IRPIIRPI
MALCOM: Indonesian Journal of Machine Learning and Computer ScienceMALCOM: Indonesian Journal of Machine Learning and Computer ScienceMemprediksi pelanggan lapser menjadi tantangan utama di sektor layanan data yang kompetitif, disertai tingginya biaya akuisisi pelanggan baru. Penelitian ini mengusulkan pendekatan feature selection menggunakan Boruta untuk meningkatkan akurasi model lapser, dengan menerapkan teknik wrapper pada Random Forest. Proses modeling lapser prediction menggunakan algoritma machine learning Gradient Boosting yang dianalisis sebelum dan sesudah seleksi fitur Boruta. Hasil eksperimen pada data menunjukkan bahwa Boruta efektif dalam meningkatkan metrik utama (akurasi, recall, dan AUC). Model Gradient Boosting meraih akurasi hingga 75.10%, recall 74.42%, dan AUC 82.18% setelah menggunakan Boruta. Sebelum menggunakan Boruta nilai akurasi 71.74%, recall 68.74%, dan AUC hanya 77.77%. Temuan tersebut menegaskan bahwa pendekatan yang diusulkan dapat memprediksi lapser secara lebih dini, serta membantu penyusun kebijakan menyusun strategi retensi pelanggan yang lebih efektif, sehingga meminimalkan potensi kerugian dan memperkuat daya saing di pasar.
Penelitian ini menunjukkan bahwa penggunaan metode feature selection Boruta secara signifikan meningkatkan kinerja model prediksi pelanggan lapser.Dengan menyaring 191 fitur menjadi 140 fitur relevan, Boruta berhasil menyederhanakan data tanpa kehilangan informasi penting, sekaligus meningkatkan akurasi model Gradient Boosting dari 71.Hasil ini menunjukkan bahwa Boruta efektif dalam mengurangi noise dan meningkatkan fokus model pada fitur-fitur utama seperti usia kartu, pendapatan, konsumsi kuota, dan frekuensi pengisian ulang.Model yang dihasilkan berpotensi digunakan oleh industri layanan data untuk mendeteksi pelanggan berisiko tinggi lebih awal dan merancang strategi retensi yang lebih tepat sasaran.
Saran pertama adalah mengembangkan penelitian untuk membandingkan kinerja Boruta dengan metode seleksi fitur lain seperti SHAP atau Recursive Feature Elimination dalam konteks prediksi lapser. Saran kedua adalah mengintegrasikan pendekatan time-aware model untuk mempertimbangkan dinamika waktu dalam perilaku pelanggan, yang belum dieksplorasi dalam penelitian ini. Saran ketiga adalah menguji model alternatif seperti CatBoost atau Neural Network untuk validasi hasil dan meningkatkan akurasi prediksi dalam skenario bisnis yang lebih dinamis, dengan mempertimbangkan kompleksitas data pelanggan yang terus berubah.
| File size | 701.15 KB |
| Pages | 10 |
| DMCA | ReportReport |
Related /
EJOURNALUNIGOROEJOURNALUNIGORO Penelitian mengidentifikasi dua belas faktor risiko pada proyek pembangunan jalan rigid pavement di Bojonegoro, dengan sepuluh faktor utama yang meliputiPenelitian mengidentifikasi dua belas faktor risiko pada proyek pembangunan jalan rigid pavement di Bojonegoro, dengan sepuluh faktor utama yang meliputi
IRPIIRPI Sistem ini juga menunjukkan efisiensi dari sisi waktu respons dan kemudahan penggunaan berbasis web, meskipun terdapat tantangan seperti keterbatasan dalamSistem ini juga menunjukkan efisiensi dari sisi waktu respons dan kemudahan penggunaan berbasis web, meskipun terdapat tantangan seperti keterbatasan dalam
IRPIIRPI Sistem Pengenalan Tulisan Tangan ini menunjukkan potensi dalam menangani variabilitas dunia nyata, terutama dalam keterbacaan resep dokter tulisan tangan.Sistem Pengenalan Tulisan Tangan ini menunjukkan potensi dalam menangani variabilitas dunia nyata, terutama dalam keterbacaan resep dokter tulisan tangan.
EJOURNALUNIGOROEJOURNALUNIGORO Dari pembahasan yang telah dilakukan pada bab sebelumnya dapat ditarik beberapa kesimpulan yang nantinya dapat digunakan dalam pengembangan kinerja danDari pembahasan yang telah dilakukan pada bab sebelumnya dapat ditarik beberapa kesimpulan yang nantinya dapat digunakan dalam pengembangan kinerja dan
Useful /
IRPIIRPI Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Random Forest memiliki akurasi lebihEvaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Random Forest memiliki akurasi lebih
EJOURNALUNIGOROEJOURNALUNIGORO Setelah dilakukannya perhitungan mengenai berapa besarnya sedimentasi yang terjadi pada Waduk Pacal yaitu: besarnya volume suspended load adalah 3755.51Setelah dilakukannya perhitungan mengenai berapa besarnya sedimentasi yang terjadi pada Waduk Pacal yaitu: besarnya volume suspended load adalah 3755.51
UPN VeteranUPN Veteran Berdasarkan hasil yang dilakukan maka terdapat hubungan positif dan signifikan antara efektivitas program dengan kemandirian difabel dimana semakin baikBerdasarkan hasil yang dilakukan maka terdapat hubungan positif dan signifikan antara efektivitas program dengan kemandirian difabel dimana semakin baik
UPN VeteranUPN Veteran Adapun sumber data yang digunakan menggunakan data primer secara langsung dengan wawancara dan data sekunder yang bersumber dari data dan referensi yangAdapun sumber data yang digunakan menggunakan data primer secara langsung dengan wawancara dan data sekunder yang bersumber dari data dan referensi yang