IMPLEMENTASI METODE RANDOM FOREST PADA KLASIFIKASI CHURN CUSTOMER

LUTFIA HUMAIROSI, 1817031037 (2022) IMPLEMENTASI METODE RANDOM FOREST PADA KLASIFIKASI CHURN CUSTOMER. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM , UNIVERSITAS LAMPUNG.

Preview	File PDF 1. ABSTRAK.pdf Download (1111Kb) | Preview
	File PDF 2. SKRIPSI FULL.pdf Restricted to Hanya staf Download (1632Kb)
Preview	File PDF 3. SKRIPSI TANPA BAB PEMBAHASAN.pdf Download (1633Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Banking industry is growing each year, it results in high market competition. The movement of customers from one company to another that generates customers within a certain time interval of customer churn. The case of customer transfer needs to be studied by predicting the behavior of customers who leave the company and the company can retain customers. This problem can be handled by classify customer behavior based on previous available data. This study uses the random forest method with a best composition of 90% used as training data, and 10% of the data used as test data, the best parameters obtained are 400 n_estimators, 40 max_depth, and Synthetic Minority Over-Sampling Technique (SMOTE) is used to handle imbalanced data, the model accuracy is 90,83%, the precision value is 89,29%, and the recall value is 92,07%, and the f1-score value is 90,66%. Keywords: Churn Customer, Machine Learning, Random Forest, SMOTE Industri perbankan semakin meningkat setiap tahunnya, hal ini mengakibatkan semakin tinggi persaingan perlakuan terhadap customer. Perpindahan customer dari suatu perusahaan ke perusahaan lain yang mengakibatkan hilangnya customer dalam selang waktu tertentu dinamakan churn customer. Kasus perpindahan customer perlu dikaji dengan memprediksi perilaku customer yang berpotensi meninggalkan perusahaan dan peusahaan dapat mempertahankan customer. Permasalahan tersebut dapat ditangani dengan cara melakukan klasifikasi perilaku customer berdasarkan data yang ada sebelumnya. Penelitian ini menggunakan metode random forest dengan komposisi terbaik sebesar 90% digunakan sebagai data latih dan 10% data digunakan sebagai data uji, didapatkan parameter terbaik berupa 400 n_estimators, 40 max_depth, dan digunakan Synthetic Minority Over-Sampling Technique (SMOTE) untuk menangani imbalanced data, dihasilkan nilai akurasi model sebesar 90,83%, nilai precision sebesar 89,29%, nilai recall sebesar 92,07%, dan nilai f1-score sebesar 90,66%. Kata kunci: Churn Customer, Machine Learning, Random Forest, SMOTE

Jenis Karya Akhir:	Skripsi
Subyek:	500 ilmu pengetahuan alam dan matematika
Program Studi:	FAKULTAS MIPA > Prodi Matematika
Pengguna Deposit:	2208893909 . Digilib
Date Deposited:	05 Dec 2022 04:38
Terakhir diubah:	05 Dec 2022 04:38
URI:	http://digilib.unila.ac.id/id/eprint/67327

Actions (login required)

Lihat Karya Akhir