Analisis dan Implementasi Churn Prediction Menggunakan Emerging Pattern dan Decision Tree Studi Kasus Churn Prediction Mobile Telecomunication

Abstrak

Prediksi pada imbalanced class merupakan permasalahan yang sering dijumpai dalam banyak aplikasi kehidupan. Kasus kelas minor sangat jarang sehingga susah untuk prediksi. Kelangkaan ini membatasi informasi yang bisa didapatkan dari kelas minor. Churn Prediction adalah satu kasus dari imbalanced class dan merupakan aplikasi dari task data mining yang bertujuan untuk memprediksi para pelanggan yang berpotensi untuk Churn. Pada tugas akhir ini di kenalkan pendekatan baru yang memanfaatkan kelebihan dari Emerging Pattern dan Decision Tree(EPDT) untuk mengklasifikasi kelas minor pada imbalanced dataset. Pendekatan ini didapatkan melalui dua tahap. Tahap pertama menggunakan Emerging Pattern kelas minor untuk membuat instance Emerging Pattern kelas minor baru yang tidak ada sebelumnya. Tahap kedua menggunakan Emerging Pattern kelas minor untuk melakukan oversample Emerging Pattern kelas minor yang sangat penting. Implementasi dilakukan dengan study kasus Churn Prediction pada sebuah perusahaan Telekomunikasi di Indonesia. Hasil yang didapat menunjukan EPDT mampu memperbaiki kelas minor dan meningkatkan akurasi kelas minor sampai 87%.

Kata kunci: Churn Prediction, Data mining, Decision Tree, Emerging Patterns, Imbalaced class, Oversampling.