Analisis Prediktif Churn untuk Meningkatkan Tingkat Retensi Pelanggan

Marcellina, Marcellina (2024) Analisis Prediktif Churn untuk Meningkatkan Tingkat Retensi Pelanggan. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6032212047-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 July 2026. Download (1MB) | Request a copy

Abstract

Software-as-a-Service (SaaS) memberikan kemampuan bagi para konsumen untuk menggunakan aplikasi dari perusahaan atau pihak penyedia dan dapat berjalan di infrastruktur cloud. Penggunaan SaaS dapat ditemukan di berbagai industri dan aspek kehidupan manusia. Tingginya penggunaan dan permintaan SaaS tentu mendorong banyak penyedia untuk bersaing satu sama lain. Untuk bersaing, penyedia SaaS perlu mampu mempertahankan pengguna aplikasi. Salah satu cara untuk mempertahankan pelanggan adalah dengan mengetahui faktor apa saja yang dapat menyebabkan seorang pelanggan berhenti menggunakan atau yang disebut sebagai churn. Dengan mengetahui faktor yang dapat memengaruhi keputusan pelanggan untuk churn, perusahaan bahkan dapat memprediksi apakah seorang pelanggan akan churn sehingga dapat dicegah sebelum hal tersebut terjadi dengan memanfaatkan metode machine learning. Oleh karena itu, dilakukan penelitian untuk mengidentifikasi faktor yang memengaruhi keputusan churn di PT XYZ sehingga dapat disusun strategi untuk mencegah hal tersebut terjadi. Data yang diperoleh dari objek penelitian dianalisis terlebih dahulu untuk pemeriksaan class imbalance. Adanya class imbalance pada data yang digunakan diatasi dengan menggunakan metode SMOTE. Hasil data sebelum dan setelah penerapan SMOTE digunakan untuk menghasilkan model prediktif dengan algoritma Random Forest dan XGBoost. Variabel yang dipilih untuk diteliti pengaruhnya terhadap tingkat churn adalah jenis usaha, jumlah outlet, jumlah penggunaan produk, jumlah tiket, rata-rata tiket bulanan, dan kategori kendala yang dilaporkan klien. Hasil penelitian menunjukkan bahwa model klasifikasi XGBoost setelah SMOTE memiliki nilai performa terbaik di antara model lainnya, dengan nilai akurasi 0,71, presisi 0,27, recall 0,86, F1-score 0,41, dan AUC 0,596. Feature dengan tingkat importance tertinggi adalah seringnya laporan kendala dari klien terutama terkait produk ERP dan POS, kendala penarikan laporan, jenis usaha, dan rata-rata tiket bulanan. Strategi selanjutnya, perusahan dapat memprioritaskan evaluasi kualitas produk serta pelayanan perusahaan, seperti pengenalan dan training penggunaan produk
====================================================================================================================================
Software-as-a-Service (SaaS) provides the ability for consumers to use applications from companies or providers and can run on cloud infrastructure. The use of SaaS can be found in various industries and aspects of human life. The high use and demand for SaaS certainly encourages many providers to compete with each other. To compete, SaaS providers need to be able to retain application users. One way to retain customers is to know what factors can cause a customer to stop using or what is known as churn. By knowing the factors that can influence a customer's decision to churn, companies can even predict whether a customer will churn so that it can be prevented before it happens by utilizing machine learning methods. Therefore, research was conducted to identify factors that influence churn decisions at PT XYZ so that strategies can be developed to prevent this from happening. Data obtained from the research object is analyzed first to examine class imbalance. The existence of class imbalance in the data used is resolved using the SMOTE method. The data results before and after implementing SMOTE are used to produce a predictive model with the Random Forest and XGBoost algorithms. The variables chosen to examine their influence on the churn rate are type of business, number of outlets, number of product uses, number of tickets, average monthly tickets, and categories of obstacles reported by clients. The research results show that the XGBoost classification model after SMOTE has the best performance value among other models, with an accuracy value of 0.71, precision 0.27, recall 0.86, F1-score 0.41, and AUC 0.596. The feature with the highest level of importance is frequent reports of problems from clients, especially regarding ERP and POS products, problems with withdrawing reports, type of business, and average monthly ticket. The next strategy is that companies can prioritize evaluating product quality and company services, such as introduction and training on product use

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Churn, Class Imbalance, Random Forest, SaaS, SMOTE, XGBoost
Subjects:	T Technology > T Technology (General) > T57.5 Data Processing
Divisions:	Interdisciplinary School of Management and Technology (SIMT) > 61101-Master of Technology Management (MMT)
Depositing User:	Marcellina Marcellina
Date Deposited:	02 Feb 2024 06:57
Last Modified:	02 Feb 2024 06:57
URI:	http://repository.its.ac.id/id/eprint/105918

Actions (login required)

View Item