PENERAPAN TEKNIK FEATURE SELECTION DALAM MENINGKATKAN AKURASI PREDIKSI CHURN MENGGUNAKAN MACHINE LEARNING

Pramudita, Hernanda Giri (2025) PENERAPAN TEKNIK FEATURE SELECTION DALAM MENINGKATKAN AKURASI PREDIKSI CHURN MENGGUNAKAN MACHINE LEARNING. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (2MB)
	Text (BAB I) BAB I.pdf Download (199kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (536kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (282kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (357kB)
	Text (BAB V) BAB V.pdf Download (78kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (117kB)
	Archive (SOURCE CODE) Sourcecode - 19.11.2761.zip Restricted to Repository staff only Download (293kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (692kB)

Abstract

Churn atau perpindahan pelanggan merupakan tantangan besar bagi perusahaan di berbagai industri, karena dapat berdampak signifikan terhadap pendapatan dan pertumbuhan bisnis. Oleh karena itu, prediksi churn menjadi aspek penting dalam strategi retensi pelanggan. Penelitian ini bertujuan untuk meningkatkan akurasi prediksi churn dengan menerapkan teknik feature selection dalam model machine learning. Dalam penelitian ini, digunakan beberapa algoritma klasifikasi, yaitu Naïve Bayes, Support Vector Machine (SVM), dan Random Forest. Teknik feature selection diterapkan untuk mengidentifikasi atribut yang paling berpengaruh dalam memprediksi churn, sehingga dapat meningkatkan kinerja model. Evaluasi dilakukan dengan membandingkan akurasi prediksi sebelum dan sesudah penerapan feature selection pada ketiga algoritma tersebut. Hasil penelitian menunjukkan bahwa teknik feature selection secara tidak signifikan meningkatkan akurasi prediksi churn. Model SVM dengan feature selection memberikan hasil terbaik dengan mendapatkan score 78,8% dibandingkan dengan Naïve Bayes yang mendapatkan score 77% dan Random Forest dengan score 78,3%. Dengan demikian, penelitian ini memberikan wawasan bahwa efektivitas teknik feature selection dapat bervariasi tergantung pada algoritma yang digunakan serta karakteristik data yang dianalisis. Temuan ini dapat menjadi pertimbangan bagi perusahaan dalam mengoptimalkan model prediksi churn untuk strategi retensi pelanggan yang lebih efektif.

Actions (login required)

View Item