Temporal Pattern Recognition: A BiLSTM-based Framework for Churn Prediction

Muhammad Reza Zulman, Rifa’atun Mahmudah, Muhammad Arhami, Muhammad Davi

Sari


Industri telekomunikasi menghadapi tantangan besar dalam mempertahankan basis pelanggannya, di mana churn atau perpindahan pelanggan ke penyedia layanan pesaing menjadi isu krusial yang secara langsung memengaruhi kinerja finansial, efisiensi operasional, serta daya saing perusahaan dalam jangka panjang. Untuk menjawab tantangan ini, diperlukan pendekatan analitik yang mampu memprediksi kemungkinan churn secara akurat. Penelitian ini bertujuan untuk mengevaluasi efektivitas jaringan saraf Bidirectional Long Short-Term Memory (BiLSTM) dalam memprediksi churn pelanggan PT Medianusa Permana melalui analisis data sekuensial temporal. Dataset yang digunakan mencakup data pelanggan dari April 2020 hingga Mei 2023, dengan berbagai variabel prediktif seperti jenis layanan, media transmisi, alokasi bandwidth, status langganan, status kemitraan, ketentuan kontrak, serta riwayat keluhan. Arsitektur BiLSTM yang diterapkan terdiri dari tiga lapisan LSTM bidirectional, dirancang untuk memaksimalkan pengenalan pola temporal sekaligus mengurangi overfitting guna meningkatkan akurasi model. Validasi dilakukan melalui teknik cross-validation dan confusion matrix, yang menunjukkan bahwa model mampu mencapai akurasi rata-rata sebesar 89% serta performa klasifikasi yang tinggi dalam mengidentifikasi pelanggan yang churn maupun tidak churn. Hasil penelitian ini menegaskan bahwa BiLSTM efektif dalam menangkap indikator perilaku halus yang mendahului churn, dan dapat menjadi dasar yang kuat dalam pengembangan strategi retensi pelanggan yang lebih proaktif dan berbasis data.

Teks Lengkap:

PDF

Referensi


M. N. Faladiba dan R. Haryastuti, “Churn Analisis Pada Data Pelanggan Telekomunikasi Menggunakan Ensemble learning,†Statmat: Jurnal Statistika dan Matematika, vol. 5, no. 1, pp. 45–54, Jan. 2023. https://doi.org/10.32493/sm.v5i1.31934.

I. M. Latief, A. Subekti, and W. Gata, “Prediksi Tingkat Pelanggan Churn Pada Perusahaan Telekomunikasi Dengan Algoritma Adaboost,†Jurnal Informatika, vol. 21, no. 1, pp. 34–43, 2021, doi: 10.30873/ji.v21i1.2867.

P. C. Verhoef and B. Donkers, “The effect of Acquisition Channels on Customer Retention and Cross-buying,†Journal of Interactive Marketing, vol. 19, no. 2, pp. 31–43, 2005, doi: 10.1002/dir.20033.

Badan Pusat Statistik, Statistik Telekomunikasi Indonesia 2022, Jakarta, Indonesia, 31 Agustus 2023. [Online]. Tersedia: https://www.bps.go.id/id/publication/2023/08/31/131385d0253c6aae7c7a59fa/statistik-telekomunikasi-indonesia-2022.html.

A. W. S. Putra, “Prediksi Customer Churn pada Perusahaan Telekomunikasi Menggunakan Algoritma C4.5 Berbasis Particle Swarm Optimization,†Jurnal Teknik Informatika dan Sistem Informasi (JATI), vol. 9, no. 5, pp. 1–6, 2022, doi: 10.36040/jati.v9i5.7476.

A. K. Ahmad, A. Jafar, and K. Aljoumaa, “Customer churn prediction in telecom using machine learning in big data platform,†Journal of Big Data, vol. 6, no. 1, p. 28, Dec. 2019, doi: 10.1186/s40537-019-0191-6.

A. W. S. Putra, “Prediksi Customer Churn pada Perusahaan Telekomunikasi Menggunakan Algoritma C4.5 Berbasis Particle Swarm Optimization,†Jurnal Teknik Informatika dan Sistem Informasi (JATI), vol. 7, no. 5, pp. 1–6, 2022, doi: 10.36040/jati.v7i5.7476.

P. Lalwani, M. Mishra, J. Chadha, and P. Sethi, “Customer Churn Prediction System: A Machine Learning Approach,†Computing, vol. 104, pp. 1–24, Feb. 2022, doi: 10.1007/s00607-021-00908-y.

G. Molnar and S. Savage, “Market Structure and Broadband Internet Quality,†The Journal of Industrial Economics, vol. 65, pp. 73–104, Mar. 2017, doi: 10.1111/joie.12106.

M. A. Aldalan dan A. Almaleh, “Customer Churn Prediction Using Four Machine Learning Algorithms Integrating Feature Selection and Normalization in the Telecom Sector,â€, World Academy of Science, Engineering and Technology International Journal of Electronics and Communication Engineering, vol. 17, no. 3, 2023.

R. C. Admanegara dan W. Handayani, “Customer Churn Analysis Using Machine Learning to Improve Customer Retention on Vissie Net,†International Journal of Scientific Research and Management (IJSRM), vol. 12, no. 09, pp. 7379–7387, Sep. 2024, doi: https://doi.org/10.18535/ijsrm/v12i09.em05.

A. Khattak, Z. Mehak, H. Ahmad, M. Asghar, M. Asghar, and A. Khan, “Customer churn prediction using composite deep learning technique,†Scientific Reports, vol. 13, Oct. 2023, doi: 10.1038/s41598-023-44396-w.

H. Nalatissifa and H. Pardede, “Customer Decision Prediction Using Deep Neural Network on Telco Customer Churn Data,†Jurnal Elektronika dan Telekomunikasi, vol. 21, pp. 122–127, Dec. 2021, doi: 10.14203/jet.v21.122-127.

A. Husein and M. Harahap, “Pendekatan Data Science untuk Menemukan Churn Pelanggan pada Sector Perbankan dengan Machine Learning,†Data Sciences Indonesia (DSI), vol. 1, pp. 8–13, Nov. 2021, doi: 10.47709/dsi.v1i1.1169.

D. I. Puteri, “Implementasi Long Short Term Memory (LSTM) dan Bidirectional Long Short Term Memory (BiLSTM) Dalam Prediksi Harga Saham Syariah,†Euler: Jurnal Ilmiah Matematika, Sains dan Teknologi, vol. 11, no. 1, pp. 35–43, 2023, doi: 10.34312/euler.v11i1.19791

D. G. da Silva dan A. A. M. Meneses, “Comparing Long Short-Term Memory (LSTM) and Bidirectional LSTM Deep Neural Networks for Power Consumption Prediction,†Energy Reports, vol. 10, pp. 3315–3334, Nov. 2023, doi: 10.1016/j.egyr.2023.09.175.

G. Fitrinanda dan A. Djunaidy, “Peramalan Harga Saham PT Adaro Energy Indonesia Tbk yang Mempertimbangkan Faktor Kurs Dolar Amerika Menggunakan Bidirectional Long-Short Term Memory,†Jurnal Teknik ITS, vol. 11, no. 3, pp. A169–A176, 2022, doi: 10.12962/j23373539.v11i3.92124.

Y. Cahyadi, S. Redjeki, A. Almagribi, B, Satriani, N. Naufal, “Bidirectional Long Short-Term Memory Model for Intent Classification in Customer Service Chatbot,â€, Journal of Artificial Intelligence and Software Engineering (J-AISE), vol. 5, no. 1, p. 296-301, Maret 2025. doi:10.30811/ jaise.v5i1.6520.

Y. Liu, M. Shengdong, G. Jijian, and N. Nedjah, “Intelligent Prediction of Customer Churn with a Fused Attentional Deep Learning Model,†Mathematics, vol. 10, no. 24, p. 4733, Dec. 2022, doi: 10.3390/math10244733.

C. Herdian, A. Kamila, dan I. G. A. M. Budidarma, “Studi Kasus Feature Engineering Untuk Data Teks: Perbandingan Label Encoding dan One-Hot Encoding Pada Metode Linear Regresi,†Technologia: Jurnal Ilmiah, vol. 15, no. 1, pp. 93–108, Jan. 2024, doi: 10.31602/tji.v15i1.13457.




DOI: http://dx.doi.org/10.30811/jaise.v5i2.6952

Refbacks

  • Saat ini tidak ada refbacks.


Indexing :

Creative Commons License
Journal of Artificial Intelligence and Software Engineering (JAISE) licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.