UBMUBM

Jurnal Algoritma, Logika dan KomputasiJurnal Algoritma, Logika dan Komputasi

Persaingan yang semakin ketat dalam dunia perdagangan modern menuntut perusahaan untuk menerapkan strategi retensi pelanggan yang proaktif, menjadikan prediksi customer churn (pelanggan yang berhenti menggunakan layanan) sebagai fokus utama. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model klasifikasi yang memanfaatkan data pelanggan historis guna mengidentifikasi secara dini pelanggan yang berpotensi churn atau tetap loyal. Metode yang digunakan adalah Data Mining, khususnya teknik Klasifikasi, dengan memilih algoritma Decision Tree C4.5 karena keunggulannya dalam menghasilkan aturan keputusan yang transparan dan mudah diinterpretasikan. Dataset yang dianalisis melibatkan 996 sampel pelanggan, mencakup berbagai atribut penting seperti jenis kelamin, usia, metode pembayaran, dan riwayat transaksi. Klasifikasi dilakukan untuk memprediksi status pelanggan ke dalam salah satu dari dua kategori target: loyal atau churn. Hasil pengujian menunjukkan bahwa model yang dibangun mampu mengklasifikasikan 636 pelanggan (sekitar 63.8%) sebagai kategori loyal dan 360 pelanggan (sekitar 36.2%) sebagai kategori churn, dengan mencapai tingkat akurasi model sebesar 98%. Temuan ini menunjukkan efektivitas Decision Tree C4.5 dalam memetakan pola loyalitas pelanggan. Secara praktis, model ini berkontribusi dalam menyediakan wawasan yang terukur bagi perusahaan untuk merumuskan inisiatif pemasaran dan retensi yang lebih tepat sasaran.

Berdasarkan hasil dan pembahasan, dengan menggunakan metode Decision Tree dan algoritma C4.5 dapat diprediksi klasifikasi pelanggan ke dalam pelanggan loyal atau pelanggan churn.Dalam mengklasifikasi, klasifikasi loyal jika confidence loyal lebih besar daripada confidence churn sedangkan klasifikasi churn jika confidence churn lebih besar daripada confidence loyal.Dari hasil klasifikasi, menunjukan 61 pelanggan loyal dan 35 pelanggan churn, kemudian dapat diakumulasikan total pelanggan loyal adalah 636 pelanggan dan pelanggan churn 357 pelanggan.5 terbukti efektif dalam mengklasifikasikan pelanggan menjadi loyal dan churn.Proses klasifikasi berdasarkan nilai confidence menghasilkan prediksi yang membantu perusahaan dalam memahami karakteristik pelanggan serta mendukung pengambilan keputusan strategis.

Berdasarkan penelitian ini, saran penelitian lanjutan yang dapat dilakukan adalah: 1. Mengembangkan model yang lebih kompleks dengan menggabungkan berbagai algoritma dan teknik data mining untuk meningkatkan akurasi prediksi. 2. Menganalisis faktor-faktor lain yang dapat mempengaruhi loyalitas pelanggan, seperti kualitas layanan, pengalaman pengguna, dan faktor-faktor psikologis. 3. Menerapkan model ini pada dataset yang lebih besar dan beragam untuk menguji keandalannya dalam skala yang lebih luas. Dengan menggabungkan saran-saran ini, penelitian selanjutnya dapat meningkatkan kemampuan perusahaan dalam memahami dan mempertahankan pelanggan, serta mengembangkan strategi pemasaran yang lebih efektif.

  1. K-Nearest Neighbor for Classification of Tomato Maturity Level Based on Hue, Saturation, and Value Colors... doi.org/10.24014/ijaidm.v2i2.7975K Nearest Neighbor for Classification of Tomato Maturity Level Based on Hue Saturation and Value Colors doi 10 24014 ijaidm v2i2 7975
  2. Vol. 2 No. 2 (2024): (JGIT) Jurnal Greenation Ilmu Teknik (Mei - Juli 2024) | Jurnal Greenation Ilmu... doi.org/10.38035/jgit.v2i2Vol 2 No 2 2024 JGIT Jurnal Greenation Ilmu Teknik Mei Juli 2024 Jurnal Greenation Ilmu doi 10 38035 jgit v2i2
  3. Pemodelan Sistem Prediksi Tanaman Pangan Menggunakan Algoritma Decision Tree | CogITo Smart Journal.... cogito.unklab.ac.id/index.php/cogito/article/view/115Pemodelan Sistem Prediksi Tanaman Pangan Menggunakan Algoritma Decision Tree CogITo Smart Journal cogito unklab ac index php cogito article view 115
  4. Human Face Identification Using Haar Cascade Classifier and LBPH Based on Lighting Intensity | Hadi |... ejournal.uin-suska.ac.id/index.php/IJAIDM/article/view/15245Human Face Identification Using Haar Cascade Classifier and LBPH Based on Lighting Intensity Hadi ejournal uin suska ac index php IJAIDM article view 15245
Read online
File size567.2 KB
Pages8
DMCAReport

Related /

ads-block-test