HYBRID DEEP LEARNING RANDOM FOREST OPTIMASI PEMILIHAN FITUR UNTUK PREDIKSI CHURN INDUSTRI TELEKOMUNIKASI

Atika Mutiarachim; Dhendra Marutho; Nur Atika Yuniarti; Ryan Arya Pramudya; Jaluanto Sunu Punjul Tyoso

doi:10.46576/djtechno.v6i2.7052

HYBRID DEEP LEARNING RANDOM FOREST OPTIMASI PEMILIHAN FITUR UNTUK PREDIKSI CHURN INDUSTRI TELEKOMUNIKASI

Atika Mutiarachim, Dhendra Marutho, Nur Atika Yuniarti, Ryan Arya Pramudya, Jaluanto Sunu Punjul Tyoso

Abstract

Customer churn merupakan tantangan kritis dalam industri telekomunikasi yang berdampak signifikan terhadap profitabilitas perusahaan. Penelitian ini mengusulkan pendekatan hybrid machine learning untuk memprediksi customer churn dengan mengintegrasikan deep learning dan random forest serta mengoptimalkan performa melalui seleksi fitur chi-square dan information gain. Dataset IBM Telco Customer Churn yang terdiri dari 7.043 sampel dengan 31 atribut digunakan dalam penelitian ini. Metodologi penelitian meliputi preprocessing data, implementasi 10-fold cross validation, aplikasi metode seleksi fitur, dan evaluasi performa menggunakan confusion matrix serta metrik klasifikasi biner. Hasil penelitian menunjukkan bahwa implementasi seleksi fitur secara signifikan meningkatkan akurasi prediksi, di mana akurasi tanpa seleksi fitur mencapai 97.00% (Deep Learning) dan 98.68% (Random Forest), sedangkan dengan seleksi fitur chi-square meningkat menjadi 97.97% (Deep Learning) dan 98.72% (Random Forest). Performa terbaik dicapai oleh kombinasi Random Forest dengan seleksi fitur information gain yang menghasilkan akurasi 98.75%, precision 98.37%, recall 99.96%, dan F-measure 99.16%. Temuan ini membuktikan efektivitas kombinasi algoritma ensemble dengan teknik seleksi fitur dalam mengoptimalkan prediksi customer churn untuk mendukung strategi retensi pelanggan yang lebih tepat sasaran

Keywords

Telco Customer Churn, Deep Learning, Random Forest, Chi Square, Information Gain

Full Text:

PDF

References

S. H. Sahir et al., Ekonomi Global Tantangan dan Peluang di Era Digital. Medan: Yayasan Kita Menulis, 2024.

C. M. Annur, “Jumlah Perusahaan Internet Service Provider di Indonesia (2017-2022),” https://databoks.katadata.co.id/.

B. Reynaldy, “Jumlah Penyedia Internet Mencapai 1.011 Perusahaan di 2023,” https://data.goodstats.id/.

E. Erwin, S. Tinggi, I. Ekonomi, C. Makassar, L. Judijanto, and R. Musprihadi, “Manajemen Pemasaran (Teori dan Strategi),” 2024. [Online]. Available: https://www.researchgate.net/publication/379927743

A. P, “57 Customer Retention Statistics You Should Know in 2025,” https://www.qrcode-tiger.com/.

“US-Churn-Index-Summary-min,” 2020.

N. Salma and A. Aprianingsih, Ph.D, “Customer Churn Analysis: Analyzing Customer Churn Determinants on an ISP Company in Indonesia,” Buletin Pos dan Telekomunikasi, pp. 29–40, Sep. 2021, doi: 10.17933/bpostel.2021.190103.

“What is an average churn rate? Here’s how to figure it out,” https://stripe.com/.

Y. Bharambe, P. Deshmukh, P. Karanjawane, D. Chaudhari, and N. M. Ranjan, “Churn Prediction in Telecommunication Industry,” in 2023 International Conference for Advancement in Technology, ICONAT 2023, Institute of Electrical and Electronics Engineers Inc., 2023. doi: 10.1109/ICONAT57137.2023.10080425.

A. Mutiarachim, “Integration of Artificial Intelligence and Big Data Analytics in Customer-Centric Organizations,” in INTELLIGENT TRANSFORMATION: AI’s Role in Business, Governance, Learning, and Spiritual Growth, Semarang: Untag Press, 2024, ch. XII, pp. 180–195.

A. K. B. Ginting, M. S. Lydia, and E. M. Zamzami, “Reduksi Atribut Menggunakan Chi Square untuk Optimasi Kinerja Metode Decision Tree C.4.5,” Jurnal Edukasi dan Penelitian Informatika, vol. 9, pp. 44–49, Apr. 2023.

A. Mutiarachim, F. K. Fikriah, B. Ansor, and A. P. Ramdani, “Boosting Performance Klasifikasi kNN Customer Loyalty dengan Chi-Square dan Information Gain,” Jurnal Transformatika, vol. 22, no. 2, pp. 81–89, Mar. 2025, doi: 10.26623/6wgy1097.

M. Onesime, Z. Yang, and Q. Dai, “Genomic Island Prediction via Chi-Square Test and Random Forest Algorithm,” Comput Math Methods Med, vol. 2021, 2021, doi: 10.1155/2021/9969751.

H. Bhoria, A. Dhankhar, and K. Solanki, “Chi-Square Feature Selection Technique for Student’s performance prediction,” Indian J Sci Technol, vol. 16, no. 38, pp. 3250–3257, 2023, doi: 10.17485/IJST/v16i38.921.

A. S. Jaddoa and Z. T. M. Al-Ta’i, “Diagnosis of Diabetes Mellitus using (chi square-information gain) selectors and (SVM and KNN) Classifiers,” in AIP Conference Proceedings, American Institute of Physics Inc., Mar. 2023. doi: 10.1063/5.0102761.

N. Devian et al., “Prediksi Penyakit Diabetes dengan Metode K-Nearest Neighbor (kNN) dan Seleksi Fitur Information Gain,” 2024.

N. L. Putri, R. A. Nugroho, R. Herteno, and P. Korespondensi, “Instrusion Detection System Berbasis Seleksi Fitur dengan Kombinasi Filter Information Gain Ratio dan Correlation Intrusion Detection System Based on Feature Selection with Filter Combination of Information Gain Ratio and Correlation,” Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), vol. 8, no. 3, pp. 457–464, Jun. 2021, doi: 10.25126/jtiik.202183154.

F. Nabiel Syahreza, P. Nurul Sabrina, E. Ramadhan Teknik Informatika, U. Jendral Achmad Yani Jl Terusan Jend Sudirman, J. Barat, and K. Cimahi, “Prediksi Penyakit Stroke Menggunakan Metode K-Nearest Neigbors dan Information Gain,” Jurnal Mahasiswa Teknik Informatika, vol. 8, no. 6, Dec. 2024.

S. W. Fujo, S. Subramanian, and M. A. Khder, “Customer churn prediction in telecommunication industry using deep learning,” Information Sciences Letters, vol. 11, no. 1, pp. 185–198, Jan. 2022, doi: 10.18576/isl/110120.

M. Amirulhaq Iskandar, U. Latifa, U. Singaperbangsa Karawang, and J. H. Ronggo Waluyo, “Website Prediksi Customer Churn untuk Mempertahankan Pelanggan pada Perusahaan Telekomunikasi,” Jurnal Mahasiswa Teknik Informatika, vol. 7, no. 2, pp. 1308–1316, Apr. 2023.

T. N. Muthmainnah and A. Voutama, “Pendekatan Data Science untuk Menemukan Customer Churn pada Perusahaan Fashion dengan Metode Machine Learning,” Jurnal Teknologi Sistem Informasi dan Sistem Komputer TGD, vol. 6, pp. 463–471, Jul. 2023, [Online]. Available: https://ojs.trigunadharma.ac.id/index.php/jsk/index

A. M. Husein and M. Harahap, “Pendekatan Data Science untuk Menemukan Churn Pelanggan pada Sector Perbankan dengan Machine Learning,” Data Sciences Indonesia (DSI), vol. 1, no. 1, pp. 8–13, Nov. 2021, doi: 10.47709/dsi.v1i1.1169.

D. Adji Kusuma, A. Ratna Dewi, and A. Rony Wijaya, “Perbandingan Random Forest dan Convolutional Neural Network dalam Memprediksi Peralihan Pelanggan,” MEI, 2025.

H. Nalatissifa and H. F. Pardede, “Customer Decision Prediction Using Deep Neural Network on Telco Customer Churn Data,” Jurnal Elektronika dan Telekomunikasi, vol. 21, no. 2, p. 122, Dec. 2021, doi: 10.14203/jet.v21.122-127.

Y. Yulianti and A. Saifudin, “Sequential Feature Selection in Customer Churn Prediction Based on Naive Bayes,” in IOP Conference Series: Materials Science and Engineering, IOP Publishing Ltd, Aug. 2020. doi: 10.1088/1757-899X/879/1/012090.

L. Hota, “Computational Intelligence and Machine Learning Prediction of Customer Churn in Telecom Industry: A Machine Learning Perspective”.

S. K. Wagh, A. A. Andhale, K. S. Wagh, J. R. Pansare, S. P. Ambadekar, and S. H. Gawande, “Customer churn prediction in telecom sector using machine learning techniques,” Results in Control and Optimization, vol. 14, Mar. 2024, doi: 10.1016/j.rico.2023.100342.

P. Lalwani, M. K. Mishra, J. S. Chadha, and P. Sethi, “Customer churn prediction system: a machine learning approach,” Computing, vol. 104, no. 2, pp. 271–294, Feb. 2022, doi: 10.1007/s00607-021-00908-y.

M. Rizki Kurniawan et al., “Prediksi Customer Churn Pada Perusahaan Telekomunikasi Menggunakan Algoritma C4.5 Berbasis Particle Swarm,” 2023.

A. Mutiarachim and J. S. P. Tyoso, “Optimasi Prediksi Pemasaran Nasabah Deposito Bank dengan Metode Klasifikasi Logistic Regression,” Jurnal Cakrawala Informasi, vol. 4, no. 1, pp. 20–28, Jun. 2024, doi: 10.54066/jci.v2i1.176.

V. Kumar et al., “Addressing Binary Classification over Class Imbalanced Clinical Datasets Using Computationally Intelligent Techniques,” Healthcare (Switzerland), vol. 10, no. 7, Jul. 2022, doi: 10.3390/healthcare10071293.

DOI: https://doi.org/10.46576/djtechno.v6i2.7052