Article Per Year (5 Year)
p-Index From 2019 - 2024
3.37
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Merpati (Menara Penelitian Akademika Teknologi Informasi) Techno.Com: Jurnal Teknologi Informasi Sistemasi: Jurnal Sistem Informasi Jurnal Khatulistiwa Informatika Jusikom : Jurnal Sistem Komputer Musirawas JUTIM (Jurnal Teknik Informatika Musirawas) Jurnal Teknologi Informasi MURA JUSIM (Jurnal Sistem Informasi Musirawas) Jurnal Sistem Informasi Kaputama (JSIK) JE (Journal of Empowerment) JATI (Jurnal Mahasiswa Teknik Informatika) JTIK (Jurnal Teknik Informatika Kaputama) JUSTIAN - Jurnal Sistem Informasi Akuntansi JUSTIN (Jurnal Sistem dan Teknologi Informasi) Ilmu Komputer untuk Masyarakat Jurnal Penelitian dan Pengabdian Masyarakat Jotika Ladang Artikel Ilmu Komputer Jurnal Teknologi Informasi Mura
Wahyu Nugraha
Universitas Bina Sarana Informatika
Agriculture, Biological Sciences & Forestry Biochemistry, Genetics & Molecular Biology Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Social Sciences Other

Published : 23 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : JATI (Jurnal Mahasiswa Teknik Informatika)

 1 
MWMOTE DALAM MENGATASI KETIDAKSEIMBANGAN KELAS PADA PREDIKSI CHURN MENGGUNAKAN KLASIFIKASI C4.5 Muhamad Syarif; Wahyu Nugraha
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 7 No. 1 (2023): JATI Vol. 7 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v7i1.6070

Abstract

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.
Co-Authors Agung Sasongko Ali Mustopa, Ali Ardiyansyah Ardiyansyah Dharmawan, Weiskhy Steven Eva Meilinda Latifah Latifah Mely Juniarti Muhamad Syarif Muhammad Iqbal Muhammad Sony Maulana Nurfia Oktaviani Syamsiah Nurhajijah Nurhajijah Panny Agustia Rahayuningsih Petrus Yoko Purwaningtias, Deasy Rabiatul Adwiya Rabiatus Sa’adah Raja Sabaruddin Raja Sabaruddin Risdiansyah, Deni Riski Annisa Sabarudin, Raja Satia Suhada, Satia Sri Murni Sri Murni Taufik Hidayatulloh Umi Khultsum