Nurjanah, Nurjanah (2022) PREDIKSI BANK CUSTOMER CHURN DENGAN MACHINE LEARNING. Diploma thesis, Universitas YARSI.

Preview	Text 1. COVER.pdf Download (39kB) | Preview
Preview	Text 5. Halaman Pengesahan.pdf Download (61kB) | Preview
Preview	Text 4. Halaman Pernyataan Orisinalitas.pdf Download (29kB) | Preview
Preview	Text 3. ABSTRAK.pdf Download (12kB) | Preview
Preview	Text 12. BAB 1 Pendahuluan.pdf Download (155kB) | Preview
Preview	Text 18. Daftar Pustaka.pdf Download (170kB) | Preview
	Text 13. BAB 2 Tinjauan Pustaka.pdf Restricted to Registered users only Download (50kB)
	Text 14. BAB 3 Metodologi Penelitian.pdf Restricted to Registered users only Download (337kB)
	Text 15. BAB 4 Hasil dan Pembahasan.pdf Restricted to Registered users only Download (1MB)
	Text 16. BAB 5 Agama.pdf Restricted to Registered users only Download (172kB)
	Text 17. BAB 6 Penutup.pdf Restricted to Registered users only Download (16kB)

Abstract

Persaingan bisnis diberbagai sektor sangat ketat, churn pelanggan dapat menjadi ancaman bagi sektor perbankan. Mendapatkan customer baru lebih banyak memakan biaya daripada mempertahankannya. Oleh sebab itu, pada penelitian ini bertujuan untuk memprediksi sebanyak mungkin customer yang memang akan churn dari bank diprediksi dengan benar yang hasilnya nanti akan digunakan untuk strategi pelanggan. Metode yang digunakan dalam penelitian ini dimulai dengan melakukan preprocessing data seperti remove unnecessary features, one-hot encoding, dan feature scaling. Untuk mengatasi imbalance class pada dataset, penelitian ini menggunakan teknik resampling diantaranya yaitu: random under sampler, random under sampler, SMOTE (Synthetic Minority Over-sampling Technique), ADASYN (Adaptive Synthetic), SMOTEEN (Synthetic Minority Over-sampling Technique + Edited Nearest Neighbours), dan SMOTETomek (Synthetic Minority Over sampling Technique + Tomek Links). Algoritma kalsifikasi machine learning yang digunakan pada penelitian ini, yaitu: SVC (Support Vector Classifier), Logistic Regression, K-Neighbors Classifier, Decision Tree Classifier, Random Forest Classifier, LGBM (Light Gradient Boosted Machine) Classifier, MLP (Multilayer Perceptron) Classifier, Extra Trees Classifier, Gradient Boosting Classifier, XGB Classifier, dan AdaBoost Classifier. Hyper parameter tuning dengan gridsearchcv diterapkan pada model yang memperoleh recall terbaik dari hasil evaluasi model. Hasil dari eksperimen memperoleh recall sebesar 90,07% untuk XGB Classifier, 90,24% untuk LGBM Classifier, dan 89,38% untuk Gradient Boosting Classifier. Penerapan gridserachcv dengan algoritma LGBM Classifier dengan teknik resampling cluster centroid merupakan model yang paling baik dengan perolehan recall sebesar 90,24%. Hanya saja pada model tersebut mempertaharukan nilai precision. Dari hasil eksperimen penelitian ini sudah dapat diimplementasikan dalam memprediksi bank customer churn akan tetapi perlu dipertimbangkan lagi terkait dengan nilai precision.

Actions (login required)

View Item