ANALISIS CUSTOMER CHURN MENGGUNAKAN BAYESIAN BELIEF NETWORK (STUDI KASUS: PT. TELEKOMUNIKASI SELULER) Laporan Tugas Akhir

(1)

ANALISIS CUSTOMER CHURN

MENGGUNAKAN BAYESIAN BELIEF NETWORK (STUDI KASUS: PT. TELEKOMUNIKASI SELULER)

Laporan Tugas Akhir

Diajukan untuk Memenuhi Persyaratan Guna Meraih Gelar Sarjana Informatika Universitas Muhammadiyah Malang

Muhammad Iqbal Aditama 201610370311144 Bidang Minat RPL

PROGRAM STUDI INFORMATIKA

FAKULTAS TEKNIK

(2)

ii

(3)

iii

(4)

iv

(5)

v ABSTRAK

Pertumbuhan pengguna internet yang selalu meningkat belum tentu di ikuti dengan peningkatan skala ekonomi untuk semua perusahaan telekomunikasi seluler. salah satunya adalah penyedia layanan internet seluler yang setiap tahun memiliki customer yang melakukan churn.Penelitian mengenai customer churn sudah banyak dilakukan tetapi penelitian yang menggunakan metode Bayesian belief network (BBN) pada ISP. Pada penelitian ini, analisis customer churn dilakukan dengan metode Bayesian belief network (BBN). Tahapan analisis customer churn yaitu penyiapan data, diskritisasi variabel kontinyu , analisis korelasi, uji multikolinieritas, pembuatan diagram sebab – akibat, dan pembuatan BBN. analisis churn menemukan bahwa penambahan 3% melakukan perubahan paket, lama berlangganan 3 tahun menjadi 100% dan penambahan 2% pada melakukan migrasi dapat menurunkan churn hingga 11%.

Kata Kunci : customer churn,Bayesian Belief Network (BBN), Internet Service Provider Seluler.

(6)

vi ABSTRACT

The ever-increasing growth of internet users may not necessarily be followed by an increase in economies of scale for all cellular telecommunication companies. One of them is a cellular internet service provider that every year has customers who churn. Research on customer churn has been done a lot but research uses the Bayesian belief network (BBN) method at ISPs. In this study, the customer churn analysis was performed using the Bayesian belief network (BBN) method.

The stages of customer churn analysis are data preparation, discretization of continuous variables, correlation analysis, multicollinearity test, making of causal diagrams, and making biofuel. Churn analysis found that adding 3% made changes to packages, 3 years subscription length to 100% and adding 2% to migrating can reduce churn by 11%.

Keyword : customer churn,Bayesian Belief Network (BBN), Internet Service Provider Seluler.

(7)

vii

KATA PENGANTAR

Puji syukur Alhamdulillah kehadirat Allah SWT atas segala limpahan rahmat serta hidayah-Nya sehingga penulis dapat menyelasaikan Tugas Akhir yang berjudul “

Analisis Customer Churn Menggunakan Bayesian Belief Network (Studi Kasus: PT. Telekomunikasi Sleluler TBK. Branch Malang

“ ini dengan baik. Tugas Akhir disusun guna memenuhi persyaratan dalam meraih gelar Strata-1 di Universitas Muhammadiyah Malang.

Penulis menyadari sepenuhnya bahwa penulisan Tugas Akhir ini masih terdapat banyak kekurangan, oleh sebab itu penulis ingin mengharapkan saran agar tulisan ini dapat tersusun dengan baik serta dapat memberi manfaat bagi siapapun yang membacanya.

Malang, 6 Mei 2021

Muhammad Iqbal Aditama

(8)

viii

LEMBAR PERSEMBAHAN

Puji syukur Alhamdulillah penulis panjatkan kehadirat Allah SWT atas segala limpahan rahmat dan hidayah-Nya penulis dapat menyelesaikan Tugas Akhir ini.

Dalam penyelesaian Tugas Akhir ini tentunya banyak pihak yang terlibat, oleh karena itu dengan rendah hati penulis mengucapkan terimakasih yang sebesar- besarnya kepada :

1. Kedua orang tua saya 2. Pihak Telkomsel

3. Bapak Wildan Suharso S.Kom M.Kom selaku dosen pembimbing 1 yang juga telah membimbing dan memberi arahan kepada penulis.

4. Bapak Didih Rizki Chandranegara, S.Kom., M.Kom selaku dosen pembimbing 2 yang telah membimbing dan memberi arahan kepada penulis.

5. Seluruh dosen jurusan Informatika UMM atas ilmu serta didikannya selama penulis berada di bangku perkuliahan.

(9)

ix DAFTAR ISI

COVER ... i

LEMBAR PERSETUJUAN ... ii

LEMBAR PENGESAHAN ... iii

LEMBAR PERNYATAAN ... iv

ABSTRAK ... v

ABSTRACT ... vi

KATA PENGANTAR ... vii

LEMBAR PERSEMBAHAN ... viii

DAFTAR ISI ... ix

DAFTAR GAMBAR ... xiii

DAFTAR TABEL ... xv

BAB I PENDAHULUAN ... 1

1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 2

1.3 Tujuan Penelitian ... 2

1.4 Batasan Masalah... 3

BAB II LANDASAN TEORI ... 4

2.1 Studi Literatur ... 4

2.2 Bayesian Belief Network ... 4

2.3 Analisis Korelasi & Tes Multikolinieritas ... 5

2.4 Diskritisasi Variabel Kontinyu ... 5

BAB III METODOLOGI PENELITIAN ... 7

3.1 Penyiapan Data... 7

3.3 Pembuatan Kausalitas ... 8

(10)

x

3.4 Pembuatan BBN ... 9

3.5 Skenariosasi ... 10

BAB IV IMPLEMENTASI DAN PENGUJIAN ... 11

4.1 Penyiapan Data... 11

4.1.1 Eliminasi Data Double ... 11

4.1.2 Penemuan Variabel Baru... 13

4.1.3 Pemrosesan Data Tahap 1 ... 14

a. Pemrosesan Data Variabel Komplain... 14

b. Pemrosesan Data Variabel Lama Berlangganan ... 15

c. Pemrosesan Data Variabel Jenis Paket ... 17

d. Pemrosesan Data Variabel Jumlah Pembayaran ... 19

e. Pemrosesan Data Variabel Migrasi ... 21

f. Pemrosesan Data Variabel Perubahan Paket ... 22

g. Pemrosesan Data Variabel Churn ... 24

h. Pemrosesan Data Variabel Keterlambatan ... 25

4.1.4 Pemrosesan Data Tahap 2 ... 26

a. Pemrosesan Data Variabel Komplain... 26

b. Pemrosesan Data Variabel Jenis Paket ... 27

c. Pemrosesan Data Variabel Harga ... 28

d. Pemrosesan Data Variabel Jumlah Pembayaran ... 29

e. Pemrosesan Data Variabel Migrasi ... 31

f. Pemrosesan Data Variabel Perubahan Paket ... 31

g. Pemrosesan Data Variabel Churn ... 32

4.1.5 Pemilihan Variabel ... 33

(11)

xi

4.3 Analisis Korelasi ... 36

4.4 Pembuatan Kausalitas ... 38

4.5 Pembuatan Skenariosasi ... 41

4.6 Skenario 1 ... 42

4.7 Skenario 2 ... 46

4.8 Skenario 3 ... 49

BAB V KESIMPULAN DAN SARAN ... 51

5.1 Kesimpulan ... 51

5.2 Saran ... 51

DAFTAR PUSTAKA ... 52 LAMPIRAN

(12)

xii

DAFTAR GAMBAR

Gambar 3. 1 Alur Penelitian... 7

Gambar 3. 2 Hipotesis diagram sebab akibat ... 9

Gambar 3. 3 Contoh BBN ... 10

Gambar 4. 1 Data dari Telkomsel ... 11

Gambar 4. 2 Proses Eliminasi Data Double 1 ... 12

Gambar 4. 6 Proses Penemuan Variabel Baru ... 14

Gambar 4. 7 Proses Tahap 1 Data Variabel Komplain 1 ... 14

Gambar 4. 8 Proses Tahap 1 Data Variabel Komplain 2 ... 15

Gambar 4. 9 Proses Tahap 1 Data Variabel Lama Berlangganan 1 ... 16

Gambar 4. 10 Proses Tahap 1 Data Variabel Lama Berlangganan 2 ... 17

Gambar 4. 11 Proses Tahap 1 Data Variabel Jenis Paket 1 ... 17

Gambar 4. 15 Proses Tahap 1 Data Variabel Jumlah Pembayaran 1 ... 19

Gambar 4. 19 Proses Tahap 1 Data Variabel Migrasi 1 ... 21

Gambar 4. 20 Proses Tahap 1 Data Variabel Migrasi 2 ... 22

Gambar 4. 21 Proses Tahap 1 Data Variabel Perubahan Paket 1 ... 23

Gambar 4. 22 Proses Tahap 1 Data Variabel Perubahan Paket 2 ... 24

Gambar 4. 23 Proses Tahap 1 Data Variabel Churn ... 24

Gambar 4. 24 Proses Tahap 1 Data Variabel Keterlambatan 1 ... 25

Gambar 4. 25 Proses Tahap 1 Data Variabel Keterlambatan 2 ... 26

Gambar 4. 26 Proses Tahap 2 Data Variabel Komplain ... 27

(13)

xiii

Gambar 4. 29 Proses Tahap 2 Data Variabel Harga ... 29

Gambar 4. 32 Proses Tahap 2 Data Variabel Migrasi ... 31

Gambar 4. 33 Proses Tahap 2 Data Variabel Perubahan Paket ... 32

Gambar 4. 34 Proses Tahap 2 Data Variabel Churn ... 33

Gambar 4. 35 Proses Pemilihan Variabel ... 34

Gambar 4. 36 Proses Diskritisasi Variabel Kontinyu 1 ... 35

Gambar 4. 37 Proses Diskritisasi Variabel Kontinyu 2 ... 36

Gambar 4. 38 Proses Analisis Korelasi 1 ... 36

Gambar 4. 42 Diagram Sebab Akibat ... 39

Gambar 4. 43 BBN ... 41

Gambar 4. 44 BBN Skenario 1 Variabel Komplain ... 42

Gambar 4. 45 BBN Skenario 1 Variabel Keterlambatan ... 43

Gambar 4. 46 BBN Skenario 1 Variabel Jenis Paket ... 44

Gambar 4. 47 BBN Skenario 1 Variabel Harga ... 45

Gambar 4. 48 BBN Skenario 1 Variabel Jumlah Pembayaran ... 46

Gambar 4. 49 BBN Skenario 2 Variabel Lama Berlangganan ... 47

Gambar 4. 50 BBN Skenario 2 Variabel Migrasi ... 48

Gambar 4. 51 BBN Skenario 2 Variabel Lama Berlangganan ... 49

Gambar 4. 52 BBN Skenario 3 Variabel Churn ... 50

(14)

xiv

DAFTAR TABEL

Tabel 4. 1 Tabel Output Analisis Korelasi ... 38 Tabel 4. 2 Tabel Output Tes Multikolinieritas ... 38

(15)

50

(16)

DAFTAR PUSTAKA [1] Telkomsel, “Telkomsel Anual Report,” Telkomsel, 2020.

[2] Okuthe P. Kogeda and Johnson I. Agbinya, “Prediction of Faults in Cellular Networks Using Bayesian Network Model,” Department of Computer Science (Center of Excellence for IP and Internet Computing) University of the Western Cape. 2007.

[3] R. Sterritt and W. Liu, “Constructing bayesian belief networks for fault management in telecommunications systems,” 1st Europen Symposium on Intelligent Technologies, Hybrid Systems and their implementation on Smart Adaptive Systems, pp. 149–154, 2001, [Online]. Available:

http://www.eunite.org/eunite/events/eunite2001/Papers/13344_P_Sterrit.pdf [4] D. Ardiansyah, W. Suharso, and G. I. Marthasari, “Analisis Penerima Bantuan

Sosial menggunakan Bayesian Belief Network,” Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), vol. 2, no. 2, Jun. 2018, doi: 10.29207/resti.v2i2.447.

[5] Azwar Saifuddin, Penyusunan Skala Psikologi , 2nd ed., vol. 2012. Yogyakarta.

[6] W. Suharso and A. Djunaidy, “Analisis Customer Churn Menggunakan Bayesian Belief Network (Studi Kasus: Perusahaan Layanan Internet),” Sisfo, vol. 4, no. 5, pp. 323–335, 2013, doi: 10.24089/j.sisfo.2013.09.003.

[7] R. Arifan, “Kriteria Split dan Dikstritisasi Atribut Kontinu,” Jurusan Teknik Informatika Fakultas Teknologi Industri Universitas Islam Indonesia.

Yogyakarta, 2015.

[8] E. Lee, Y. Park, and J. G. Shin, “Large engineering project risk management using a Bayesian belief network,” Expert Systems with Applications, vol. 36, no. 3 PART 2, pp. 5880–5887, 2009, doi: 10.1016/j.eswa.2008.07.057.

[9] M. Arifin, “Ig-Knn Untuk Prediksi Customer Churn Telekomunikasi,” Simetris : Jurnal Teknik Mesin, Elektro dan Ilmu Komputer, vol. 6, no. 1, p. 1, 2015, doi:

10.24176/simet.v6i1.230.

[10] T. Vafeiadis, K. I. Diamantaras, G. Sarigiannidis, and K. C. Chatzisavvas, “A comparison of machine learning techniques for customer churn prediction,”

Simulation Modelling Practice and Theory, vol. 55, pp. 1–9, 2015, doi:

10.1016/j.simpat.2015.03.003.

[11] Tamara Nazmi Haddyat, “Pasang Surut Kinerja Tiga Raksasa Telekomuni,”

Katadata.co.id, 2019.

(17)

[12] Pusparisa Yosepha, “Telkomsel, Raja Operator Seluler Indonesia,”

Katadata.co.id, 2018.

[13] L. Uusitalo, “Advantages and challenges of Bayesian networks in environmental modelling,” Ecological Modelling, vol. 203, no. 3–4, pp. 312–318, 2007, doi:

10.1016/j.ecolmodel.2006.11.033.

[14] S. A. Bhat and M. A. Darzi, “Customer relationship management,” International Journal of Bank Marketing, vol. 34, no. 3, May 2016, doi: 10.1108/IJBM-11- 2014-0160.

[15] D. Kang and Y. Park, “Review-based measurement of customer satisfaction in mobile service: Sentiment analysis and VIKOR approach,” Expert Systems with Applications, vol. 41, no. 4, Mar. 2014, doi: 10.1016/j.eswa.2013.07.101.

[16] K. Dahiya and S. Bhatia, “Customer churn analysis in telecom industry,” Sep.

2015. doi: 10.1109/ICRITO.2015.7359318.

[17] Poushter Jacob, “Smartphone ownership and internet usage continues to climb in emerging economies,” 2016. Accessed: Jun. 15, 2021. [Online]. Available:

https://www.pewresearch.org/global/2016/02/22/smartphone-ownership-and- internet-usage-continues-to-climb-in-emerging-

economies/#:~:text=But%20smartphone%20ownership%20rates%20in,are%20not

%20considered%20“smartphones.”

[18] A. R. Nofriyanti, “Pengaruh Brand Trust, Brand Image, Perceived Quality, Brand Loyalty Terhadap Brand Equity Pengguna Telkomsel,” 2017, Accessed: Jun. 15, 2021. [Online]. Available:

http://journal2.um.ac.id/index.php/ekobis/article/view/2366

[19] Pusparisa Yosepha, “Pengguna Smartphone diperkirakan Mencapai 89% Populasi pada 2025,” Katadata.co.id, 2020.

(18)