GRAHAMITRAGRAHAMITRA

Bulletin of Information System ResearchBulletin of Information System Research

Prediksi customer churn bertujuan untuk mengklasifikasikan data pelanggan sebelumnya menjadi dua kategori: pelanggan yang akan berhenti berlangganan dan pelanggan yang akan terus berlangganan. Prediksi tersebut memanfaatkan ilmu data mining, peran klasifikasi yang merupakan menempatkan variabel atau objek ke dalam beberapa kategori relevan yang telah ditetapkan sebelumnya. Dalam proses eksekusi data mining, diperlukan sebuah algoritma yang dapat mengklasifikasikan apakah customer churn atau tidak churn. Data yang digunakan terdiri dari 7043 rows dan 21 columns. Didalam data tersebut salah satu kolom akan dijadikan label yaitu kolom Churn‟. Dalam proses prediksi churn, algoritma yang digunakan yaitu Decision Tree dan K-Nearest Neighbor. Dari hasil analisis yang dilakukan, pada algoritma KNN dihasilkan 76% dan Decision Tree 72%. Dengan hasil pemodelan akurasi 72% dan 76%, keduanya memenuhi kriteria kesuksesan >70%. Namun, model KNN dengan akurasi 76% lebih baik dan lebih diinginkan karena memberikan prediksi yang lebih akurat.

Dari hasil analisis yang dilakukan, pada algoritma KNN dihasilkan 76% dan Decision Tree 72%.Dengan hasil pemodelan akurasi 72% dan 76%, keduanya memenuhi kriteria kesuksesan >70%.Namun, model KNN dengan akurasi 76% lebih baik dan lebih diinginkan karena memberikan prediksi yang lebih akurat.Kedua model mungkin belum mencapai performa optimal jika tidak dilakukan tuning hyperparameter yang maksimal.Untuk penelitian selanjutnya, dapat digunakan teknik seperti grid search atau random search untuk menemukan konfigurasi terbaik bagi KNN dan Decision Tree.

Penelitian lanjutan dapat mengeksplorasi penggunaan metode ensemble seperti Random Forest atau XGBoost untuk meningkatkan akurasi prediksi churn. Selain itu, penting untuk mengkaji dampak preprocessing data, terutama dalam menangani ketidakseimbangan data dan nilai missing yang mungkin memengaruhi hasil model. Penelitian juga bisa menguji penerapan algoritma ini pada sektor lain seperti perbankan atau e-commerce untuk melihat tingkat generalisasi dan adaptasi model dalam konteks bisnis yang berbeda.

  1. Penerapan Algoritma Decision Tree untuk Ulasan Aplikasi Vidio di Google Play | Jurnal Nasional Teknologi... teknosi.fti.unand.ac.id/index.php/teknosi/article/view/2385Penerapan Algoritma Decision Tree untuk Ulasan Aplikasi Vidio di Google Play Jurnal Nasional Teknologi teknosi fti unand ac index php teknosi article view 2385
  2. IMPLEMENTASI ALGORITMA DECISION TREE UNTUK KLASIFIKASI PRODUK LARIS | Jurnal Ilmiah Ilmu Komputer Fakultas... doi.org/10.35329/jiik.v7i2.203IMPLEMENTASI ALGORITMA DECISION TREE UNTUK KLASIFIKASI PRODUK LARIS Jurnal Ilmiah Ilmu Komputer Fakultas doi 10 35329 jiik v7i2 203
  3. IMPLEMENTASI METODE K-NEAREST NEIGHBOR (KNN) UNTUK SELEKSI CALON KARYAWAN BARU (Studi Kasus : BFI Finance... doi.org/10.36040/jati.v4i2.2656IMPLEMENTASI METODE K NEAREST NEIGHBOR KNN UNTUK SELEKSI CALON KARYAWAN BARU Studi Kasus BFI Finance doi 10 36040 jati v4i2 2656
  4. ALGORITMA DECISION TREE C.45 DALAM ANALISA KELULUSAN MAHASISWA PROGRAM STUDI MANAJEMEN INFORMATIKA UMPP... doi.org/10.35329/jiik.v8i2.240ALGORITMA DECISION TREE C 45 DALAM ANALISA KELULUSAN MAHASISWA PROGRAM STUDI MANAJEMEN INFORMATIKA UMPP doi 10 35329 jiik v8i2 240
Read online
File size1.4 MB
Pages7
DMCAReport

Related /

ads-block-test