Customer Churn Analysis pada Universitas Multimedia Nusantara dengan Menggunakan Algoritma Decision Tree, Random Forest, dan XGBoost

Aurelio, Clement (2024) Customer Churn Analysis pada Universitas Multimedia Nusantara dengan Menggunakan Algoritma Decision Tree, Random Forest, dan XGBoost. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (539kB)
	PDF BAB_I.pdf Download (251kB)
	PDF BAB_II.pdf Download (613kB)
	PDF BAB_III.pdf Download (426kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (1MB)
	PDF BAB_V.pdf Download (217kB)
	PDF DAFTAR_PUSTAKA.pdf Download (233kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (426kB)

Abstract

Customer churn merupakan perpindahan pelanggan dari suatu perusahaan/bisnis ke perusahaan/bisnis lain. Customer churn penting untuk diketahui, terlebih untuk para pemilik bisnis yang mengandalkan loyalitas pelanggan. Fenomena churn dapat terjadi pada berbagai sektor, termasuk sektor pendidikan yang disebut sebagai student attrition. Sektor pendidikan yang dibahas pada penelitian ini adalah perguruan tinggi/universitas. Terjadinya customer churn pada universitas dapat menyebabkan kerugian, seperti akreditasi/reputasi universitas yang menurun. Akreditasi universitas yang menurun akan menyebabkan universitas kurang dipandang oleh calon mahasiswa. Penelitian ini memanfaatkan algoritma Decision Tree, Random Forest, dan XGBoost untuk membuat model yang dapat melakukan analisa terhadap faktor-faktor penyebab churn dan melakukan klasifikasi mahasiswa ke dalam kelas churn atau not churn. Ketiga algoritma ini digunakan karena mampu menyelesaikan masalah klasifikasi dan memiliki mekanisme kerja yang sama. XGBoost dan Random Forest merupakan algoritma yang menerapkan teknik boosting dan bagging terhadap Decision Tree. Data yang digunakan dalam penelitian ini diperoleh dari Biro Informasi Akademik (BIA) Universitas Multimedia Nusantara (UMN). Data akan diolah dan dibersihkan terlebih dahulu sebelum nantinya digunakan untuk membuat model klasifikasi. Model dengan performa terbaik akan digunakan pada tahap deployment untuk melakukan prediksi terhadap unseen data. Berdasarkan penelitian yang dilakukan, masing-masing model memiliki performa yang berbeda, baik dari segi akurasi, presisi, recall, dan f1-score. Model XGBoost memiliki performa terbaik dengan akurasi sebesar 98%, presisi sebesar 99%, recall sebesar 96%, dan f1-score sebesar 97%. Model ini memiliki performa yang lebih baik dibandingkan Decision Tree sebagai base modelnya dengan kenaikan 2% pada akurasi, 6% pada presisi, 2% pada recall, dan 3% pada f1- score. Seluruh model memiliki performa yang lebih baik pada kelas mayoritas (not churn) dibandingkan pada kelas minoritas (churn).

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Churn, Student Attrition, Machine Learning, Klasifikasi, Prediksi, Decision Tree, Random Forest, XGBoost
Subjects:	?? T70 ??
Divisions:	Faculty of Engineering & Informatics > Information System
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	09 Nov 2024 12:03
Last Modified:	09 Nov 2024 12:03
URI:	https://kc.umn.ac.id/id/eprint/33963

Actions (login required)

View Item