Perubahan gaya hidup selama pandemi mempengaruhi daya beli dan kebiasaan masyarakat terhadap kebutuhan akan makanan bayi khususnya produk susu, sehingga dalam meningkatkan keuntungan dan daya saing usaha menjadi bagian penting bagi perusahaan yang bergerak dibidang pengadaan susu bubuk untuk balita. Salah satu strategi untuk meningkatkan profitabilitas dan daya saing, yaitu dengan meningkatkan retensi pelanggan dengan memprediksi loyalitas pelanggan dengan mengklasifikasikan profil pelanggan pada Customer Relationship Management (CRM) yang sering juga dikenal dengan sebutan Customer Loyalty Program. Pembahasan ini mencoba untuk mengklasifikasi loyalitas pelanggan melalui profil pelanggan (demografi, transaksi, dll) dengan menggunakan teknik dari metode data mining yaitu Logistic Regression, Random Forest dan Neural Network, sehingga dapat menemukan model atau teknik data mining yang memiliki performasi terbaik dimana accuracy rate value sebagai nilai pembandingnya dan pembahasaan ini juga berfokus pada eksplorasi hubungan antara variabel yang menyusun adanya pelanggan loyal. Dengan berdasarkan Cross Industry Standard Process for Data Mining (CRISP-DM) sebagai metodologi dalam menyusun pembahasan ini, pembahasan akan terbagi menjadi beberapa tahapan, antara lain (1) pemahaman bisnis, (2) Pemahaman data, (3) Persiapan data, (4) Pemodelan dan (5) Evaluasi.

---

Changes in lifestyle during the pandemic affect people's purchasing power and habits towards the need for baby food, especially dairy products, so that increasing profits and business competitiveness becomes an important part for companies which are engaged in procuring powdered milk for toddlers. One of the strategies to increase profitability and competitiveness is to increase customer retention by predicting customer loyalty by classifying customer profiles in the Customer Relationship Management (CRM) which is often also known as the Customer Loyalty Program. This discussion tries to classify customer loyalty through customer profiles (demography, transactions, etc.) using techniques from data mining methods, namely Logistic Regression, Random Forest, and Neural Networks, to find a model or data mining technique that has the best performance where the accuracy rate value as a comparison value and focuses on exploring the relationship between the variables that construct the existence of loyal customers. Based on the Cross Industry Standard Process for Data Mining (CRISP-DM) as the methodology in compiling this discussion, the discussion will be divided into several stages, including (1) business understanding, (2) data understanding, (3) data preparation, (4) modeling and (5) evaluation.