Analisis Prediksi Churn dan Segmentasi Pelanggan Speedy Retail Daerah Operasional Bandung Menggunakan Algoritma Decision Tree dan K-Means

Mayvita Putri Syamala

Informasi Umum

Kode

112080126

Klasifikasi

658.83 - Market research, Market analysis, Market study, Interviewing, use of consultants and research agencies, Techniques of consulting in market research

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Market Research

Dilihat

300 kali

Informasi Lainnya

Abstraksi

Kecenderungan penurunan jumlah pelanggan terjadi pada salah satu ISP (Internet Service Provider) di Indonesia, yaitu PT. Telekomunikasi Indonesia Tbk. (Telkom), khususnya daerah operasional Bandung, dengan produk layanan data dan internetnya yaitu Speedy. Kecenderungan penurunan jumlah pelanggan terjadi karena adanya churn. Setelah diidentifikasi, churn terjadi karena adanya pemberhentian layanan yang disebabkan oleh berbagai faktor, misalnya minimnya penggunaan layanan, adanya tunggakan, ataupun ketidakpuasan pelanggan terhadap layanan. Pemberhentian layanan dapat dilakukan oleh pelanggan ataupun perusahaan, sehingga perusahaan perlu mewaspadai terjadinya churn pada periode-periode berikutnya, dengan cara memberikan program retensi yang sesuai dengan karakteristik pelanggan yang berpotensi churn. Program retensi dilakukan untuk meningkatkan loyalitas pelanggan terhadap perusahaan, sehingga dapat meningkatkan revenue perusahaan.<br><br>Pelanggan yang berpotensi churn dapat diprediksi dan disegmentasikan menggunakan data mining. Salah satu metode prediksi yang dapat digunakan adalah Decision Tree. Pola pelanggan yang berpotensi churn, dapat dilihat melalui persentase nilai kepentingan prediktor yang digunakan. Prediktor yang digunakan dalam prediksi churn adalah customer billing, usage, jumlah gangguan, dan durasi berlangganan. Dalam pemodelan prediksi churn, customer billing memperoleh persentase nilai prediktor tertinggi yaitu 92%, jumlah gangguan dan durasi berlangganan memperoleh persentase nilai prediktor sebesar 4 %, sedangkan usage tidak berpengaruh dalam pemodelan.<br><br>Segmentasi pelanggan menggunakan algoritma clustering K-Means menggunakan data pelanggan berpotensi churn yang tidak memiliki masalah jaringan, dengan durasi berlangganan lebih dari 12 bulan. Atribut penting yang digunakan dalam segmentasi pelanggan adalah customer billing, usage, dan durasi berlangganan. Uji coba clustering K-Means dilakukan dengan jumlah K dari 1 sampai 5. Kemudian didapatkan K dengan kualitas cluster terbaik yaitu 2, sehingga terbentuk 2 cluster dengan karakteristik yang berbeda. Dari 2 cluster yang diperoleh, terpilihlah cluster 2 karena telah memenuhi kriteria cross selling layanan GrooviaTV. Terdapat 601 pelanggan potensial yang akan diberikan program cross selling GrooviaTV dan layanan pelengkap. Data Mining, Decision Tree, Clustering K-Means, Program Retensi,