digilib@itb.ac.id +62 812 2508 8800

COVER Hanzel Damian
Terbatas  rikrik
» Gedung UPT Perpustakaan

BAB 1 Hanzel Damian
Terbatas  rikrik
» Gedung UPT Perpustakaan

BAB 2 Hanzel Damian
Terbatas  rikrik
» Gedung UPT Perpustakaan

BAB 3 Hanzel Damian
Terbatas  rikrik
» Gedung UPT Perpustakaan

BAB 4 Hanzel Damian
Terbatas  rikrik
» Gedung UPT Perpustakaan

BAB 5 Hanzel Damian
Terbatas  rikrik
» Gedung UPT Perpustakaan

BAB 6 Hanzel Damian
Terbatas  rikrik
» Gedung UPT Perpustakaan

PUSTAKA Hanzel Damian
Terbatas  rikrik
» Gedung UPT Perpustakaan

PT Telekomunikasi Indonesia (Telkom) merupakan salah satu perusahaan penyedia layanan teknologi informasi dan komunikasi serta jaringan telekomunikasi di Indonesia. PT Telkom menyediakan layanan bagi pelanggan berbasis bisnis/korporasi (B2B) dan individu (B2C). Salah satu layanan B2C utama yang disediakan oleh PT Telkom ialah IndiHome yang menyediakan layanan fixed broadband berupa telepon rumah, internet, dan interactive TV (TV kabel). Salah satu sorotan utama yang menjadi permasalahan IndiHome saat ini ialah customer churn. Di tengah banyaknya kompetitor yang menyediakan layanan fixed broadband dengan jenis layanan dan harga yang bervariasi, IndiHome memiliki churn rate yang relatif lebih tinggi, yakni sebesar 2,1%. Terlebih lagi, belum ada penanganan efektif yang berhasil dilakukan oleh pihak IndiHome. Untuk mengatasi masalah tersebut, pada penelitian ini dilakukan perancangan model prediksi yang bertujuan untuk memprediksi customer churn pelanggan IndiHome sehingga IndiHome dapat meminimalisir churn rate yang dimilikinya saat ini. Model prediksi kemudian dikemas dalam bentuk aplikasi sederhana yang dapat digunakan oleh pihak IndiHome. Perancangan model prediksi pada penelitian ini mengacu pada metodologi CRISP-DM (Cross Industry Standard Process for Data Mining). Pada penelitian ini, terdapat tiga alternatif algoritma yang digunakan untuk membangun model prediksi, yaitu Artificial Neural Network, Random Forest, dan Support Vector Machine. Ketiga model yang dihasilkan dari masing-masing algoritma akan dievaluasi berdasarkan nilai accuracy, precision, recall, dan F1 Score kemudian dipilih satu model terbaik. Model terbaik akan diintegrasikan dengan aplikasi agar dapat digunakan oleh pihak IndiHome. Model terbaik yang didapatkan pada penelitian ini ialah model Random Forest dengan nilai accuracy 86.75%, precision 93.08%, recall 79.39%, dan F1 Score 85.69%. Model tersebut akan dijadikan algoritma back end pada aplikasi berupa GUI (Graphical User Interface) yang dibuat menggunakan bahasa pemrograman Python.