Klasifikasi Customer Churn pada Industri Bank untuk Retensi Pelanggan Menggunakan Decision Tree

Shafa Edfinanda Maghfira, Lyonora Octavia, Rafhi Arizkia Nuriza, Rahayu Rustianawati, Dhea Eka Putri, Aidah Tazkiyah Fasya, Rendy Firman Maulana, Andreas Adi Trinoto

Abstract


Dalam industri perbankan, mempertahankan pelanggan merupakan tantangan utama yang berdampak langsung pada profitabilitas dan kelangsungan bisnis. Kehilangan pelanggan, atau yang dikenal sebagai customer churn, dapat menyebabkan kerugian besar jika tidak ditangani secara efektif. Artikel ini berfokus pada pengembangan model klasifikasi customer churn dengan memanfaatkan algoritma Decision Tree sebagai metode utama. Algoritma ini dipilih karena keunggulannya dalam menangani data berukuran besar, kemudahan interpretasi hasil, dan tingkat akurasi yang andal. Penelitian ini menggunakan dataset yang digunakan diperoleh dari Kaggle dengan 10.000 data dan 18 atribut. Model yang dikembangkan menghasilkan akurasi sebesar 99% melalui evaluasi confusion matrix. Penelitian ini memberikan wawasan penting bagi bank untuk merancang strategi retensi pelanggan yang lebih efektif.


Keywords


Customer Churn; Decision Tree; Industri Perbankan; CRISP-DM

Full Text:

PDF

References


Adiana, B. E., Soesanti, I., & Permanasari, A. E. (2018). Analisis Segmentasi Pelanggan Menggunakan Kombinasi Rfm Model Dan Teknik Clustering. Jurnal Terapan Teknologi Informasi, 2(1), 23–32. https://doi.org/10.21460/jutei.2018.21.76

Anam, K., Rinaldi, A. R., & Fathurrohman, F. (2024). Komparasi Algoritma Machine Learning Dalam Klasifikasi Loyalitas Nasabah Bank Berbasis Particle Swarm Optimization. JATI (Jurnal Mahasiswa Teknik Informatika), 8(4), 8212–8218. https://doi.org/10.36040/jati.v8i4.10941

Azmi, A. F. (2024). Prediksi Churn Nasabah Bank Menggunakan Klasifikasi Random Forest Dan Decision Tree Dengan Evaluasi Confusion Matrix. Komputa : Jurnal Ilmiah Komputer dan Informatika, 13(1), 111–119. https://ojs.unikom.ac.id/index.php/komputa/article/view/12639

Damanik, S. D., & Jambak, M. I. (2023). Klasifikasi Customer Churn pada Telekomunikasi Industri Untuk Retensi Pelanggan Menggunakan Algoritma C4.5. KLIK: Kajian Ilmiah Informatika dan Komputer, 3(6), 1303–1309. https://doi.org/10.30865/klik.v3i6.829

Hasanah, M. A., Soim, S., & Handayani, A. S. (2021). Implementasi CRISP-DM Model Menggunakan Metode Decision Tree dengan Algoritma CART untuk Prediksi Curah Hujan Berpotensi Banjir. Journal of Applied Informatics and Computing, 5(2), 103–108. https://doi.org/10.30871/jaic.v5i2.3200

Herawati, M., Wibowo, I. L., & Mukhlash, I. (2016). Prediksi Customer Churn Menggunakan Algoritma Fuzzy Iterative Dichotomiser 3. Limits: Journal of Mathematics and Its Applications, 13(1), 23. https://doi.org/10.12962/j1829605x.v13i1.1913

Husein, A. M., & Harahap, M. (2021). Pendekatan Data Science untuk Menemukan Churn Pelanggan pada Sector Perbankan dengan Machine Learning. Data Sciences Indonesia (DSI), 1(1), 8–13. https://doi.org/10.47709/dsi.v1i1.1169

Suhartono, E. (2010). PREDIKSI PERILAKU LOYALITAS PELANGGAN DENGAN TEHNIK DATA MINING DECISION TREE (Studi Kasus pada Pelanggan Kartu Telkomsel Halo di Semarang). 6(1), 146–177.

Syah, K., Palluvi, R., Syaada, N., & Intan, B. (2024). Komparasi Metode Decision Tree dan K-Nearest Neighbor ( KNN ) dalam Memprediksi Costumer Churn Pada Perusahaan Telekomunikasi. 3(1), 39–45.

Yudiana, Y., Yulia Agustina, A., & Nur Khofifah, dan. (2023). Prediksi Customer Churn Menggunakan Metode CRISP-DM Pada Industri Telekomunikasi Sebagai Implementasi Mempertahankan Pelanggan. Indonesian Journal of Islamic Economics and Business, 8(1), 01–20. http://e-journal.lp2m.uinjambi.ac.id/ojp/index.php/ijoieb




DOI: https://doi.org/10.30998/jrami.v6i03.13602

Refbacks

  • There are currently no refbacks.