Pemanfaatan Data Mining untuk Klasifikasi Customer Churn Menggunakan Algoritma Random Forest dalam Mendukung Strategi Bisnis
DOI:
https://doi.org/10.64803/jodsie.v1i2.32Keywords:
Customer Churn, Random Forest, Data Mining, Klasifikasi, TelekomunikasiAbstract
Peningkatan persaingan di industri telekomunikasi mendorong perusahaan untuk mempertahankan pelanggan karena customer churn dapat menyebabkan penurunan pendapatan dan meningkatnya biaya akuisisi pelanggan baru. Namun, identifikasi pelanggan yang berpotensi churn masih menjadi tantangan, terutama pada data dengan distribusi kelas yang tidak seimbang. Penelitian ini bertujuan membangun model prediksi customer churn menggunakan algoritma Random Forest serta mengidentifikasi faktor-faktor yang memengaruhi keputusan pelanggan menghentikan layanan. Penelitian menggunakan Telco Customer Churn Dataset yang terdiri atas 7.043 data pelanggan dengan atribut tenure, TechSupport, Contract, dan MonthlyCharges sebagai variabel prediktor serta Churn sebagai variabel target. Tahapan penelitian meliputi prapemrosesan data, pembentukan model, dan evaluasi menggunakan confusion matrix serta ROC-AUC. Hasil pengujian menunjukkan model memperoleh accuracy 79,21%, precision 66,27%, recall 44,12%, dan ROC-AUC 83,94%. Analisis feature importance menunjukkan bahwa Contract merupakan faktor paling berpengaruh terhadap churn, diikuti tenure, MonthlyCharges, dan TechSupport. Temuan ini menunjukkan bahwa Random Forest efektif digunakan untuk memprediksi customer churn dan mendukung strategi retensi pelanggan berbasis data.
References
[1] Y. Gunawan, “Analisis faktor-faktor pengaruh customer churn pada sebuah perusahaan internet provider,” Jurnal Konseling dan Pendidikan, vol. 14, no. 1, pp. 577–590, 2026, doi: 10.1002/9781118349212.ch6.
[2] B. Gegeleso and O. Ebiesuwa, “Comparative Analysis of Random Forest and LSTM Models for Customer Churn Prediction Based on Customer Satisfaction and Retention,” Indonesian Journal of Data and Science, vol. 6, no. 2, pp. 313–323, 2025, doi: 10.56705/ijodas.v6i2.244.
[3] R. T. Prasetio, Y. Ramdhani, V. H. C. Putra, and Pratiwi, “Algoritma Random Forest Sebagai Uplift Modeling pada Prediksi Retensi Pelanggan Layanan Telekomunikasi,” Jurnal Infotech, vol. 7, no. 2, pp. 84–88, 2025.
[4] B. Prabadevi, R. Shalini, and B. R. Kavitha, “Customer churning analysis using machine learning algorithms,” International Journal of Intelligent Networks, vol. 4, no. April, pp. 145–154, 2023, doi: 10.1016/j.ijin.2023.05.005.
[5] E. Mufida, D. Andriansyah, and H. Hertyana, “Customer Churn Prediction Pada Sektor Perbankan Dengan Model Logistic Regression dan Random Forest,” Computer Science (CO-SCIENCE), vol. 5, no. 1, pp. 58–66, 2025, doi: 10.31294/coscience.v5i1.7576.
[6] S. Nurhaliza, A. Harismahyanti, M. A. Fathan, M. E. Rizal, Muh. Z. Yahya, and Asfar, “Penanganan Data Churn Tidak Seimbang Menggunakan Pembobotan pada Model Supervised,” Buletin Sistem Informasi dan Teknologi Islam, vol. 7, no. 1, pp. 1–9, 2026.
[7] S. D. Damanik and M. I. Jambak, “Klasifikasi Customer Churn pada Telekomunikasi Industri Untuk Retensi,” Kajian Ilmiah Informartika dan Komputer, vol. 3, no. 6, pp. 1303–1309, 2023, doi: 10.30865/klik.v3i6.829.
[8] D. Kurniasari, L. Humairosi, Warsono, and Notiragayu, “Implementation of Random Forest Method forCustomer Churn Classification,” JSI : Jurnal Sistem Informasi (E-Journal), vol. 17, no. 1, pp. 187–202, 2025.
[9] R. C. Admanegara and W. Handayani, “Customer Churn Analysis Using Machine Learning to Improve Customer Retention on Vissie Net,” International Journal of Scientific Research and Management (IJSRM), vol. 12, no. 09, pp. 7379–7387, 2024, doi: 10.18535/ijsrm/v12i09.em05.
[10] A. Handijono and Z. Suhatman, “Retensi Nasabah Bertarget : Pendekatan Berbasis RFM dan AI dalam Perbankan,” SAINTECH: Jurnal Penelitian dan Pengkajian Sains dan Teknologi, vol. 35, no. 3, pp. 48–61, 2025.
[11] B. Mahendra, Martanto, D. Pratama, A. Faqih, and R. Kurniawan, “Pengaruh Kualitas Data Terhadap Performa Model Machine Learning Dalam Pendekatan Data-Centric AI,” Jurnal Sistem Informasi dan Teknologi, vol. 5, no. 1, pp. 107–113, 2021.
[12] M. W. Nugroho, “Analisis Performa Algoritma Random Forest dalam Mengatasi Overfitting pada Model Prediksi,” Jurnal JTIK (Jurnal Teknologi Informasi dan Komunikasi), vol. 9, no. 4, pp. 1562–1571, 2025, doi: 10.35870/jtik.v9i4.4236.
[13] D. A. Kusuma, A. R. Dewi, and A. R. Wijaya, “Perbandingan Random Forest dan Convolutional Neural Network dalam Memprediksi Peralihan Pelanggan,” JISKA (Jurnal Informatika Sunan Kalijaga), vol. 10, no. 2, pp. 186–194, 2025, doi: 10.14421/jiska.2025.10.2.186-194.
[14] S. Mutmainah, “Penanganan Imbalance Data Pada Klasifikasi Kemungkinan Penyakit Stroke,” Jurnal Sains, Nalar, dan Aplikasi Teknologi Informasi, vol. 1, no. 1, pp. 10–16, 2021, doi: 10.20885/snati.v1i1.2.
[15] I. K. M. Bili, I. W. Sudiarta, M. Y. Wungabelen, N. K. A. Rosdiana, and P. Rafiana, “Analisis dan Prediksi Customer Churn pada Platform Streaming Berbasis Langganan Menggunakan Metode Random Forest,” Jurnal Bisnis Inovatif dan Digital, vol. 3, no. 1, pp. 1–15, 2026.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Desty Mutiara Putri, Resvi Despina Mulyani, Firda Mawarni (Author)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
