduh data & artefak

Semua berkas mentah untuk dianalisis ulang di Excel, Python, atau R.

rfm_segments.csv RFM + label cluster per pelanggan. CSV 271 KB summary.txt Ringkasan K-Means & Random Forest. TXT 2 KB kmeans.joblib Artefak model terlatih (joblib). MODEL 17 KB random_forest.joblib Artefak model terlatih (joblib). MODEL 4,2 MB scaler.joblib Artefak model terlatih (joblib). MODEL 639 B Gini_importance.png Plot diagnostik dari pipeline Python. PNG 16 KB Permutation_importance.png Plot diagnostik dari pipeline Python. PNG 15 KB kmeans_k_selection.png Plot diagnostik dari pipeline Python. PNG 58 KB kmeans_scatter.png Plot diagnostik dari pipeline Python. PNG 217 KB rf_confusion_matrix.png Plot diagnostik dari pipeline Python. PNG 41 KB