Abstrak

Churn prediction merupakan upaya yang digunakan untuk membantu penyedia layanan telekomunikasi agar tidak mengalami kerugian yang besar dengan cara memprediksi atau mengklasifikasi pelanggan jasa telekomunikasi yang berhenti dan berpindah menggunakan jasa telekomunikasi yang lain. Dataset pada kasus churn ini biasanya memiliki data pelanggan non-churn yang mayor daripada data pelanggan churn yang minor sehingga akurasi untuk data minor akan memiliki akurasi yang sangat kecil sehingga menyebabkan imbalance data. Data yang imbalance akan menyebabkan kesulitan dalam mengembangkan model prediksi yang baik. Salah satu pendekatan untuk menangani imbalance data adalah pendekatan sampling-based. Pada penelitian Tugas Akhir ini menggunakan data pelanggan dari WITEL PT. Telekomunikasi Regional 7. Pada data yang digunakan memiliki 53 atribut dengan 200,361 record data (192,848 record data non-churn dan 7,513 record data churn). Tingkat data kelas churn pada dataset ini adalah 3.7%. Untuk menangani imbalance data menggunakan Synthetic Minority Oversampling Technique (SMOTE) yang dikombinasikan dengan metode Random Forest (RF) untuk klasifikasi data kelas churn atau non-churn. SMOTE merupakan teknik oversampling yang digunakan untuk menghasilkan data sintetis dari kelas churn untuk meningkatkan prediksi peluang churn yang terjadi. Penelitian yang dilakukan terbukti dapat meningkatkan performansi model klasifikasi RF dengan penanganan imbalance data menggunakan SMOTE yang memberikan peningkatan nilai f-measure lebih dari 20% dengan nilai f-measure terbaik yaitu 95,27% dan error rate 4,60%.

Kata kunci: imbalanced data, churn prediction, smote, random forest.