Analisa Komparasi Algoritma Decision Tree C4.5 dan Naïve Bayes untuk Prediksi Churn Berdasarkan Kelas Pelanggan Retail
DOI:
https://doi.org/10.23887/ijnse.v3i3.23113Abstract
Pelanggan adalah salah satu aset utama bagi perusahaan ritel. Perusahaan harus dapat mengenali bagaimana karakter pelanggan mereka sehingga mereka dapat mempertahankan pelanggan yang sudah ada agar tidak berhenti membeli dan pindah ke perusahaan ritel yang bersaing (churn). Salah satu model yang tepat untuk mengenali karakter pelanggan adalah model RFM (Recency, Frekuensi, Moneter). Model RFM mampu menghasilkan kelas pelanggan dan di setiap kelas pelanggan dapat dianalisis atau diprediksi dengan konsep data mining apakah pelanggan tetap sebagai pelanggan atau churn. Data yang digunakan berasal dari data pelanggan dan data penjualan di UD. Mawar Sari. Kelas pelanggan UD Mawar Sari yang dihasilkan dari model RFM adalah Dormant, Everyday, Golden dan Superstar. Konsep data mining dengan membangun model prediksi dalam penelitian ini menggunakan algoritma Decision Tree C4.5 dan Naïve Bayes. Di semua kelas pelanggan kinerja Algoritma Naïve Bayes lebih baik daripada Algoritma Decision Tree C4.5 dengan Recall 95,92%, Precision 84,15%, dan Accuracy 83,49% dan kelas pelanggan yang memiliki potensi churn tinggi adalah Dormant B, Dormant E, dan Dormant F.
Kata Kunci: Prediksi Churn, RFM, C4.5, Naïve Bayes
References
a a G. B. Ariana, “Customer Segmentation Dengan Metode Self Organizing Map ( Studi Kasus : UD . Fenny ),” Neuron, vol. 2, no. 1, pp. 1–7, 2011.
A. Chorianopoulus, Effective CRM using Predictive Analytics. Wiley, 2009.
E. C. Murphy and M. A. Murphy, Leading On the Edge Of Chaos : The 10 Critical Elements for Success in Volatile Times. USA: Prentice Hall Press, 2002.
E. Prasetyo, Data mining Mengolah Data Menjadi Informasi Menggunakan Matlab. Penerbit ANDI Yogyakarta, 2014.
E. Prasetyo, Data mining : Konsep dan Aplikasi Menggunakan Matlab. Penerbit ANDI Yogyakarta, 2013.
F. Gorunescu, Data Mining Concept Model and Techniques. Berlin: Springer, 2011.
G. Klepac, Developing Churn Models Using Data mining Techniques and Social Network Analysis. USA: IGI Global, 2015.
J. Burez and D. Van den Poel, “Handling class imbalance in customer churn prediction,” Expert Syst. Appl., vol. 36, no. 3 PART 1, pp. 4626–4636, 2009.
M. Listiana, Sudjalwo, and D. Gunawan, “Perbandingan Algoritma Decision Tree (C4.5) Dan Naïve Bayes Pada Data Mining Untuk Identifikasi Tumbuh Kembang Anak Balita (Studi Kasus Puskesmas Kartasura),” Informatika, vol. 1, no. 1, p. 18, 2015.
P. S. Venatesan, Data Mining and Warehousing. New Age International (P) Limited, 2007.
R. Govindaraju, T. Simatupang, and T. A. Samadhi, “Perancangan Sistem Prediksi Churn Pelanggan,” Tek. Inform., vol. 9, no. 1, pp. 33–42, 2008.
V. L. M. Oliviera, “Analytical Customer Relationship Management in Retailing Supported by Data Mining Techniques,” University of Porto, 2012.
V. L. M. Oliviera, “Predicting Partial Customer Churn using Markov for Discrimination for Modeling First Purchase Sequence,” University of Porto, 2012.
W. Buckinx and D. Van Den Poel, “Customer base analysis: Partial defection of behaviourally loyal clients in a non-contractual FMCG retail setting,” Eur. J. Oper. Res., vol. 164, no. 1, pp. 252–268, 2005.
Y. Liu and Y. Zhuang, “Research Model of Churn Prediction Based on Customer Segmentation and Misclassification Cost in the Context of Big Data,” J. Comput. Commun., vol. 3, no. 3, pp. 87–93, 2015.
