Pengunaan Data Mining Untuk Mengidentifikasi Pelanggan Beresiko Tinggi Dalam Penjualan Mengunakan Algoritma Decision Tree C4.5
DOI:
https://doi.org/10.70609/jusifor.v4i1.5942Keywords:
Data mining, Decision Tree C4.5 algorithm, customer churn, risk prediction, RapidMinerAbstract
Dalam dunia bisnis yang kompetitif, identifikasi pelanggan berisiko tinggi sangat penting untuk meminimalkan tingkat churn dan meningkatkan profitabilitas. Penelitian ini menggunakan teknik data mining dengan menggunakan algoritma pohon keputusan C4.5 untuk mengklasifikasikan pelanggan berdasarkan risiko churnnya. Tahapan penelitian mencakup pengumpulan data, pembersihan, pemrosesan data, Selain membagi data menjadi set pelatihan dan pengujian. Implementasi algoritma ini dilakukan dengan menggunakan perangkat lunak RapidMiner, yang memfasilitasi pengelompokan pelanggan dan memprediksi perilaku berdasarkan atribut historis. Hasil evaluasi menunjukkan model memiliki akurasi sebesar 74,59%, dengan precision dan recall yang menunjukkan kemampuan model dalam mengidentifikasi pelanggan berisiko tinggi. Dengan demikian, algoritma Decision Tree C4.5 terbukti efektif dalam mendukung pengambilan keputusan untuk strategi mitigasi risiko churn pada pelanggan.
References
[1] Y. Yudiana, A. Yulia Agustina, and dan Nur Khofifah, “Prediksi Customer Churn Menggunakan Metode CRISP-DM Pada Industri Telekomunikasi Sebagai Implementasi Mempertahankan Pelanggan,” Indones. J. Islam. Econ. Bus., vol. 8, no. 1, pp. 01–20, 2023, [Online]. Available: http://e-journal.lp2m.uinjambi.ac.id/ojp/index.php/ijoieb
[2] I. Iddrus and D. W. Sari, “Penerapan Data Mining Menggunakan Algoritma Decision Tree C4.5 Untuk Memprediksi Mahasiswa Drop Out Di Universitas Wiraraja,” J. Adv. Res. Inform., vol. 1, no. 02, pp. 1–7, 2023, doi: 10.24929/jars.v1i02.2684.
[3] Muhammad Rifqy Rifani and Andi Amri, “Pengaruh Kualitas Pelayanan terhadap Kepuasan Pelanggan Miniso Big Mall Samarinda,” Lokawati J. Penelit. Manaj. dan Inov. Ris., vol. 2, no. 4, pp. 01–11, 2024, doi: 10.61132/lokawati.v2i4.934.
[4] A. Mahmood, H. Dhahri, M. Alhajla, and A. Almaslukh, “Enhanced Classification of Phonocardiograms using Modified Deep Learning,” IEEE Access, vol. 12, no. November, pp. 178909–178916, 2024, doi: 10.1109/ACCESS.2024.3507920.
[5] W. H. Khoh, Y. H. Pang, S. Y. Ooi, L. Y. K. Wang, and Q. W. Poh, “Predictive Churn Modeling for Sustainable Business in the Telecommunication Industry: Optimized Weighted Ensemble Machine Learning,” Sustain., vol. 15, no. 11, 2023, doi: 10.3390/su15118631.
[6] T. Zhang, S. Moro, and R. F. Ramos, “A Data-Driven Approach to Improve Customer Churn Prediction Based on Telecom Customer Segmentation,” Futur. Internet, vol. 14, no. 3, pp. 1–19, 2022, doi: 10.3390/fi14030094.
[7] M. J. Zaki, W. Meira, and W. Meira, Data Mining and Machine Learning: Fundamental Concepts and Algorithms. Cambridge University Press, 2020. [Online]. Available: https://books.google.co.id/books?id=oafDDwAAQBAJ
[8] P. Metode, C. Algoritma, and D. A. N. Naive, “Perbandingan metode algoritma c4.5 dan naive bayes untuk memprediksi penjualan kosmetik pada toko jelita 1,2,” vol. 7, no. 2, pp. 220–225, 2024.
[9] A. Wasik et al., “Implementasi data mining untuk memprediksi penjualan accessoris handphone dan handphone terlaris menggunakan metode k-nearest neighbor (k-nn) 1,” vol. 1, no. 2, pp. 469–479, 2024.
[10] S. Syam et al., Data Mining : Teori dan Penerapannya dalam Berbagai Bidang. PT. Sonpedia Publishing Indonesia, 2024. [Online]. Available: https://books.google.co.id/books?id=hTAxEQAAQBAJ
[11] Y. Ardilla et al., DATA MINING DAN APLIKASINYA. Penerbit Widina, 2021. [Online]. Available: https://books.google.co.id/books?id=53FXEAAAQBAJ
[12] R. F. Putra et al., DATA MINING : Algoritma dan Penerapannya. PT. Sonpedia Publishing Indonesia, 2023. [Online]. Available: https://books.google.co.id/books?id=zLHGEAAAQBAJ
[13] R. Bertolini, S. J. Finch, and R. H. Nehm, “Enhancing data pipelines for forecasting student performance: integrating feature selection with cross-validation,” Int. J. Educ. Technol. High. Educ., vol. 18, no. 1, 2021, doi: 10.1186/s41239-021-00279-6.
[14] E. Haerani et al., “CLASSIFICATION ACADEMIC DATA USING MACHINE LEARNING FOR,” vol. 4, no. 2, pp. 955–968, 2023.
[15] B. Sari, B. Sembiring, M. Pandia, H. Sembiring, and D. Margaretta, “Naïve Bayes Classifier and Decision Tree Algorithms for Classifying Payment Data,” vol. 4, no. 1, pp. 592–600, 2023, doi: 10.30865/klik.v4i1.963.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Zuhrian Nur Saputra, Zaehol Fatah
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
