Article Per Year (5 Year)
p-Index From 2020 - 2025
0
P-Index
This Author published in this journals
All Journal Seminar Nasional Aplikasi Teknologi Informasi (SNATI)
Ina Rofi’atun Nasihati
Unknown Affiliation
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Penggunaan Metode Bagging dengan Menerapkan Data Balancing pada Churn Prediction Untuk Perusahaan Telekomunikasi ZK. Abdurahman Baizal; Moch. Arif Bijaksana; Ina Rofi’atun Nasihati
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2009
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Churn Prediction merupakan salah satu aplikasi data mining yang bertujuan untuk memprediksi parapelanggan yang berpotensial untuk churn. Churn Prediction merupakan salah satu kasus kelas imbalance danchurn merupakan kelas minor. Terdapat beberapa cara untuk mengatasi permasalahan imbalance class yangmelekat pada kasus churn ini. Salah satu contohnya dengan cara melakukan balancing terhadap data trainingatau dengan cara menggunakan metode yang khusus dapat menyelesaikan permasalahan imbalance class ini.Analisis yang dilakukan pada penelitian ini adalah mengetahui apakah metode Bagging dan Lazy Baggingdapat dijadikan solusi dalam mengklasifikasikan data churn. Dalam mendukung penelitian ini, dibuatperangkat lunak yang mengimplementasikan metode Bagging, dan Lazy Bagging. Pengujian dilakukan denganmenggunakan data salah satu perusahaan telekomunikasidi Indonesia. Sebagai metode pembanding adalahBoosting Clementine 10.1 dan C5.0 Clementine 10.1. Analisis dilakukan dengan melakukan penghitunganakurasi model churn prediction yang dinyatakan dalam bentuk lift curve, top decile dan gini coefficient serta fmeasureuntuk penghitungan akurasi data yang imbalance. Dari analisa yang dilakukan, metode Bagging dapatmemprediksikan data churn jika dilakukan balancing terlebih dahulu terhadap data training yang digunakan.Tetapi dari parameter lift curve, gini coefficient, ternyata Lazy Bagging menghasilkan nilai yang lebih baikuntuk data yang sangat imbalance (tanpa balancing)Kata kunci : bagging, lazy bagging, boosting , data imbalance, churn prediction, akurasi.
Co-Authors Moch Arif Bijaksana ZK Abdurahman Baizal