Implementasi NCL dan RUS untuk Handling Imbalance Data pada Prediksi Churn menggunakan Weighted Random Forest

PRIMA ROSA

Informasi Umum

Kode

17.04.1095

Klasifikasi

620.007 - Engineering research

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Informatics

Dilihat

192 kali

Informasi Lainnya

Abstraksi

Pelanggan yang setia merupakan aset berharga dari sebuah perusahaan telekomunikasi. Oleh karena itu, perusahaan akan terus berusaha untuk meningkatkan kepuasan pelanggan guna menghindari kerugian akibat churn. Dari permasalahan ini diperlukan sebuah model klasifikasi pelanggan yang akurat untuk membantu perusahaan mengurangi churn. Pelanggan yang churn biasanya tidak banyak sehingga disebut sebagai kelas minor, 3.75% dari keseluruhan dataset, yang mengakibatkan ketidakseimbangan data. Ketidakseimbangan data mengakibatkan sulitnya membangun model prediksi. Salah satu solusi untuk menyelesaikan imbalance data yaitu dengan menerapkan teknik undersampling. Data yang digunakan dalam Tugas Akhir ini berasal dari data pelanggan PT. Telekomunikasi Indonesia Regional 7. Pada penelitian Tugas Akhir ini dilakukan penanganan imbalance data menggunakan Neighborhood Cleaning Rule (NCL) dan Random Undersampling (RUS). Kemudian setelah itu, hasilnya dibuat model klasifikasi menggunakan metode Weighted Random Forest (WRF) untuk mengklasifikasikan kelas churn atau not churn. Penelitian yang dilakukan terbukti dapat meningkatkan performansi model prediksi yang dibangun menggunakan WRF dengan menerapkan kombinasi NCL dan RUS, yakni menghasilkan tingkat akurasi model klasifikasi sebesar 93.799% dengan nilai F1 terbaik, yaitu 90.651% dan oob error rate 7.36%.