Implementasi Metode Random Forest dan Xgboost pada Klasifikasi Customer Churn

Abstract

Teknologi komunikasi yang terus berkembang pesat mengakibatkan masyarakat konsumtif akan informasi dan komunikasi. Hal ini dimanfaatkan oleh penyedia jasa layanan telekomunikasi yang terus berinovasi untuk mempertahankan customer. Karena terbukanya persaingan antara penyedia jasa layanan telekomunikasi dapat mengakibatkan customer churn. Prediksi churn dapat dilakukan untuk mengidentifikasi customer churn sejak awal dan membantu sektor CRM (Customer Relationship Management) agar dapat mempertahankan customer, sehingga mengurangi potensi kerugian yang dialami perusahaan. Penelitian ini bertujuan untuk memprediksi customer churn dengan data data telecommunications churn pada District of Columbia menggunakan metode klasifikasi Random Forest dan Extreme Gradient Boosting, kedua metode ini merupakan bagian dari metode ensemble. Hasil analisis klasifikasi bahwa metode Extreme Gradient Boosting (XGBoost) lebih unggul dibandingkan metode Random Forest dilihat dari tingkat akurasi dan nilai AUC. Metode Extreme Gradient Boosting (XGBoost) mendapatkan nilai akurasi dan AUC sebesar 95.6% dan 0.876, sedangkan metode Random Forest mampu menghasilkan nilai akurasi dan AUC sebesar 93.5% dan 0.799.