ABSTRAKSI: Churn prediction merupakan salah satu jenis task data mining, yaitu klasifikasi, yang bertujuan untuk memprediksi pelanggan potensial churn pada industri telekomunikasi selular. Permasalahan prediksi churn adalah imbalance class, dimana terjadi ketidakseimbangan tajam antara jumlah suatu kelas dengan jumlah kelas lainnya pada data training. Classifier cenderung mengasumsikan data dalam kondisi balance sehingga mengakibatkan pembiasan prediksi kelas minor ke kelas mayor dan kemungkinan menganggap kelas minor hanya sebagai outlier (untuk data minor dengan jumlah sangat kecil).
Tugas Akhir ini akan mengimplementasikan metode K-Nearest Neighbor untuk imbalance class yaitu modifikasi metode K-Nearest Neighbor dengan berusaha lebih ‘memihak’ pada kelas minor. K-Nearest Neighbor akan membentuk center dinamis sesuai distribusi kelas pada proses learning, dan memilih K buah tetangga terdekat diutamakan dari satu cluster terdekat. Dengan modifikasi ini, diharapkan akan meningkatkan akurasi prediksi untuk kelas minor tanpa mengorbankan prediksi untuk kelas mayor. Akurasi hasil klasifikasi dari KNearest Neighbor untuk imbalance class akan dibandingkan dengan hasil klasifikasi oleh classifier lazy learner IBk pada tool Weka 3.5.6 serta dengan classifier populer lain dari tools Clementine 10.1 dalam bentuk top decile lift, lift curve dan gini coefficient.
Kata Kunci : churn prediction, imbalance class, K-Nearest NeighborABSTRACT: Churn prediction represents one type of data mining’s task, called classification, that aim to predict potential churn customer at cellular telecommunication industry. Problem in churn prediction is imbalance class, where the distribution of training data isn’t balance, sum of one class is much greater than another class. Classifier tends to assume that data is in balance condition, so it will bias the prediction for minority class belong to prediction for majority class, and possibly will judge minority class only as outlier (for minority class in too litte amount).
Churn prediction will be solved by implementing K-Nearest Neighbor for imbalance class method which modify K-Nearest Neighbor in order to more consider to minority class. At learning process, K-Nearest Neighbor will build dynamic cluster according to its class distribution and choose its K-Nearest Neighbor priority from the same nearest cluster. Wish this modification able to increase minority class prediction accuracy without decreasing majority class prediction accuracy. Classification result accuracy from K-Nearest Neighbor for imbalance class will be compared with the classfication result from lazy learner classifier Ibk on Weka 3.5.6 tool and another populer classifier on Clementine 10.1 tool in top decile lift, lift curve also gini coefficient forms.
Keyword: churn prediction, imbalance class, K-Nearest Neighbor