Komparasi Metode Decision Tree dan K-Nearest Neighbor (KNN) dalam Memprediksi Costumer Churn Pada Perusahaan Telekomunikasi
-
Khadisah Syah Riebhan Palluvi
*
Universitas Bina Insan, Lubuklinggau,
Indonesia
- Nadyari Syaada Universitas Bina Insan, Lubuklinggau, Indonesia
- Bunga Intan Universitas Bina Insan, Lubuklinggau, Indonesia (*) Corresponding Author
Abstract
Prediksi customer churn bertujuan untuk mengklasifikasikan data pelanggan sebelumnya menjadi dua kategori: pelanggan yang akan berhenti berlangganan dan pelanggan yang akan terus berlangganan. Prediksi tersebut memanfaatkan ilmu data mining peran klasifikasi yang merupakan menempatkan variabel atau objek ke dalam beberapa kategori relevan yang telah ditetapkan sebelumnya. Dalam proses eksekusi data mining, diperlukan sebuah algoritma yang dapat mengklasifikasikan apakah customer churn atau tidak churn. Data yang digunakan terdiri dari 7043 rows dan 21 columns. Didalam data tersebut salah satu kolom akan dijadikan label yaitu kolom ‘Churn’. Dalam proses prediksi churn, algoritma yang digunakan yaitu Decision Tree dan K-Nearest Neighbor. Dari hasil analisis yang dilakukan, pada algoritma KNN dihasilkan 76% dan Decision Tree 72%. Dengan hasil pemodelan akurasi 72% dan 76%, keduanya memenuhi kriteria kesuksesan >70%. Namun, model KNN dengan akurasi 76% lebih baik dan lebih diinginkan karena memberikan prediksi yang lebih akurat.
References
D. Putriani, A. P. A. Prayogi, A. I. Shofyana, A. Ristyawan, and E. Daniati, “Prediksi Customer Churn Menggunakan Algoritma Decision Tree,” Prosiding SEMNAS INOTEK (Seminar Nasional Inovasi Teknologi), vol. 8, no. 1, pp. 85–94, 2024, doi: 10.29407/inotek.v8i1.4914.
S. D. Damanik and M. I. Jambak, “Klasifikasi Customer Churn pada Telekomunikasi Industri Untuk Retensi Pelanggan Menggunakan Algoritma C4. 5,” KLIK: Kajian Ilmiah Informatika dan Komputer, vol. 3, no. 6, pp. 1303–1309, 2023, doi: 10.30865/klik.v3i6.829.
D. Fatmawati, W. Trisnawati, Y. Jumaryadi, and G. Triyono, “Klasifikasi Tingkat Kepuasan Penggunaan Layanan Teknologi Informasi Menggunakan Decision Tree,” KLIK: Kajian Ilmiah Informatika dan Komputer, vol. 3, no. 6, pp. 1056–1062, 2023, doi: 10.30865/klik.v3i6.803.
C. Hardjono and S. M. Isa, “Implementation of Data Mining for Churn Prediction in Music Streaming Company Using 2020 Dataset,” Journal on Education, vol. 5, no. 1, pp. 1189–1197, 2022, doi: 10.31004/joe.v5i1.740.
M. Yunus and N. K. A. Pratiwi, “Prediksi Status Gizi Balita Dengan Algoritma K-Nearest Neighbor (KNN) di Puskemas Cakranegara,” JTIM: Jurnal Teknologi Informasi Dan Multimedia, vol. 4, no. 4, pp. 221–231, 2023, doi: 10.35746/jtim.v4i4.328.
R. Rismala, I. Ali, and A. R. Rinaldi, “Penerapan Metode K-Nearest Neighbor Untuk Prediksi Penjualan Sepeda Motor Terlaris,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 7, no. 1, pp. 585–590, 2023, doi: 10.36040/jati.v7i1.6419.
A. P. Silalahi, H. G. Simanullang, and M. I. Hutapea, “Supervised Learning Metode K-Nearest Neighbor Untuk Prediksi Diabetes Pada Wanita,” METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi, vol. 7, no. 1, pp. 144–149, 2023, doi: 10.46880/jmika.Vol7No1.pp144-149.
A. A. Karim, M. A. Prasetyo, and M. R. Saputro, “Perbandingan Metode Random Forest, K-Nearest Neighbor, dan SVM Dalam Prediksi Akurasi Pertandingan Liga Italia,” Seminar Nasional Teknologi & Sains, vol. 2, no. 1, pp. 377–382, 2023, doi: 10.29407/stains.v2i1.2877.
S. F. Damanik, A. Wanto, and I. Gunawan, “Penerapan Algoritma Decision Tree C4. 5 untuk Klasifikasi Tingkat Kesejahteraan Keluarga pada Desa Tiga Dolok,” Jurnal Krisnadana, vol. 1, no. 2, pp. 21–32, 2022, doi: 10.58982/krisnadana.v1i2.108.
F. Akbar, H. W. Saputra, A. K. Maulaya, M. F. Hidayat, and R. Rahmaddeni, “Implementasi Algoritma Decision Tree C4. 5 dan Support Vector Regression untuk Prediksi Penyakit Stroke: Implementation of Decision Tree Algorithm C4. 5 and Support Vector Regression for Stroke Disease Prediction,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 2, no. 2, pp. 61–67, 2022, doi: 10.57152/malcom.v2i2.426.
A. Fatkhudin, M. Y. Febrianto, F. A. Artanto, M. W. N. Hadinata, and R. Fahlevi, “Algoritma Decision Tree C. 45 dalam analisa kelulusan mahasiswa Program Studi Manajemen Informatika UMPP,” Jurnal Ilmiah Ilmu Komputer Fakultas Ilmu Komputer Universitas Al Asyariah Mandar, vol. 8, no. 2, pp. 83–86, 2022, doi: 10.35329/jiik.v8i2.240.
D. Septhya et al., “Implementasi Algoritma Decision Tree dan Support Vector Machine untuk Klasifikasi Penyakit Kanker Paru: Implementation of Decision Tree Algorithm and Support Vector Machine for Lung Cancer Classification,” MALCOM: Indonesian Journal of Machine Learning and Computer Science, vol. 3, no. 1, pp. 15–19, 2023, doi: 10.57152/malcom.v3i1.591.
B. N. Azmi, A. Hermawan, and D. Avianto, “Analisis Pengaruh komposisi data training dan data testing Pada penggunaan PCA Dan Algoritma decision tree untuk KLASIFIKASI Penderita Penyakit liver,” JTIM: Jurnal Teknologi Informasi dan Multimedia, vol. 4, no. 4, pp. 281–290, 2023, doi: 10.35746/jtim.v4i4.298.
A. H. Nasrullah, “Implementasi algoritma Decision Tree untuk klasifikasi produk laris,” Jurnal Ilmiah Ilmu Komputer Fakultas Ilmu Komputer Universitas Al Asyariah Mandar, vol. 7, no. 2, pp. 45–51, 2021, doi: 10.35329/jiik.v7i2.203.
Y. A. Singgalen, “Analisis Sentimen Top 10 Traveler Ranked Hotel di Kota Makassar Menggunakan Algoritma Decision Tree dan Support Vector Machine,” KLIK: Kajian Ilmiah Informatika dan Komputer, vol. 4, no. 1, pp. 323–332, 2023, doi: 10.30865/klik.v4i1.1153.
I. L. Kharisma, D. A. Septiani, A. Fergina, and K. Kamdan, “Penerapan Algoritma Decision Tree untuk Ulasan Aplikasi Vidio di Google Play,” Jurnal Nasional Teknologi dan Sistem Informasi, vol. 9, no. 2, pp. 218–226, 2023, doi: 10.25077/TEKNOSI.v9i2.2023.218-226.
A. Homaidi and Z. Fatah, “Implementasi Metode K-Nearest Neighbors (KNN) untuk Klasifikasi Penyakit Jantung,” G-Tech: Jurnal Teknologi Terapan, vol. 8, no. 3, pp. 1720–1728, 2024, doi: 10.33379/gtech.v8i3.4495.
A. R. D. Nugraha, K. Auliasari, and Y. A. Pranoto, “Implementasi Metode K-Nearest Neighbor (KNN) Untuk Seleksi Calon Karyawan Baru (Studi Kasus: BFI Finance Surabaya),” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 4, no. 2, pp. 14–20, 2020, doi: 10.36040/jati.v4i2.2656.
D. Cahyanti, A. Rahmayani, and S. A. Husniar, “Analisis performa metode Knn pada Dataset pasien pengidap Kanker Payudara,” Indonesian Journal of Data and Science, vol. 1, no. 2, pp. 39–43, 2020, doi: 10.33096/ijodas.v1i2.13.
S. D. Prasetyo, S. S. Hilabi, and F. Nurapriani, “Analisis Sentimen Relokasi Ibukota Nusantara Menggunakan Algoritma Naïve Bayes dan KNN,” Jurnal KomtekInfo, pp. 1–7, 2023, doi: 10.35134/komtekinfo.v10i1.330.
Bila bermanfaat silahkan share artikel ini
Berikan Komentar Anda terhadap artikel Komparasi Metode Decision Tree dan K-Nearest Neighbor (KNN) dalam Memprediksi Costumer Churn Pada Perusahaan Telekomunikasi
Pages: 39-45
Copyright (c) 2024 Khadisah Syah Riebhan Palluvi, Nadyari Syaada, Bunga Intan
This work is licensed under a Creative Commons Attribution 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under Creative Commons Attribution 4.0 International License that allows others to share the work with an acknowledgment of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgment of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (Refer to The Effect of Open Access).
