@phdthesis{universitasamikomyogyakarta33122,
           month = {May},
           title = {ANALISIS PREDIKSI CUSTOMER CHURN PADA LAYANAN 
TELEKOMUNIKASI MENGGUNAKAN ALGORITMA 
MACHINE LEARNING},
          school = {Universitas AMIKOM Yogyakarta},
          author = {Nasywa Febia Hartono},
            year = {2026},
        keywords = {churn pelanggan, machine learning, interpretabilitas model,
threshold, retensi pelanggan, customer churn, model interpretability,
customer  retention.},
             url = {https://eprints.amikom.ac.id/id/eprint/33122/},
        abstract = {Industri telekomunikasi terus mengamati tingkat churn pelanggan karena
pelanggan berdampak pada penurunan pendapatan dan efektivitas upaya retensi
pelanggan. Dengan menggunakan algoritma machine learning berbasis data
tabular, penelitian ini bertujuan untuk membangun model yang dapat memprediksi
tingkat penurunan pelanggan. 
Dataset pelanggan telekomunikasi mencakup fitur dan pola pembayaran
seperti tenure, TotalCharges, MonthlyCharges, jenis kontrak, layanan internet dan
metode pembayaran, dengan pembagian data 80:20. Algoritma yang digunakan
adalah Logistic Regression, Random Forest, Support Vector Machine (SVM),
Gradient Boosting dan XGBoost. Analisis model didukung oleh analisis calibration
curve, gain dan lift chart, serta ROC-AUC, accuracy, precision, dan recall. Features
importance dan permutation importance digunakan untuk penyesuaian threshold
dan analisis interpretabilitas. 
Hasil penelitian menunjukkan bahwa algoritma XGBoost menunjukkan
kinerja terbaik dibandingkan algoritma lainnya dengan akurasi sebesar 80,27\% dan
ROC-AUC sebesar 0,8415. Gradient Boosting menempati posisi kedua dengan
akurasi sebesar 80,13\% dan ROC-AUC sebesar 0,8411. Random Forest dan SVM
memiliki kinerja yang lebih rendah dibandingkan model Logistic Regression, yang
memiliki recall tertinggi sebesar 78,07\% dan ROC-AUC sebesar 0,8412. Hasil ini
menunjukkan algoritma berbasis boosting lebih baik menemukan pola kompleks
dalam data churn. 
Selain mengidentifikasi pelanggan yang berisiko berhenti berlangganan,
teknik prediksi churn yang dihasilkan ini juga memberikan informasi mengenai
faktor-faktor yang memengaruhi churn. Untuk meningkatkan retensi pelanggan di
sektor telekomunikasi, model ini dapat digunakan sebagai landasan dalam
pengambilan keputusan strategis.}
}