Evaluasi Komparatif Algoritma Decision Tree dan Naive Bayes untuk Prediksi Churn Pelanggan pada Industri Telekomunikasi

Abstract

Churn pelanggan merupakan tantangan signifikan bagi industri telekomunikasi karena biaya untuk memperoleh pelanggan baru jauh lebih besar dibandingkan biaya mempertahankan pelanggan lama. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Decision Tree dan Naive Bayes dalam memprediksi churn pelanggan menggunakan dataset Telco Customer Churn yang terdiri atas 7.032 data pelanggan setelah praproses, dengan 19 atribut prediktor. Metode penelitian meliputi eksplorasi data, pembersihan data, transformasi atribut kategorikal melalui Label Encoding, normalisasi atribut numerik dengan MinMaxScaler, pembagian data latih dan data uji sebesar 80:20 secara stratified, serta penanganan ketidakseimbangan kelas pada data latih menggunakan Synthetic Minority Oversampling Technique (SMOTE). Kedua algoritma dilatih pada data yang telah diseimbangkan dan diuji pada data uji asli, kemudian dievaluasi menggunakan matrik Accuracy, Precision, Recall, F1-Score, dan AUC-ROC. Hasil penelitian menunjukkan bahwa algoritma Naive Bayes memberikan kinerja yang lebih baik dibandingkan Decision Tree pada seluruh matrik evaluasi, dengan Accuracy sebesar 0,7143, Precision 0,4763, Recall 0,7513, F1-Score 0,5830, dan AUC-ROC 0,8024, dibandingkan Decision Tree yang hanya mencapai Accuracy 0,7022, Precision 0,4528, Recall 0,5775, F1-Score 0,5076, dan AUC-ROC 0,6624. Selisih Recall yang signifikan menunjukkan bahwa Naive Bayes lebih mampu mengidentifikasi pelanggan yang benar-benar berpotensi churn, sehingga lebih sesuai untuk mendukung strategi retensi pelanggan pada industri telekomunikasi. Atribut Contract, InternetService, OnlineSecurity, dan TechSupport teridentifikasi sebagai faktor yang paling berpengaruh terhadap churn pada penelitian ini.