Article Per Year (5 Year)
p-Index From 2021 - 2026
3.667
P-Index
This Author published in this journals
All Journal Format : Jurnal Imiah Teknik Informatika Jurnal Informatika JITK (Jurnal Ilmu Pengetahuan dan Komputer) JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI Jurnal Nasional Komputasi dan Teknologi Informasi Journal of Informatics, Information System, Software Engineering and Applications (INISTA) Akrab Juara : Jurnal Ilmu-ilmu Sosial STUDI PELAKSANAAN SELFMEDICATION PADA PENDERITA DIARE BERDASARKAN TINGKAT PENGETAHUAN MASYARAKAT PESISIR KECAMATAN SOROPIA KABUPATEN KONAWE Reputasi: Jurnal Rekayasa Perangkat Lunak Profitabilitas J-Intech (Journal of Information and Technology) Informatics and Computer Engineering Journal Jurnal Abdimas Perbanas Journal of Accounting Information System Jurnal Pengabdian Masyarakat Nasional Journal of Information Technology
Aswar Hanif
Universitas Bina Sarana Informatika
Aerospace Engineering Automotive Engineering Biochemistry, Genetics & Molecular Biology Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Health Professions Library & Information Science Medicine & Pharmacology Neuroscience Public Health Social Sciences Transportation

Published : 31 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 31 Documents
Search

 1   2   3   4 
Pemilihan Model Churn pada Data Tidak Seimbang Berdasarkan ROC AUC dan Recall Aswar Hanif; Harna Adianto; Lilik Martanto; Endang Wahyudi
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 8, No 5 (2025): Oktober 2025
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v8i5.9821

Abstract

Abstrak - Customer churn adalah sebuah keadaan di mana pelanggan menghentikan hubungan bisnis dengan sebuah usaha. Kemampuan untuk memprediksi customer churn merupakan salah satu faktor penting dalam perencanaan bisnis. Umumnya data customer churn tidak seimbang, dan menjadi tantangan signifikan dalam pembelajaran mesin. Untuk mengatasi masalah ini, pendekatan yang paling sering digunakan adalah oversampling. Metode yang populer adalah SMOTE, yang bisa meningkatkan peforma model, namun juga bisa menyebabkan overfitting. Telah banyak penelitian dilakukan dengan menggunakan oversampling dalam menghadapi data tidak seimbang. Tetapi masih sedikit penelitian yang fokus pada pemilihan model klasifikasi berdasarkan metrik yang sesuai, tanpa menggunakan oversampling. Penelitian ini menguji model-model klasifikasi dalam memprediksi customer churn terhadap data tidak seimbang, baik dengan maupun tanpa menggunakan SMOTE, untuk perbandingan hasil cross-validation dan performa pengujian. Kemudian model-model ini dievaluasi menggunakan metrik Balanced Accuracy. Kebaruan terletak pada fokus bahwa pemilihan model berdasarkan kombinasi ROC AUC dan Recall, bisa menemukan model prediksi customer churn terbaik tanpa harus menggunakan oversampling. Diharapkan hasil ini dapat berkontribusi dalam memperluas wawasan dari asumsi bahwa data tidak seimbang selalu harus diatasi menggunakan oversampling.Kata kunci : Pemilihan model; Data tidak seimbang; Tanpa oversampling; ROC AUC; Recall; Abstract - Customer churn refers to the phenomenon in which a customer ends their relationship with a company. Being able to predict customer churn is crucial for business planning. However, customer churn data is often imbalance, making it a major challenge for machine learning. One way to tackle this issue is oversampling. A widely used approach is SMOTE, which can boost model performance but also risks overfitting. There have been many studies using oversampling to address imbalanced data. However, there's a lack of research on selecting a classification model based on suitable metrics without relying on oversampling. This study evaluates classification models for predicting customer churn on imbalanced datasets, comparing performance with and without the application of SMOTE using cross-validation and test results. Subsequently, the models are evaluated using the Balanced Accuracy metric. This study introduces a novel approach in which model selection based on a combination of ROC AUC and Recall identifies the optimal customer churn prediction model without the need for oversampling. These results may broaden understanding beyond the prevailing assumption that imbalanced data must always be addressed using oversampling.Keywords: Model selection; Data imbalance; Without oversampling; ROC AUC; Recall
Co-Authors Alvin Syahid Aryastian, Sergi Endang Wahyudi Endang Wahyudi Harna Adianto Heri Kuswara Lilik Martanto Markus, Lilik Ramadhan, Rezky Hadisetya Sergi Aryastian Syamsul Bakhri Syamsul Bakhri Taufik Baidawi, Taufik Wahyudi, Endang Yayan Hendrian