Data yang menumpuk tidak ada artinya kalau tidak pernah dibaca. Kami bantu mengolahnya jadi angka yang bisa dipakai mengambil keputusan.
Halaman ini untuk pengerjaan Prediksi Churn Pelanggan dengan Decision Tree untuk Program Retensi menggunakan RapidMiner. Proyek ini membangun pohon keputusan untuk memprediksi pelanggan layanan berlangganan yang akan berhenti, memakai data kontrak, keluhan, dan pembayaran. Model diuji dengan validasi silang 10 lipatan dan hasilnya dibaca lewat akurasi, AUC, serta atribut paling berpengaruh.
Yang Anda Terima
- Proses RapidMiner (.rmp) siap jalan, lengkap dengan pengaturan operator yang bisa Anda buka dan ubah
- Dataset yang sudah dibersihkan: duplikat, format berantakan, dan nilai kosong dirapikan dulu
- Hasil analisis berupa tabel CSV/Excel, misalnya akurasi (validasi silang 10 lipatan)
- Laporan interpretasi manajerial dalam bahasa yang dimengerti orang non-teknis, lengkap dengan rekomendasi tindakan
- Sesi penjelasan hasil dan panduan singkat menjalankan ulang prosesnya
Operator yang Dipakai
Read CSV, Remap Binominals, Multiply, Cross Validation, Decision Tree, Apply Model, Performance (Binominal Classification), Weight by Information Gain Ratio, Performance to Data, Weights to Data, Write CSV.
Contoh Hasil pada Proyek Portofolio
- Akurasi (validasi silang 10 lipatan): 78,8%
- AUC: 0,854
- Recall pelanggan berhenti: 86,6%
- Precision pelanggan berhenti: 63,1%
- Atribut paling berpengaruh: jumlah_keluhan, kontrak
Bagaimana Prosesnya
- Pemetaan pertanyaan — kami pastikan dulu keputusan apa yang mau diambil dari data ini
- Audit data — cek kelengkapan dan kualitas data sebelum dianalisis
- Pengolahan dan pemodelan — proses dijalankan di RapidMiner, asumsi dan parameter dicatat terbuka
- Review bersama — hasil dibahas, arah analisis bisa disesuaikan
- Serah terima — file proses, dataset bersih, dan laporan interpretasi
Biasanya Dipakai Untuk
- Mahasiswa Manajemen Pemasaran dan CRM
- Tim layanan pelanggan yang ingin memprioritaskan program retensi



