Customer churn dapat didefinisikan sebagai berhentinya berlangganan oleh pelanggan. Pelanggan biasanya memilih berhenti dari suatu perusahaan dan beralih ke perusahaan lain dan tidak memperpanjang kontrak. Hal ini biasanya terjadi dikarenakan ada hal yang tidak sesuai dengan ekspektasi pelanggan, biasanya pelanggan mengganggap bahwa suatu perusahaan itu berada dibawah ekspekti. Churn juga sering digunakan untuk indikator tingkat kepuasan pelanggan serta kinerja perusahaan. Hasil yang diperoleh dari pengujian dengan pembagian data testing 10% sedangkan data training 90% dengan jumlah 7043 sampel data dengan akurasi 74%. Data diperoleh dari Kaggle dengan judul “Telecom Customer Churn Prediction”. Ada banyak hal yang menjadi pertimbangan dari para pelanggan meninggalkan suatu perusahaan, di antaranya seperti mengenai layanan, kualitas, dan lain sebagainya. Teknik yang diaplikasikan pada Churn ini menggunakan Decision Tree sebagai prediktor. Pendekatan yang biasanya digunakan untuk memprediksi berdasarkan kategori atau label kelasnya. Decision Tree bekerja seperti membangun pohon keputusan untuk memprediksi berdasarkan kelas label tertentu. Di dalam proyek ini menerapkan algortima C4.5 dalam penerapannya. Algoritma C4.5 ini terkenal akan kelebihannya yang beragam mulai dari bisa mengatasi nilai atribut yang hilang, yang menjadikan beberapa aturan yang mudah diimplementasikan dan cepat diantara algoritma yang lain.


Deskripsi Lain

Customer churn can be defined the termination of a subscription by a customer. Customers usually choose to leave a company and switch to another company and not renew their contract. This usually happens because there is something that does not match customer expectations, usually customers assume that a company is below expectations. Churn is also often used an indicator of customer satisfaction levels and company performance. The results obtained from testing with a 10% testing data division while 90% training data with a total of 7043 data samples with an accuracy of 74%. Data obtained from Kaggle with the title "Telecom Customer Churn Prediction". There are many things that customers consider when leaving a company, including services, quality, and so on. The technique applied to Churn uses Decision Tree a predictor. The approach is usually used to predict based on its category class label. Decision Tree works building a decision tree to predict based on a particular class label. In this project, the C4.5 algorithm is applied in its application. The C4.5 algorithm is known for its various advantages, starting from being able to handle missing attribute values, which makes some rules easy to implement and fast among other algorithms.

• Pengenalan Obyek Berbasis Deep Learning Dengan Menggunakan Convolutional Neural Network
• Pengenalan Wajah Menggunakan Metode Preprocessing Image Fusion dan Ekstraksi Fitur Modified Two Dimensional Linear Discriminant Analysis
• IMPLEMENTASI SELEKSI FITUR INFORMATION GAIN DAN KLASIFIKASI REGRESI LOGISTIK UNTUK DIAGNOSA PENDERITA GINJAL KRONIS
• Multi-class Seleksi Fitur F-Score Berbasis Statistik dan K-nearest Neighbor untuk Diagnosa Penyakit Sapi
• SISTEM PENCARIAN TEKS AL-QURAN TERJEMAHAN BERBAHASA INDONESIA DENGAN METODE DICE SIMILARITY DAN NAZIEF DAN ADRIANI

• Penerapan Fuzzy Decision Tree (FDT) Pada Seleksi Penerimaan Beasiswa DIPA dengan Algoritma Iterative Dichotomizer 3 (ID3)
• Klasifikasi Penerima Beasiswa GAKIN Menggunakan Algoritma C4.5
• IDENTIFIKASI GAYA KOGNITIF MELALUI POLA BROWSING SISWA DENGAN KUISIONER BERBASIS MBTI MENGGUNAKAN METODE DECISION TREE
• Sistem Pendukung Keputusan Kelayakan Pemberian Kredit Nasabah Dengan Metode Algoritma C4.5
• DETEKSI KEBOCORAN PADA PIPA POMPA AIR MENGGUNAKAN MICROPHONE DENGAN PENDEKATAN DECISION TREE