Publisher

IRPIIRPI

Journal MALCOM: Indonesian Journal of Machine Learning and Computer ScienceMALCOM: Indonesian Journal of Machine Learning and Computer Science Abstract

Memprediksi 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.

Conclusion

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.

Future Research

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.

References

1. Customer Churn Prediction using Machine Learning Approach: A Comprehensive Study | Journal of Information... jisem-journal.com/index.php/journal/article/view/3944Customer Churn Prediction using Machine Learning Approach A Comprehensive Study Journal of Information jisem journal index php journal article view 3944

Subjects

1. #feature selection boruta#feature selection boruta
2. #model random forest#model random forest

Metadata

File size	701.15 KB
Pages	10
DMCA	ReportReport