Penerapan Naïve Bayes untuk Prediksi Customer Churn (Studi Kasus: PT Hutchison 3 Indonesia)

Rifky Alfarez, Rianto Rianto, Vega Purwayoga

Abstract


Penelitian ini memiliki maksud untuk mengembangkan model prediksi dengan memanfaatkan metode Naive Bayes. Pemodelan algoritma Naive Bayes dilakukan dengan menerapkan penggunaan Jupyter Notebook dan mengacu pada dataset yang terdiri dari atribut durasi langganan, frekuensi transaksi, tingkat kepuasan, dan status churn. Pada tahap awal, dilakukan eksplorasi data untuk memahami distribusi dan karakteristik atribut. Kemudian, dilakukan pengolahan data dengan menghapus kolom yang tidak relevan, memisahkan dataset menjadi data pelatihan dan data pengujian. Berikutnya, dilakukan pemodelan Naive Bayes dengan menghitung probabilitas kemunculan setiap nilai atribut untuk kelas churn true dan false. Probabilitas ini digunakan dalam perhitungan prediksi kelas churn berdasarkan atribut yang diberikan. Setelah model Naive Bayes terbentuk, dilakukan evaluasi performa model menggunakan metrik evaluasi. Evaluasi dilakukan dengan membandingkan kelas prediksi dengan kelas aktual pada data pengujian. Evaluasi menunjukkan model Naive Bayes menghasilkan akurasi sebesar 91,3%. Presisi, recall, dan F1-score sebesar 95% menunjukkan kemampuan model dalam mengklasifikasikan data churn dengan tingkat keakuratan yang tinggi


Keywords


Customer churn;Naïve bayes;Prediksi

Full Text:

PDF

References


Ahn, J., Han, S., & Lee, Y. (2006). Customer churn analysis: Churn determinants and mediation effects of partial defection in the Korean mobile telecommunications service industry. Telecommunications Policy, 30(10–11), 552–568. https://doi.org/10.1016/j.telpol.2006.09.006

Chandrasekar, P., & Qian, K. (2016). The Impact of Data Preprocessing on the Performance of a Naive Bayes Classifier. https://doi.org/10.1109/compsac.2016.205

Huang, B., Kechadi, T., & Buckley, B. S. (2012). Customer churn prediction in telecommunications. Expert Systems With Applications, 39(1), 1414–1425. https://doi.org/10.1016/j.eswa.2011.08.024

Mustafa, M. S., Ramadhan, M., & Thenata, A. P. (2018). Implementasi Data Mining untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier. Citec (Creative Information Technology) Journal. https://doi.org/10.24076/citec.2017v4i2.106

Muzakir, A., & Wulandari, R. (2016). Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree. Scientific Journal of Informatics. https://doi.org/10.15294/sji.v3i1.4610

Novendri, R. (2021). Implementasi Data Mining Untuk Memprediksi Customer Churn Menggunakan Algoritma Naive Bayes. eProceedings of Engineering, 8(2). https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/14678

Senthilnayaki, B., Swetha, M., & Nivedha, D. (2021). Customer Churn Prediction. International Advanced Research Journal in Science, Engineering and Technology, 8(6), 527–531. https://doi.org/10.17148/iarjset.2021.8692

Tang, B., Kay, S., & He, H. (2016). Toward Optimal Feature Selection in Naive Bayes for Text Categorization. IEEE Transactions on Knowledge and Data Engineering, 28(9), 2508–2521. https://doi.org/10.1109/tkde.2016.2563436

Xu, J., Zhang, Y., & Miao, D. (2020). Three-way confusion matrix for classification: A measure driven view. Information Sciences, 507, 772–794. https://doi.org/10.1016/j.ins.2019.06.064

Yulianto, A., & Firmansyah. (2021). Prediksi Customer Churn Pada Bisnis Retail Menggunakan Algoritma Naïve Bayes. Remik: Riset Dan E-jurnal Manajemen Informatika Komputer, 6(1), 41–47. https://doi.org/10.33395/remik.v6i1.11196




DOI: https://doi.org/10.30998/jrami.v5i2.8556

Refbacks

  • There are currently no refbacks.


Jurnal Riset dan Aplikasi Mahasiswa Informatika (JRAMI) indexed by: