Memuat
Memuat
Temukan pelanggan yang hampir berhenti sebelum mereka benar-benar pergi.
0 kali dilihat
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.

Read CSV memuat data_langganan.csv (3.000 pelanggan). Pada pengaturan kolom, id_pelanggan berperan sebagai id dan berhenti sebagai label bertipe binominal (ya/tidak).
Remap Binominals menetapkan "ya" sebagai kelas positif dan "tidak" sebagai negatif, sehingga precision dan recall menilai kemampuan menemukan pelanggan yang berhenti.
Multiply membuat dua salinan data: satu untuk validasi silang dan satu untuk menghitung bobot atribut.
Cross Validation dengan 10 lipatan dan stratified sampling. Di bagian Training letakkan Decision Tree (kriteria gain ratio, kedalaman maksimum 5, pruning aktif).
Apply Model menerapkan pohon pada data uji, lalu Performance (Binominal Classification) menghitung akurasi, AUC, precision, recall, F-measure, dan kappa.
Weight by Information Gain Ratio memberi bobot 0 sampai 1 pada tiap atribut sehingga terlihat faktor apa yang paling membedakan pelanggan yang berhenti.
Performance to Data dan Weights to Data mengubah ukuran dan bobot menjadi tabel; tiga operator Write CSV menyimpannya bersama prediksi pada data uji.
data_langganan.csv
3.000 baris · 11 kolom
Data 3.000 pelanggan fiktif layanan internet berlangganan: lama berlangganan, paket, jenis kontrak, biaya, keluhan, pemakaian, metode bayar, keterlambatan bayar, dan status berhenti.
Proses RapidMiner (.rmp) siap jalan; Dataset CSV beserta kamus data; Panduan praktik dan pertanyaan latihan (PDF/MD); Video tutorial langkah demi langkah.
Tidak harus. Proyek ini bertingkat "dasar", dan setiap langkah prosesnya dijelaskan sehingga Anda bisa mengikuti bagaimana data menjadi hasil.
Bisa. Ganti dataset di langkah pertama dan sesuaikan peran atributnya; sisa prosesnya tetap sama. Bila ingin kami yang menyesuaikan, hubungi kami lewat WhatsApp.
Proyek ini seharga Rp 249.000. Gunakan tombol "Beli via WhatsApp" di halaman ini; berkas proyek dikirim setelah pembayaran dikonfirmasi.
Menemukan kendala atau punya saran untuk proyek ini? Beri tahu kami lewat WhatsApp
Kembali ke portofolio RapidMiner