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.
Collections
- Statistics [904]