MWMOTE DALAM MENGATASI KETIDAKSEIMBANGAN KELAS PADA PREDIKSI CHURN MENGGUNAKAN KLASIFIKASI C4.5

Abstrak

Churn prediction merupakan salah satu cara untuk memprediksi pelanggan yang berpotensi untuk churn. Metode klasifikasi dapat menjadi salah satu alternatif solusi untuk membuat model churn prediction yang akurat. Karakteristik dari data churn adalah tingkat imbalance yang besar, karena pelanggan yang melakukan churn jauh lebih sedikit dibandingkan pelanggan yang loyal. Perlu melakukan pendekatan pada level data untuk mengatasi imbalance yaitu dengan teknik resampling. Penerapan resampling pada data yang imbalance, maka tingkat imbalance akan semakin kecil dan klasifikasi dapat dilakukan dengan menggunakan metode Oversampling. Metode ini dilakukan dengan menyeimbangkan jumlah distribusi data dengan meningkatkan jumlah data kelas minoritas. MWMOTE (Majority Weighted Minority Oversampling Technique for Imbalanced Data Set Learning) adalah salah satu metode oversampling. MWMOTE terbukti lebih baik dan sebanding dari hasil pengujian menggunakan 24 dataset. Hasil penelitian ini yaitu menghasilkan perbandingan nilai antara penggunaan MWMOTE dan tanpa MWMOTE, hasil perbandingan dapat dilihat pada hasil grafik perbandingan nilai sensitivity, specificity dan AUC. Hasilnya menunjukan peningkatan yang signifikan pada nilai sensitifity dan nilai AUC. Sehingga metode MWMOTE membuktikan menghasilkan nilai yang lebih baik pada penggujian yang menerapkan algoritma klasifikasi C4.5 dataset churn prediction.