CD Skripsi
Analisis Efisiensi Dan Performa Model Random Forest Dengan Reduksi Dimensi Principal Component Analysis Untuk Prediksi Customer Churn
ABSTRAK
SYAHRUL A. Analisis Efisiensi dan Performa Model Random Forest dengan Reduksi Dimensi Principal Component Analysis untuk Prediksi Customer Churn (dibimbing oleh Andi Maulidinnawati A. K. Parewe dan Fitriana M. Sabir).
Customer churn merupakan salah satu isu penting yang dihadapi perusahaan karena biaya akuisisi pelanggan baru jauh lebih besar dibanding mempertahankan pelanggan lama. Penelitian ini bertujuan untuk meningkatkan efisiensi dan performa model prediksi churn dengan menerapkan algoritma Random Forest yang dikombinasikan dengan Synthetic Minority Oversampling Technique (SMOTE) untuk mengatasi ketidakseimbangan data, serta Principal Component Analysis (PCA) sebagai teknik reduksi dimensi. Data diperoleh melalui studi pustaka dan Kaggle dengan jumlah 7.043 entri dan 20 atribut pelanggan. Hasil penelitian menunjukkan bahwa penerapan PCA mampu mempercepat waktu eksekusi model secara signifikan, dari 15,64 detik menjadi 9,07 detik. Walaupun akurasi mengalami sedikit penurunan dari 0,77 menjadi 0,75 dan precision turun dari 0,58 menjadi 0,53, nilai recall meningkat dari 0,52 menjadi 0,63 sehingga F1-score naik dari 0,55 menjadi 0,57. Temuan ini membuktikan bahwa integrasi Random Forest, SMOTE, dan PCA tidak hanya meningkatkan efisiensi komputasi, tetapi juga memberikan keseimbangan yang lebih baik antara precision dan recall. Pendekatan ini dapat menjadi solusi praktis bagi perusahaan
dalam mengembangkan sistem prediksi churn yang lebih cepat, akurat, dan adaptif terhadap data berskala besar.
Kata Kunci: Customer Churn, Random Forest, PCA, SMOTE, Prediksi
Tidak tersedia versi lain