<![CDATA[Customer churn menjadi salah satu tantangan terbesar bagi perusahaan telekomunikasi karena berdampak langsung pada pendapatan dan keberlanjutan bisnis. Penelitian ini bertujuan untuk meningkatkan akurasi prediksi churn dengan mengembangkan model ensemble learning berbasis Hard Voting Classifier yang menggabungkan tiga algoritma berbeda, yaitu Naïve Bayes, Random Forest, dan Nearest Centroid. Dataset pelanggan yang digunakan mencakup informasi demografis, perilaku penggunaan layanan, dan status churn, yang kemudian diproses melalui tahapan pembersihan data, seleksi fitur, normalisasi, serta teknik resampling SMOTE-Tomek untuk menyeimbangkan distribusi kelas. Pemilihan fitur dilakukan dengan metode Information Gain dan analisis korelasi, sehingga hanya atribut yang relevan digunakan dalam pemodelan. Hasil pengujian menunjukkan bahwa Hard Voting Classifier mampu mencapai akurasi sebesar 90% dengan nilai recall untuk kelas churn sebesar 81%, lebih tinggi dibandingkan Random Forest (78%), meskipun akurasi Random Forest lebih tinggi (95%). Nilai precision untuk kelas non-churn juga meningkat hingga 97%, menandakan model ini efektif mengurangi kesalahan dalam memprediksi pelanggan tetap. Temuan ini membuktikan bahwa pendekatan ensemble learning dengan base learner heterogen dapat memadukan keunggulan masing-masing algoritma untuk meningkatkan deteksi churn. Meski demikian, performa Hard Voting masih bergantung pada kualitas masing-masing classifier, sehingga optimasi hyperparameter dan eksplorasi kombinasi model lain direkomendasikan untuk penelitian selanjutnya. Hasil penelitian ini diharapkan dapat membantu perusahaan merumuskan strategi retensi pelanggan yang lebih tepat sasaran dan berkelanjutan. ]]>
Copyrights © 2025
