BSIBSI

Jurnal InfortechJurnal Infortech

Persaingan penyedia layanan telekomunikasi dapat menyebabkan pelanggan berpindah layanan, suatu fenomena yang dikenal sebagai customer churn. Untuk mengatasi potensi kehilangan pelanggan, penting bagi perusahaan untuk memprediksi pelanggan yang berisiko churn sehingga strategi retensi dapat dirancang. Penelitian ini menggunakan algoritma Random Forest sebagai uplift modeling untuk memprediksi kemungkinan pelanggan melakukan retensi. Alasan pemilihan Random Forest adalah kemampuannya membagi data ke dalam segmen yang sesuai untuk uplift modeling. Metode penelitian dipakai CRISP-DM, dan hasil menunjukkan bahwa model uplift Random Forest mencapai akurasi sebesar 91,87 %.

Berhasil menggunakan Random Forest sebagai model uplift, akurasi prediksi retensi pelanggan mencapai 91,87 %, meningkat 12,25 % dari model sederhana.Perbandingan dengan algoritma lain (Naïve Bayes, Decision Tree, k‑Nearest Neighbor, Deep Learning) menunjukkan Random Forest secara signifikan memberikan performa terbaik.

Penelitian selanjutnya dapat meneliti efek variabel layanan tambahan, seperti paket data dan kualitas jaringan, terhadap efektivitas model uplift; menilai kinerja model saat diaplikasikan pada data real‑time dan memvalidasi hasilnya melalui uji coba di perusahaan telekomunikasi; serta mengeksplorasi pendekatan ensemble lain seperti Gradient Boosting atau XGBoost untuk uplift modeling guna meningkatkan akurasi dan interpretabilitas model.

Read online
File size363.42 KB
Pages5
DMCAReport

Related /

ads-block-test