Mengungkap Alasan Mengapa Pelanggan Pergi: Pendekatan Machine Learning untuk Strategi Retensi Telco

Dari Data Mentah Menjadi Strategi Bisnis: Bagaimana Algoritma Random Forest Membantu Perusahaan Telekomunikasi Mencegah Customer Churn.

Pernah nggak sih ngerasa FOMO atau gampang banget pindah provider internet cuma gara-gara promo sebelah lebih worth it? Nah, di dunia bisnis, kelakuan kita yang suka pindah-pindah ini punya sebutan khusus: Customer Churn. Buat perusahaan Telekomunikasi (Telco), churn ini ibarat red flag terbesar karena biaya nyari pelanggan baru (customer acquisition) itu jauh lebih mahal dibanding mempertahankan yang sudah ada.

Yuk, kita bedah datanya menggunakan Machine Learning untuk menyelamatkan revenue perusahaan!

1. Pendahuluan

Di industri telekomunikasi yang sangat kompetitif, kehilangan pelanggan (churn) adalah mimpi buruk. Jika perusahaan bisa menebak siapa pelanggan yang mau “putus” bulan depan, tim marketing bisa langsung ngasih “sogokan” promo biar mereka tetap stay.

Faktor apa saja yang sebenarnya memengaruhi churn pelanggan telekomunikasi, dan bagaimana model algoritma Random Forest dapat memprediksi pelanggan yang berisiko churn?

Proyek ini bertujuan untuk mengidentifikasi pola tersembunyi dari data historis pelanggan, membuat model prediktif yang akurat, dan merancang action plan bisnis yang nyata.

2. Tinjauan Pustaka

Untuk menebak pola pelanggan, kita butuh “otak” buatan. Berikut adalah dasar teori teknik data mining yang kita pakai di analisis ini:

• Random Forest: Ini adalah algoritma ensemble learning bertipe klasifikasi. Ibaratnya, daripada nanya ke satu orang, algoritma ini mengumpulkan hasil voting dari banyak “pohon keputusan” (decision trees) biar tebakannya lebih stabil dan akurat.
• Information Gain (IG): Teknik seleksi untuk mengukur seberapa besar sebuah fitur/variabel mengurangi rasa “galau” (entropy) model saat memprediksi target.
• SMOTE (Synthetic Minority Over-sampling Technique): Pendekatan statistik buat ngakalin data yang jomplang (tidak seimbang) dengan menciptakan data sintetis pada kelas minoritas.

3. Metodologi

Biar sistematis, kita pakai framework standar industri, yaitu CRISP-DM (Cross-Industry Standard Process for Data Mining).

Dataset yang dipakai adalah Telco Customer Churn dari Kaggle, berisi 7.043 rekam jejak pelanggan dengan 21 atribut (seperti lama berlangganan, metode pembayaran, dll). Dari eksplorasi awal, kelas datanya imbalanced karena yang churn hanya 26,5%.

Data dibersihkan dari missing value dan anomali. Biar model makin pintar, aku “ngide” bikin 6 fitur baru secara logis, di antaranya: avg_charge_per_month, total_layanan, rasio_charges, tenure_group, serta fitur flagging kontrak_bulanan dan tanpa_proteksi. Setelah itu, data di-split (80% train, 20% test) dan diseimbangkan menggunakan teknik SMOTE.

Model prediktif dibangun menggunakan algoritma Random Forest Classifier.

4. Hasil dan Pembahasan

Eksperimen & Evaluasi: Aku melakukan eksperimen membandingkan Model A (menggunakan Seluruh Fitur, yakni 25 fitur) vs Model B (menggunakan 12 Fitur Terpilih dari Information Gain). Ternyata, Model A menang tipis! Setelah di-tuning menggunakan GridSearchCV, hasilnya sangat memuaskan:

• Accuracy: ~77.7%
• ROC-AUC Score: 0.8238 (Model kita sudah sangat mahir membedakan mana pelanggan setia dan mana yang niat kabur).

Dari grafik Feature Importance, kita bisa lihat faktor apa saja yang bikin pelanggan pergi. Berikut adalah Action Plan yang bisa dieksekusi perusahaan:

1. Bahaya Kontrak Bulanan: Pelanggan dengan kontrak month-to-month paling rentan churn.

• Rekomendasi: Buat notifikasi otomatis di sistem CRM. Tawarkan diskon 10–15% bagi pelanggan bulanan di bulan ke-3 jika mereka mau upgrade ke kontrak tahunan.

2. Krusialnya Keamanan Digital (tanpa_proteksi): Pelanggan tanpa Online Security gampang pindah.

• Rekomendasi: Rancang bundling produk. Berikan “Free 1 Month Cyber Protection”. Setelah mereka merasa aman, retensi akan meningkat tajam.

3. Masa Kritis Pelanggan Baru (tenure rendah): Pelanggan yang baru bergabung rentan pergi karena ekspektasi tidak sesuai.

• Rekomendasi: Perbaiki User Onboarding. Jangan cuma dihubungi pas bayar tagihan. Sapa lewat Customer Success di minggu pertama mereka berlangganan.

5. Kesimpulan dan Saran

Ringkasan Temuan: Pendekatan Machine Learning menggunakan Random Forest berhasil memprediksi Customer Churn dengan nilai ROC-AUC 0.82. Model ini membuktikan bahwa faktor jenis kontrak dan absennya layanan proteksi digital menjadi pemicu utama pelanggan pergi.

Implikasi Bagi Sistem Informasi: Prediksi dari model ini sangat direkomendasikan untuk diintegrasikan ke dalam Sistem Informasi Eksekutif (Dashboard Interaktif) milik perusahaan. Tim Sales dapat memantau indikator “Risiko Churn” pelanggan secara real-time dan langsung memberikan promo yang dipersonalisasi.

Saran Penelitian Lanjutan: Buat yang mau ngulik lebih dalam, penelitian selanjutnya bisa mengeksplorasi algoritma lain seperti XGBoost, atau menambahkan Natural Language Processing (NLP) untuk menganalisis sentimen komplain pelanggan dari media sosial guna memperkaya data prediktif.

Daftar Pustaka

Kaggle. (n.d.). Telco Customer Churn Dataset. Diakses dari: https://www.kaggle.com/datasets/blastchar/telco-customer-churn

Pedregosa, F., et al. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12, 2825–2830. Diakses dari: https://jmlr.csail.mit.edu/papers/v12/pedregosa11a.html

Chawla, N. V., et al. (2002). SMOTE: Synthetic Minority Over-sampling Technique. Journal of Artificial Intelligence Research, 16, 321–357. Diakses dari: https://doi.org/10.1613/jair.953