<![CDATA[Customer churn merupakan permasalahan penting yang dihadapi perusahaan karena dapat berdampak langsung terhadap penurunan pendapatan dan keberlangsungan bisnis. Oleh karena itu, diperlukan metode prediksi yang akurat untuk mengidentifikasi pelanggan yang berpotensi berhenti menggunakan layanan. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Decision Tree dan Naive Bayes dalam memprediksi customer churn berdasarkan pola penggunaan layanan. Dataset yang digunakan merupakan data Customer Subscription Churn and Usage Patterns yang terdiri dari 2.801 data dengan label churn bernilai Yes dan No. Proses pengolahan data dilakukan menggunakan RapidMiner dengan tahapan preprocessing, penanganan data tidak seimbang menggunakan metode Synthetic Minority Over-sampling Technique (SMOTE), serta evaluasi model menggunakan cross validation. Hasil penelitian menunjukkan bahwa algoritma Decision Tree menghasilkan kinerja yang lebih baik dibandingkan Naive Bayes dengan nilai akurasi sebesar 65,04% dan AUC sebesar 0,704, sedangkan Naive Bayes memperoleh akurasi sebesar 62,68% dan AUC sebesar 0,737. Meskipun Naive Bayes memiliki nilai AUC yang sedikit lebih tinggi, Decision Tree menunjukkan keseimbangan yang lebih baik antara akurasi, precision, dan recall dalam memprediksi customer churn. Berdasarkan hasil tersebut, dapat disimpulkan bahwa Decision Tree lebih efektif digunakan untuk prediksi customer churn pada dataset yang digunakan dalam penelitian ini.]]>
Copyrights © 2026
