ABSTRAKSI: Salah satu usaha PT.TELKOM didalam meningkatkan pendapatannya adalah dengan meningkatkan penjualan SPEEDY. Saar ini cara yang dilakukan untuk mendapatkan pelanggan potensial SPEEDY adalah dengan cara membeli data dari pihak luar PT.TELKOM. Hal ini tentu tidak ekonomis melihat harga data yang mahal serta tidak dapat diketahui validitas data tersebut. Untuk mengatasi masalah tersebut diperlukan sebuah model penyelesaian masalah prediksi pelanggan SPEEDY yang dimiliki oleh PT.TELKOM, dengan memanfaatkan data usage.
Model pemecahan masalah yang dibangun adalah dengan melakukan pendekatan data mining. Serta metode pemodelan yang digunakan menggunakan konsep metode ensemble. Berdasarkan hasil penelitian untuk model pemecahan masalah tanpa menggunakan attribute selection, metode pemodelan AdaboostM1 dengan base classifiernya menggunakan Complement Naïve Bayes atau Naïve Bayes Multinomial merupakan metode yang efektif. Sedangkan untuk model pemecahan masalah dengan menggunakan attribute selection tidak dapat dilakukan analisa yang lebih mendalam pada penelitian ini.
Kata Kunci : data mining, metode ensemble, attribute selection, base classifierABSTRACT: One of the efforts of PT.TELKOM to improve the income is increasing SPEEDY sale. Nowadays, to get the SPEEDY potential customer is buying data from the outsides of PT TELKOM. This matter of course not economic, because of the expensive price of data and not know about data validity. To overcome the problem need to make the problem solving model to predict SPEEDY customers of PT TELKOM, by exploiting data usage.
The problem solving models are built using data mining approach. The modeling method used is ensemble method concept. Depend on result of examination for the first one is without using attribute selection, AdaboostM1 modeling method with base classifier using Complement Naïve Bayes or Naïve Bayes Multinomial is the effective method. And the second model by using attribute selection can not be done more circumstantial analysis at this research.
Keyword: data mining, metode ensemble, attribute selection, base classifier