Prediksi Customer Churn Menggunakan Logistic Regression dan Decission Tree
Article Sidebar
Main Article Content
Abstract
Pesatnya perkembangan teknologi mendorong setiap orang untuk menggunakan internet sebagai media telekomunikasi, hal ini menjadi peluang bagi perusahaan telekomunikasi untuk bersaing menarik perhatian pelanggan, dan pelanggan pun berhak menentukan perusahaan atau provider mana yang mereka pilih untuk digunakan serta pelanggan dengan bebas beralih ke perusahaan telekomunikasi atau provider lain. Peralihan keputusan pelanggan (Customer Churn) salah satunya dapat terjadi dikarenakan ketidak puasan satu dan lain hal terkait kebijakan yang diberikan pihak perusahaan. Oleh karena itu perusahaan telekomunikasi harus mengantisipasi agar tidak kehilangan pelangganya. Tujuan dari penelititan ini untuk mengetahui model klasifikasi yang lebih baik dari segi tingkat akurasinya. Dalam penelitian ini penulis menggunakan data dari Kaggle yang terdiri dari 7043 baris data dan dengan kolom Churn sebagai variable target yang dikalsifikasikan menggunakan Logistic Regression dan Decission Tree. Hasil dari penelitian ini memperoleh bahwa akurasi dari model klasifikasi Logistic Regression sebesar 80% dan akurasi model klasifikasi Decission Tree sebesar 72%.
Article Details
References
A.Wicaksono, A.Anita, dan T.N.Padilah, 2021, Uji Performa Teknik Klasifikasi untuk Memprediksi Customer Churn, Bianglala Informatika, vol. 9, no.1.
Koharudin, M.Galih Pradana, dan Kusrini, 2019, Prediksi Customer Churn Perusahaan Telekomunikasi Menggunakan Naïve Bayes dan K-Nearest Neighbor, Jurnal informasi Interaktif, vol.4, no.3.
D. H. Tisantri, R. C. Wihandika, dan S. Adinugroho, 2019, Prediksi Keputusan Pelanggan Menggunakan Extreme Learning Machine Pada Telco Customer Churn, Jurnal Pegembangan Teknologi Informasi dan Ilmu Komputer, vol.3 No.11.
I. M. Latief, A. Subekti, dan W. Gata, 2021, Prediksi Tingkat Pelanggan Churn Pada Perusahaan, Informatics Bus. Inst Darmajaya, vol. 21, no. 1.
V. Kavitha, G.H. Kumar, V.M Kumar, dan M. Harish, 2020, Churn Prediction of Customer in Telecom Industry Using Machine Learnig Algorithms, int. J. Eng. Res. Technol, vol. 9 no. 05.
M. F. Mujaddid, Adiwijaya, dan S. Al-faraby. 2017, Analisis Churn Prediction menggunakan metode Logisitic Regression dan SMOTE (Synthetic Minority Over Sampling Technique) Pada Perusahaan Telekomunikasi, e-proceeding of engineering, vol.4 no. 3.
I. M. Latief, A. Subekti, dan W. Gata, 2021, Prediksi Tingkat Pelanggan Churn Pada Perusahaan, Informatics Bus. Inst Darmajaya, vol. 21, no. 1.
Toni Arifin, Rizal Rachman, 2020, Analisis Decision Tree menggunakan Particle Swarm Optimization Untuk Klasifikasi Sel Pap Smear, Jurnal Teknik Informatika dan Sistem Informasi, vol. 7, no 3.
Toni Arifin, Rizal Rachman, 2020, Analisis Decision Tree menggunakan Particle Swarm Optimization Untuk Klasifikasi Sel Pap Smear, Jurnal Teknik Informatika dan Sistem Informasi, vol. 7, no 3.
A. Alamsyah, N. Salma, A Comparative Study of Employee Churn Prediction Model, in 2018 4th Internation Conference on Science and Technology (ICST).
I. M. Latief, A. Subekti, dan W. Gata, 2021, Prediksi Tingkat Pelanggan Churn Pada Perusahaan, Informatics Bus. Inst Darmajaya, vol. 21, no. 1.
D. H. Tisantri, R. C. Wihandika, dan S. Adinugroho, 2019, Prediksi Keputusan Pelanggan Menggunakan Extreme Learning Machine Pada Telco Customer Churn, Jurnal Pegembangan Teknologi Informasi dan Ilmu Komputer, vol.3 No.11.
Yuda Yuliana, Rangga Sanjaya, Mayya Nurbayanti Shobary, 2006, Analisis Kepuasan Pegawai Terhadap Layanan Unit Sistem Informasi Menggunakan Technology Acceptance Model Di PT KAI (Persero), jurnal Informatika, vol. 3, hal 290-298.
J. Kinoto, K.L. Damanik, E. Tri, S. Situmorang, J, Siregar, dan M. Harahap, 2020, Prediksi Employee Churn Dengan Uplift Modeling Menggunakan Algoritma Logistic Regression, J. Penelit. Tek. Inform. Univ Prima Indones, vol. 3 no. 2.