Perbandingan Decision Tree dan Naive Bayes untuk Prediksi Customer Churn
DOI:
https://doi.org/10.26905/jisad.v4i1.16837Keywords:
Customer Churn;, Data Mining;, Decision Tree;, Naive Bayes;, SMOTE;Abstract
Customer churn merupakan permasalahan penting yang dihadapi perusahaan karena dapat berdampak langsung terhadap penurunan pendapatan dan keberlangsungan bisnis. Oleh karena itu, diperlukan metode prediksi yang akurat untuk mengidentifikasi pelanggan yang berpotensi berhenti menggunakan layanan. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Decision Tree dan Naive Bayes dalam memprediksi customer churn berdasarkan pola penggunaan layanan. Dataset yang digunakan merupakan data Customer Subscription Churn and Usage Patterns yang terdiri dari 2.801 data dengan label churn bernilai Yes dan No. Proses pengolahan data dilakukan menggunakan RapidMiner dengan tahapan preprocessing, penanganan data tidak seimbang menggunakan metode Synthetic Minority Over-sampling Technique (SMOTE), serta evaluasi model menggunakan cross validation. Hasil penelitian menunjukkan bahwa algoritma Decision Tree menghasilkan kinerja yang lebih baik dibandingkan Naive Bayes dengan nilai akurasi sebesar 65,04% dan AUC sebesar 0,704, sedangkan Naive Bayes memperoleh akurasi sebesar 62,68% dan AUC sebesar 0,737. Meskipun Naive Bayes memiliki nilai AUC yang sedikit lebih tinggi, Decision Tree menunjukkan keseimbangan yang lebih baik antara akurasi, precision, dan recall dalam memprediksi customer churn. Berdasarkan hasil tersebut, dapat disimpulkan bahwa Decision Tree lebih efektif digunakan untuk prediksi customer churn pada dataset yang digunakan dalam penelitian ini.
Downloads
References
[1] A. F. Azmi And A. Voutama, “Komputa : Jurnal Ilmiah Komputer Dan Informatika Prediksi Churn Nasabah Bank Menggunakan Klasifikasi Random Forest Dan Decision Tree Dengan Evaluasi Confusion Matrix Komputa : Jurnal Ilmiah Komputer Dan Informatika,” Vol. 13, No. 1, 2024, [Online]. Available: Https://Doi.Org/10.34010/Komputa.V13i1.12639
[2] A. Budiyono, I. Nendi, M. Kuningan, P. Siber, And C. Internasional, “Customer Churn Prediction Uses Machine Learning To Improve Retention On Digital Platforms,” Vol. 2, No. 2, Pp. 55–75, 2025, [Online]. Available: Https://Doi.Org/10.59261/Jdbs.V2i2.23
[3] S. E. Maghfira Et Al., “Klasifikasi Customer Churn Pada Industri Bank,” Vol. 06, No. 03, Pp. 648–655, 2025.
[4] M. Imani, M. Joudaki, And A. Beikmohammadi, “Customer Churn Prediction : A Systematic Review Of Recent Advances , Trends , And Challenges In Machine Learning And Deep Learning,” Pp. 1–38, 2025, [Online]. Available: Https://Www.Mdpi.Com/2504-4990/7/3/105
[5] A. Rizky, Y. Siregar, M. Iqbal, U. Pembangunan, And P. Budi, “Prediksi Customer Churn Pada Layanan Indihome Menggunakan Algoritma Decision Tree (Studi Kasus Pt. Telkom Akses),” Vol. 4307, No. 1, Pp. 204–211, 2025, [Online]. Available: Https://Jurnal.Goretanpena.Com/Index.Php/Jssr/Article/View/2698
[6] R. Alfarez And V. Purwayoga, “Penerapan Naïve Bayes Untuk Prediksi Customer Churn ( Studi Kasus : Pt Hutchison 3 Indonesia ),” Vol. 05, No. 02, Pp. 301–307, 2024, [Online]. Available: Https://Doi.Org/10.30998/Jrami.V5i2.8556
[7] M. Clementine And A. Wahyuniati, “Prediksi Churn Nasabah Bank Menggunakan Klasifikasi Naïve Bayes Dan,” Vol. 17, No. 1, Pp. 9–18, 2022, [Online]. Available: Https://Doi.Org/10.33998/Processor.2022.17.1.1170
[8] I. I. Daipah, R. Astuti, And W. Prihartono, “Prediksi Churn Pelanggan Pada Layanan Desain Grafis Home Desain Menggunakan Algoritma Naïve Bayes,” Vol. 13, No. 1, Pp. 1022–1028, 2025, [Online]. Available: Https://Doi.Org/10.23960/Jitet.V13i1.5811
[9] T. Kimura, “Customer Churn Prediction With Hybrid Resampling And Ensemble Learning,” Vol. 25, No. 1, Pp. 1–23, 2022.
[10] H. Kaur, “A Systematic Review On Imbalanced Data Challenges In Machine Learning : Applications And Solutions A Systematic Review On Imbalanced Data Challenges In Machine Learning : Applications And Solutions,” Vol. 52, No. 4, 2026, Doi: 10.1145/3343440.
[11] C. Mulia, A. Kurniasih, P. Studi, I. Komputer, And C. Timur, “Teknik Smote Untuk Mengatasi Imbalance Class Dalam Klasifikasi Bank Customer Churn Menggunakan Algoritma Naïve Bayes Dan Logistic Regression,” Vol. 0, Pp. 552–559, 2023, [Online]. Available: Https://Conference.Upnvj.Ac.Id/Index.Php/Senamika/Article/View/2590
[12] F. S. Pratiwi Et Al., “Implementasi Metode Smote Dan Random Over- Sampling Pada Algoritma Machine Learning Untuk,” Vol. 8, No. 1, Pp. 87–98, 2025, [Online]. Available: Https://Doi.Org/10.47080/Simika.V8i1.3678
[13] M. P. Pulungan, A. Purnomo, A. Kurniasih, P. Korespondensi, I. Class, And S. M. O. Technique, “Penerapan Smote Untuk Mengatasi Imbalance Class Dalam Klasifikasi Kepribadian Mbti Menggunakan Naive Bayes Application Of Smote To Overcome Class Imbalance In The Mbti Personality Classification Using The Naïve Bayes Classifier,” Vol. 11, No. 5, Pp. 1033–1042, 2024, Doi: 10.25126/Jtiik.2024117989.
[14] R. Suguna, J. S. Prakash, H. A. Pai, T. R. Mahesh, And V. V. Kumar, “Mitigating Class Imbalance In Churn Prediction With Ensemble Methods And Smote,” Pp. 1–20, 2025, [Online]. Available: Https://Www.Nature.Com/Articles/S41598-025-01031-0
[15] Z. Nur Saputra And Z. Fatah, “Pengunaan Data Minig Untuk Mengidentifikasi Pelanggan Beresiko Tinggi,” Vol. 2, No. 1, Pp. 46–51, 2025, [Online]. Available: Https://Doi.Org/10.69714/S91z1k09
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Journal of Information System and Application Development
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish in this journal agree to the following terms:
(1) Copyright of the published articles will be transferred to the journal as the publisher of the manuscripts. Therefore, the author confirms that the journal has managed the copyright.
(2) Publisher of JISAD: Journal of Information System and Application Development is the University of Merdeka Malang.
(3) The copyright follows Creative Commons Attribution ShareAlike License (CC BY SA): This license allows to Share - copy and redistribute the material in any medium or format, Adapt - remix, transform, and build upon the material, for any purpose, even commercially.
