Article Per Year (5 Year)
p-Index From 2020 - 2025
1.431
P-Index
This Author published in this journals
All Journal Sinkron : Jurnal dan Penelitian Teknik Informatika Jurnal Teknologi Informasi MURA JOURNAL OF INFORMATION SYSTEM RESEARCH (JOSH) Jurnal Pengabdian kepada Masyarakat Nusantara RESOLUSI : REKAYASA TEKNIK INFORMATIKA DAN INFORMASI Bulletin of Information Technology (BIT) Bulletin of Information System Research
Intan, Bunga
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Social Sciences Other

Published : 8 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Bulletin of Information System Research

 1 
Komparasi Metode Decision Tree dan K-Nearest Neighbor (KNN) dalam Memprediksi Costumer Churn Pada Perusahaan Telekomunikasi Palluvi, Khadisah Syah Riebhan; Syaada, Nadyari; Intan, Bunga
Bulletin of Information System Research Vol 3 No 1 (2024): December 2024
Publisher : Graha Mitra Edukasi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62866/bios.v3i1.190

Abstract

Prediksi customer churn bertujuan untuk mengklasifikasikan data pelanggan sebelumnya menjadi dua kategori: pelanggan yang akan berhenti berlangganan dan pelanggan yang akan terus berlangganan. Prediksi tersebut memanfaatkan ilmu data mining peran klasifikasi yang merupakan menempatkan variabel atau objek ke dalam beberapa kategori relevan yang telah ditetapkan sebelumnya. Dalam proses eksekusi data mining, diperlukan sebuah algoritma yang dapat mengklasifikasikan apakah customer churn atau tidak churn. Data yang digunakan terdiri dari 7043 rows dan 21 columns. Didalam data tersebut salah satu kolom akan dijadikan label yaitu kolom ‘Churn’. Dalam proses prediksi churn, algoritma yang digunakan yaitu Decision Tree dan K-Nearest Neighbor. Dari hasil analisis yang dilakukan, pada algoritma KNN dihasilkan 76% dan Decision Tree 72%. Dengan hasil pemodelan akurasi 72% dan 76%, keduanya memenuhi kriteria kesuksesan >70%. Namun, model KNN dengan akurasi 76% lebih baik dan lebih diinginkan karena memberikan prediksi yang lebih akurat.
Co-Authors Aktavera, Beni Alga, Jimmy Armanto Armanto, Armanto Astuti, Endang Tri Basmansyah, Attaya Rifki Darmawan, Muhammad Albani Devi Purwanti, Devi Dwi Budi Santoso Elmayati, Elmayati Hendri Hariadi, Astrid Ayuzi Putri Irawan, Davit Karman, Joni Kelpin, Yogi Lingga Wijaya, Harma Oktafia Milenia, Aprilsa Nurdiansyah, Deni Palluvi, Khadisah Syah Riebhan Riski Kurniawan Syaada, Nadyari Wulandari, Cindi