OPTIMALISASI KLASIFIKASI CHURN SPOTIFY BERBASIS TRANSFORMASI TABULAR-KE-CITRA MENGGUNAKAN VISION TRANSFORMER (VIT) DENGAN SELF-ATTENTION MECHANISM

Abstract

Prediksi Churn menjadi aspek krusial bagi platform streaming musik berbasis langganan seperti Spotify, karena Churn berdampak langsung terhadap stabilitas pendapatan dan strategi retensi pelanggan. Penelitian ini bertujuan mengoptimalkan klasifikasi Churn dengan menerapkan transformasi data tabular menjadi citra sebagai representasi input bagi model Vision Transformer (ViT). Metode penelitian mencakup pengumpulan dan prapemrosesan dataset perilaku pengguna, eksplorasi data, konversi tabular-ke-citra menggunakan pemetaan spasial fitur, pelatihan model ViT dengan mekanisme self-attention, serta evaluasi performa model menggunakan akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa pendekatan transformasi citra mampu memperkaya representasi data sehingga ViT dapat menangkap hubungan global antarfitur secara lebih efektif dibandingkan model tabular konvensional. Evaluasi menggambarkan peningkatan performa pada identifikasi pengguna Churn, terutama pada kelas minoritas yang sebelumnya sulit dideteksi. Integrasi metode tabular-ke-citra dan ViT memberikan kontribusi baru dalam domain prediksi Churn layanan streaming musik. Temuan ini menegaskan bahwa model visi komputer dapat diterapkan pada data non-visual dan berpotensi menjadi alternatif yang lebih adaptif dan interpretatif pada sistem prediktif berbasis data tabular.