<![CDATA[Customer churn merupakan tantangan kritis dalam industri telekomunikasi yang berdampak signifikan terhadap profitabilitas perusahaan. Penelitian ini mengusulkan pendekatan hybrid machine learning untuk memprediksi customer churn dengan mengintegrasikan deep learning dan random forest serta mengoptimalkan performa melalui seleksi fitur chi-square dan information gain. Dataset IBM Telco Customer Churn yang terdiri dari 7.043 sampel dengan 31 atribut digunakan dalam penelitian ini. Metodologi penelitian meliputi preprocessing data, implementasi 10-fold cross validation, aplikasi metode seleksi fitur, dan evaluasi performa menggunakan confusion matrix serta metrik klasifikasi biner. Hasil penelitian menunjukkan bahwa implementasi seleksi fitur secara signifikan meningkatkan akurasi prediksi, di mana akurasi tanpa seleksi fitur mencapai 97.00% (Deep Learning) dan 98.68% (Random Forest), sedangkan dengan seleksi fitur chi-square meningkat menjadi 97.97% (Deep Learning) dan 98.72% (Random Forest). Performa terbaik dicapai oleh kombinasi Random Forest dengan seleksi fitur information gain yang menghasilkan akurasi 98.75%, precision 98.37%, recall 99.96%, dan F-measure 99.16%. Temuan ini membuktikan efektivitas kombinasi algoritma ensemble dengan teknik seleksi fitur dalam mengoptimalkan prediksi customer churn untuk mendukung strategi retensi pelanggan yang lebih tepat sasaran]]>
Copyrights © 2025
