UBMUBM
Jurnal Algoritma, Logika dan KomputasiJurnal Algoritma, Logika dan KomputasiPersaingan 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.
- 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
- 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
- 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
- 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
| File size | 567.2 KB |
| Pages | 8 |
| DMCA | Report |
Related /
UM SURABAYAUM SURABAYA Hal ini menunjukkan kemampuan superior neural network dalam menangkap hubungan data yang kompleks. Sebagai kesimpulan, Neural Network Keras merupakan modelHal ini menunjukkan kemampuan superior neural network dalam menangkap hubungan data yang kompleks. Sebagai kesimpulan, Neural Network Keras merupakan model
UNRAMUNRAM Hasil menunjukkan bahwa jumlah klaster optimal adalah k = 3, dengan karakteristik segmen yang teridentifikasi secara jelas berdasarkan pola belanja, pengeluaran,Hasil menunjukkan bahwa jumlah klaster optimal adalah k = 3, dengan karakteristik segmen yang teridentifikasi secara jelas berdasarkan pola belanja, pengeluaran,
UNRAMUNRAM Algoritma Textrank berhasil diimplementasikan untuk peringkasan otomatis berita berbahasa Indonesia, menghasilkan ringkasan yang merepresentasikan isiAlgoritma Textrank berhasil diimplementasikan untuk peringkasan otomatis berita berbahasa Indonesia, menghasilkan ringkasan yang merepresentasikan isi
IPDNIPDN Namun pada aspek produk, sistem drainase telah berkontribusi dalam mengurangi genangan dan risiko banjir meskipun efektivitasnya belum optimal. PenelitianNamun pada aspek produk, sistem drainase telah berkontribusi dalam mengurangi genangan dan risiko banjir meskipun efektivitasnya belum optimal. Penelitian
KOPERTAIS4KOPERTAIS4 Upaya optimalisasi ini akan dilakukan dari hulu hingga hilir dengan membentuk komunitas produsen bahan baku, komunitas pemotif dan pewarnaan, komunitasUpaya optimalisasi ini akan dilakukan dari hulu hingga hilir dengan membentuk komunitas produsen bahan baku, komunitas pemotif dan pewarnaan, komunitas
UMJ PremiumUMJ Premium Evaluasi model menunjukkan akurasi keseluruhan sebesar 63% pada data uji. Meskipun akurasi bervariasi menurut kelas, beberapa kelas menunjukkan kinerjaEvaluasi model menunjukkan akurasi keseluruhan sebesar 63% pada data uji. Meskipun akurasi bervariasi menurut kelas, beberapa kelas menunjukkan kinerja
UWKSUWKS Penelitian ini menyimpulkan bahwa implementasi algoritma K-Nearest Neighbor (KNN) berhasil mengklasifikasikan status gizi balita dengan akurasi tinggi,Penelitian ini menyimpulkan bahwa implementasi algoritma K-Nearest Neighbor (KNN) berhasil mengklasifikasikan status gizi balita dengan akurasi tinggi,
BAJANGJOURNALBAJANGJOURNAL Hasil menunjukkan peningkatan signifikan pengetahuan (dari 6,7 menjadi 9,3) dan sikap (dari 7,2 menjadi 9,2) orang tua balita setelah mengikuti program.Hasil menunjukkan peningkatan signifikan pengetahuan (dari 6,7 menjadi 9,3) dan sikap (dari 7,2 menjadi 9,2) orang tua balita setelah mengikuti program.
Useful /
IAIKHOZINIAIKHOZIN Sumber data berasal dari guru dan siswa, dengan instrumen pengujian lisan. Analisis data melibatkan uji normalitas, homogenitas, dan tes Mann–Whitney.Sumber data berasal dari guru dan siswa, dengan instrumen pengujian lisan. Analisis data melibatkan uji normalitas, homogenitas, dan tes Mann–Whitney.
UNRAMUNRAM Penelitian ini bertujuan membangun chatbot berbasis aplikasi Telegram yang terintegrasi dengan sistem informasi akademik di Universitas Mataram. Bot TelegramPenelitian ini bertujuan membangun chatbot berbasis aplikasi Telegram yang terintegrasi dengan sistem informasi akademik di Universitas Mataram. Bot Telegram
UNRAMUNRAM Aplikasi transliterasi aksara Latin menjadi aksara Sasak berbasis algoritma rule based berhasil diimplementasikan dengan akurasi keseluruhan sebesar 85,21%Aplikasi transliterasi aksara Latin menjadi aksara Sasak berbasis algoritma rule based berhasil diimplementasikan dengan akurasi keseluruhan sebesar 85,21%
UNRAMUNRAM Akurasi tertinggi yang diperoleh adalah 67,75%. Tujuan penelitian yang sudah dipaparkan pada bagian Pendahuluan telah didapatkan, sedangkan beberapa kesimpulanAkurasi tertinggi yang diperoleh adalah 67,75%. Tujuan penelitian yang sudah dipaparkan pada bagian Pendahuluan telah didapatkan, sedangkan beberapa kesimpulan