Komparasi Algoritma Prediksi Churn Pelanggan Berbasis Machine Learning Pada Aplikasi Billing Admin
Keywords:
Billing admin, Churn Pelanggan, Decision Tree, LightGBM, Machine LearningAbstract
Pada perusahaan yang menerapkan model bisnis berbasis langganan, perpindahan pelanggan ke kompetitor menjadi permasalahan penting karena berdampak langsung terhadap stabilitas pendapatan dan keberlangsungan hubungan pelanggan. Penelitian ini bertujuan untuk membandingkan performa algoritma LightGBM dan Decision Tree dalam memprediksi churn pelanggan serta mengimplementasikan model terbaik ke dalam aplikasi Billing Admin. Pelaksanaan penelitian mengacu pada metodologi CRISP-DM yang terdiri atas tahap business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Dataset customer churn yang digunakan terdiri dari 2.800 data pelanggan dan dievaluasi menggunakan metrik Accuracy, Precision, Recall, dan F1-Score. Jika dibandingkan dengan Decision Tree, algoritma LightGBM terbukti menghasilkan performa yang lebih superior. Hal ini ditunjukkan oleh perolehan Accuracy 0,6274, Recall 0,6819, dan F1-Score 0,6770. Model LightGBM kemudian berhasil diintegrasikan ke dalam aplikasi Billing Admin berbasis CodeIgniter 4 menggunakan Flask API untuk melakukan prediksi churn pelanggan secara otomatis. Dengan demikian, model yang dihasilkan mampu membantu perusahaan dalam mengidentifikasi pelanggan yang berpotensi churn dan mendukung pengambilan keputusan dalam strategi retensi pelanggan.
References
[1]Y. Yudiana, A. Yulia Agustina, and D. 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. 1–20, 2023, doi: https://doi.org/10.30631/ijoieb.v8i1.1710.
[2]D. Putriani, A. P. A. Prayogi, A. I. Shofyana, A. Ristyawan, and E. Daniati, “Prediksi Customer Churn Menggunakan Algoritma Decision Tree,” Inotek, vol. 8, pp. 85–94, 2024, doi: https://doi.org/10.29407/inotek.v8i1.4914.
[3]A. Wahid and A. Muliawan, “Strategi Retensi Pelanggan Berbasis Historis: Optimalisasi,” vol. 11, no. 2, pp. 133–141, 2025, doi: https://doi.org/10.55679/semantik.v11i2.237.
[4]H. Kerner, J. Campbell, and M. Strickland, “Introduction to machine learning,” Mach. Learn. Planet. Sci., vol. 01, pp. 1–24, 2022, doi: 10.1016/B978-0-12-818721-0.00007-0.
[5]E. Alpaydin, “Introduction to Machine Learning, Fourth Edition,” MIT Press, vol. 4, pp. 1–4, 2020, [Online]. Available: https://books.google.com.br/books?hl=pt-BR&lr=&id=uZnSDwAAQBAJ&oi=fnd&pg=PR7&ots=xOuVtwKntU&sig=3BWSHbEyRmi77S3Zuk4SLXh1MeM&redir_esc=y#v=onepage&q&f=false
[6]G. Sam, P. Asuquo, and B. Stephen, “Customer Churn Prediction using Machine Learning Models,” vol. 26, no. 2, pp. 181–193, 2024, doi: 10.9734/JERR/2024/v26i21081.
[7]I. Z. A. Illah, W. S. Jauharis Sapu, and A. T. Damaliana, “Implementasi Metode Klasifikasi LightGBM dan Analisis Survival dalam Memprediksi Pelanggan Churn,” J. Komtika (Komputasi dan Inform., vol. 8, no. 1, pp. 43–53, 2024, doi: 10.31603/komtika.v8i1.11194.
[8]R. Sinaga and S. Widianto, “Understanding telecommunication customer churn : Insights from LightGBM predictive modelling and SHAP feature interpretation Understanding Telecommunication Customer Churn : Insights from LightGBM Predictive Modelling and SHAP Feature Interpretation,” 2023, doi: 10.7454/amj.v15i1.1229.
[9]J. A. Pruneski et al., “The development and deployment of machine learning models,” Knee Surgery, Sport. Traumatol. Arthrosc., vol. 30, no. 12, pp. 3917–3923, 2022, doi: 10.1007/s00167-022-07155-4.
[10]M. S. Bonney, M. De Angelis, M. D. Borgo, S. Beregi, N. Jamia, and D. J. Wagg, “Development of a digital twin operational platform using Python Flask,” pp. 1–14, 2022, doi: 10.1017/dce.2022.1.
[11]L. P. Nugroho, R. E. Saputro, and F. S. Utomo, “Performance Comparison Of Xgboost Lightgbm And Lstm For E- Commerce Repeat Buyer Prediction,” J. Tek. Inform., vol. 7, no. 1, pp. 730–742, 2026, doi: https://doi.org/10.52436/1.jutif.2026.7.1.5746.
[12]D. Chicco and G. Jurman, “The Matthews correlation coefficient ( MCC ) should replace the ROC AUC as the standard metric for assessing binary classification,” BioData Min., pp. 1–23, 2023, doi: 10.1186/s13040-023-00322-4.
[13]P. Ekaterina and K. Alexey, “Encoding categorical data: Is there yet anything ‘hotter’ than one-hot encoding?,” 2023, doi: https://doi.org/10.48550/arXiv.2312.16930.
[14]F. Aldi, F. Hadi, N. A. Rahmi, S. Defit, I. Technology, and D. Program, “STANDARDSCALER ’ S POTENTIAL IN ENHANCING BREAST CANCER,” J. Appl. Eng. Technol. Sci., vol. 5, no. 1, pp. 401–413, 2023.
[15]P. Srikanth and S. Raju, “Scalable Deployment of Machine Learning Models on Kubernetes Clusters : A DevOps Perspective,” vol. 7, no. 6, pp. 11640–11648, 2024, doi: 10.15662/IJRAI.2024.0706003.
