ANALISIS PREDIKSI CUSTOMER CHURN PADA LAYANAN TELEKOMUNIKASI MENGGUNAKAN ALGORITMA MACHINE LEARNING

Hartono, Nasywa Febia (2026) ANALISIS PREDIKSI CUSTOMER CHURN PADA LAYANAN TELEKOMUNIKASI MENGGUNAKAN ALGORITMA MACHINE LEARNING. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf - Published Version Download (707kB)
	Text (BAB I) BAB I.pdf - Published Version Download (266kB)
	Text (BAB II) BAB II.pdf - Published Version Restricted to Registered users only Download (636kB)
	Text (BAB III) BAB III.pdf - Published Version Restricted to Registered users only Download (282kB)
	Text (BAB IV) BAB IV.pdf - Published Version Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf - Published Version Download (76kB)
	Text (DAFTAR PUSTAKA - LAMPIRAN) Daftar Pustaka.pdf - Published Version Restricted to Registered users only Download (78kB)
	Archive (SOURCE CODE) Sourcecode - 22.11.5029.zip - Published Version Restricted to Repository staff only Download (115kB)
	Text (PUBLIKASI) Publikasi.pdf - Published Version Restricted to Repository staff only Download (476kB)

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.

Actions (login required)

View Item