Wijaya, Agustinus Fritz
Universitas Bunda Mulia

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

Found 1 Documents
Search

KLASIFIKASI PELANGGAN PADA CUSTOMER CHURN PREDICTION MODELS MENGGUNAKAN DECISION TREE Sinata, Frans; Thenata, Angelina Pramana; Wijaya, Agustinus Fritz; Suryantara, I Gusti Ngurah; Ginting, Jusia Amanda; Widyaningrum, Destriana; Lumba, Ester
Jurnal Algoritma, Logika dan Komputasi Vol 8, No 2 (2025)
Publisher : Universitas Bunda Mulia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30813/j-alu.v8i2.8812

Abstract

Persaingan yang semakin ketat dalam dunia perdagangan modern menuntut perusahaan untuk menerapkan strategi retensi pelanggan yang proaktif, menjadikan prediksi customer churn (pelanggan yang berhenti menggunakan layanan) sebagai fokus utama. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model klasifikasi yang memanfaatkan data pelanggan historis guna mengidentifikasi secara dini pelanggan yang berpotensi churn atau tetap loyal. Metode yang digunakan adalah Data Mining, khususnya teknik Klasifikasi, dengan memilih algoritma Decision Tree C4.5 karena keunggulannya dalam menghasilkan aturan keputusan yang transparan dan mudah diinterpretasikan. Dataset yang dianalisis melibatkan 996 sampel pelanggan, mencakup berbagai atribut penting seperti jenis kelamin, usia, metode pembayaran, dan riwayat transaksi. Klasifikasi dilakukan untuk memprediksi status pelanggan ke dalam salah satu dari dua kategori target: loyal atau churn. Hasil pengujian menunjukkan bahwa model yang dibangun mampu mengklasifikasikan 636 pelanggan (sekitar 63.8%) sebagai kategori loyal dan 360 pelanggan (sekitar 36.2%) sebagai kategori churn, dengan mencapai tingkat akurasi model sebesar 98%. Temuan ini menunjukkan efektivitas Decision Tree C4.5 dalam memetakan pola loyalitas pelanggan. Secara praktis, model ini berkontribusi dalam menyediakan wawasan yang terukur bagi perusahaan untuk merumuskan inisiatif pemasaran dan retensi yang lebih tepat sasaran.