Prediksi Pelanggan Churn pada Perusahaan Telekomunikasi Menggunakan Logistic Regression di RapidMiner

Andri Tri Hartanto

Sari


Penelitian ini bertujuan memprediksi pelanggan churn di sektor telekomunikasi menggunakan algoritma Logistic Regression di RapidMiner. Dataset berasal dari Kaggle dan mencakup 7043 data pelanggan dengan atribut seperti jenis kontrak, biaya bulanan, lama berlangganan (tenure), dan metode pembayaran. Analisis eksploratori awal mengungkapkan ketidakseimbangan signifikan antara kelas pelanggan churn dan non-churn dalam data mentah. Proses penelitian melibatkan preprocessing, penyeimbangan data menggunakan SMOTE, dan pemodelan menggunakan Logistic Regression. Penerapan SMOTE berhasil mengatasi masalah ketidakseimbangan kelas sehingga meningkatkan sensitivitas model terhadap pelanggan berisiko churn. Model mencapai akurasi sebesar 90,72%, recall sebesar 85,95% untuk pelanggan churn, dan AUC sebesar 0,962. Nilai AUC yang mendekati 1 menunjukkan kemampuan model yang sangat baik dalam membedakan pelanggan churn dan non-churn. Variabel yang paling berpengaruh adalah jenis kontrak dan biaya bulanan berdasarkan analisis koefisien regresi. Temuan ini mengonfirmasi bahwa pelanggan dengan kontrak bulanan (month-to-month) dan biaya tinggi memiliki kecenderungan churn lebih besar. Hasil ini memberikan wawasan penting dalam strategi retensi pelanggan. Implikasinya, operator telekomunikasi dapat mengoptimalkan program loyalitas dan penyesuaian paket layanan berdasarkan profil risiko pelanggan.

Kata kunci— churn, logistic regression, rapidminer, SMOTE, telco.

Teks Lengkap:

PDF

Referensi


H. Jain, A. Khunteta, and S. Srivastava, “Churn Prediction in Telecommunication using Logistic Regression and Logit Boost,” Procedia Computer Science, vol. 167, pp. 101–112, 2020.

H. Nalatissifa and H. F. Pardede, “Customer Decision Prediction Using Deep Neural Network on Telco Customer Churn Data,” Jurnal Elektronika dan Telekomunikasi, vol. 21, no. 2, pp. 122–127, 2021.

H. Donat and S. Karadayı Usta, “The Attitudes of the Telecommunication Customers in the COVID-19 Outbreak: The Effect of the Feature Selection Approach in Churn Analysis,” Sakarya University Journal of Science, vol. 26, no. 3, pp. 530–544, 2022.

D. Kumari, S. K. Singh, S. S. Katira, I. V. Srinivas, and U. Salunkhe, “Telecom Customer Churn Forecasting Using Machine Learning: A Data-Driven Predictive Framework,” Metallurgical and Materials Engineering, 2021.

B. Maulana, D. Febrian, I. R. Fachrezi, and M. F. Zeen, “Comparison of Support Vector Machine, Random Forest, and C4.5 Algorithms for Customer Loss Prediction,” Indonesian Journal of Applied Technology and Innovation Science, vol. 2, no. 1, pp. 1–6, 2025.

S. K. Routray, “Marketing Strategy through Machine Learning Techniques: A Case Study at Telecom Industry,” Telecom Training Center, Bhubaneswar, India, 2024.

S. Mitrović, B. Baesens, W. Lemahieu, and J. De Weerdt, “On the operational efficiency of different feature types for telco Churn prediction,” European Journal of Operational Research, vol. 267, no. 3, pp. 1141–1155, 2018.

D. H. Tisantri, R. C. Wihandika, and S. Adinugroho, “Prediksi Keputusan Pelanggan Menggunakan Extreme Learning Machine Pada Data Telco Customer Churn,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 3, no. 11, pp. 10516–10523, 2019.

K. Kelvin, C. Cindy, C. Charles, D. P. Leonardo, and Y. Yennimar, “Customer Churn’s Analysis In Telecommunications Company Using Fp-Growth Algorithm,” Jurnal Mantik, vol. 4, no. 2, pp. 1285–1290, 2020.

R. Yu, X. An, B. Jin, J. Shi, O. A. Move, and Y. Liu, “Particle classification optimization-based BP network for telecommunication customer churn prediction,” Neural Computing and Applications, vol. 29, pp. 707–720, 2018.

B. Huang, M. T. Kechadi, and B. Buckley, “Customer churn prediction in telecommunications,” Expert Systems with Applications, vol. 39, no. 1, pp. 1414–1425, 2012.

S. Huang, N. Cai, P. P. Pacheco, S. Narrandes, Y. Wang, and W. Xu, “Applications of support vector machine (SVM) learning in cancer genomics,” Cancer Genomics and Proteomics, vol. 15, no. 1, pp. 41–51, 2018.

H. Nalatissifa and H. F. Pardede, “Customer Decision Prediction Using Deep Neural Network on Telco Customer Churn Data,” Jurnal Elektronika dan Telekomunikasi, vol. 21, no. 2, pp. 122–127, 2021.

N. Hashmi, N. A. Butt, and M. Iqbal, “Customer churn prediction in telecommunication a decade review and classification,” International Journal of Computer Science Issues, vol. 10, no. 5, p. 271, 2013.

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.


Refbacks

  • Saat ini tidak ada refbacks.


EJECTS: Jurnal Computer, Technology, and Informations System

Gedung Fakultas Ilmu Komputer, Universitas Darwan Ali, JL. Batu Berlian, No. 10, Sampit, Kabupaten Kotawaringin Timur, Provinsi Kalimantan Tengah, 74322

Creative Commons Licence
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

View My Stats