Perbandingan Optimasi Algoritma Random Forest Menggunakan Teknik Boosting (Xgboost dan Adaboost) Terhadap Kasus Klasifikasi Churn Pelanggan Di Industri Telekomunikasi

Noeril, Agian Septa Dinata (2023) Perbandingan Optimasi Algoritma Random Forest Menggunakan Teknik Boosting (Xgboost dan Adaboost) Terhadap Kasus Klasifikasi Churn Pelanggan Di Industri Telekomunikasi. Undergraduate thesis, Universitas Muhammadiyah Jember.

	Text A. PENDAHULUAN.pdf Download (472kB)
	Text B. ABSTRAK.pdf Download (168kB)
	Text C. BAB 1.pdf Download (305kB)
	Text D. BAB 2.pdf Restricted to Repository staff only Download (655kB) | Request a copy
	Text E. BAB 3.pdf Restricted to Repository staff only Download (882kB) | Request a copy
	Text F. BAB 4.pdf Restricted to Repository staff only Download (522kB) | Request a copy
	Text G. BAB 5.pdf Restricted to Repository staff only Download (158kB) | Request a copy
	Text H. DAFTAR PUSTAKA.pdf Download (318kB)
	Text I. LAMPIRAN.pdf Restricted to Repository staff only Download (653kB) | Request a copy

Abstract

Industri telekomunikasi berkembang sangat pesat dan perusahaan telekomu- nikasi terus melakukan berbagai inovasi untuk mendukung persaingan bisnis yang benar-benar sengit dan semakin sulit mendapatkan pelanggan. Persaingan ini menghasilkan churn pelanggan. Churn pelanggan yang tinggi adalah salah satu tingkat kegagalan perusahaan, oleh karena itu churn harus dikurangi. Algoritma Random Forest dipilih karena memiliki kemampuan untuk mengklasifikasikan data yang tidak lengkap dan dapat menangani data sampel yang besar. Tujuan khusus dari penelitian ini adalah untuk membandingkan kinerja algoritma Random Forest dengan optimasi menggunakan teknik boosting (XGBoost dan AdaBoost). Penelitian ini menggunakan Upsampled untuk mengatasi data yang tidak seimbang dan metode interquartile range dalam mengatasi pencilan. Hasil penelitian ini menunjukkan bahwa optimasi algoritma Random Forest menggunakan boosting AdaBoost menghasilkan kinerja yang paling optimal dengan hasil akurasi (99.13%), presisi (98.31%), recall (100%) dan f1-score (99.15%).

Item Type:	Thesis (Undergraduate)
Subjects:	000 Computer Science, Information, & General Works > 004 Data Processing, Computer Science
Divisions:	Faculty of Engineering > Department of Informatics Engineering (S1)
Department:	S1 Teknik Informatika
Depositing User:	Noeril Agian Septa Dinata
Contributors:	Contribution Contributor Name NIDN/NIDK Thesis advisor Ginanjar, Abdurahman NIDN0714078704 Thesis advisor Nur, Qodariyah Fitriyah NIDN0727097501
Contact Email Address:	agianasd@gmail.com
Date Deposited:	15 Aug 2023 02:23
Last Modified:	15 Aug 2023 02:23
URI:	http://repository.unmuhjember.ac.id/id/eprint/19136

Actions (login required)

View Item