![\"\"](\"https:\/\/satu.ac.id\/bandung\/sistem-informasi\/wp-content\/uploads\/sites\/5\/2026\/09\/6.png\")
<\/p>\n<\/p>\n
Bisakah data membantu perusahaan mengetahui pelanggan yang berpotensi berhenti menggunakan layanan sebelum mereka benar-benar pergi? Pertanyaan inilah yang dieksplorasi Insan Fadillah Azzahra melalui penelitian machine learning yang kini berhasil diterima di konferensi internasional.<\/strong><\/p>\n Kabar membanggakan kembali datang dari mahasiswa Program Studi Sistem Informasi SATU University<\/strong>. Kali ini, Insan Fadillah Azzahra<\/strong> berhasil membawa hasil penelitiannya ke forum akademik internasional melalui artikel ilmiah berjudul \u201cMachine Learning-Based Customer Churn Prediction: An Empirical Evaluation of Classification Algorithms.\u201d<\/strong><\/p>\n Artikel tersebut telah diterima pada International Conference on Informatics and Computing (ICIC 2026)<\/strong>.<\/p>\n Penelitian Insan mengangkat salah satu persoalan yang sangat dekat dengan dunia bisnis digital saat ini, yaitu customer churn<\/strong>.<\/p>\n Customer churn terjadi ketika pelanggan berhenti menggunakan produk atau layanan sebuah perusahaan. Bagi perusahaan, kehilangan pelanggan bukan hanya berarti kehilangan satu transaksi, tetapi juga dapat berdampak pada pendapatan, biaya untuk mendapatkan pelanggan baru, hingga keberlangsungan hubungan dengan konsumen.<\/p>\n Lalu muncul pertanyaan menarik:<\/p>\n Bisakah machine learning membantu perusahaan mengenali pelanggan yang berpotensi churn lebih awal?<\/strong><\/p>\n Dalam penelitian \u201cMachine Learning-Based Customer Churn Prediction: An Empirical Evaluation of Classification Algorithms,\u201d<\/strong> Insan menggunakan Iranian Churn Dataset<\/strong> untuk membangun dan mengevaluasi model prediksi customer churn.<\/p>\n Dataset ini memiliki sebuah tantangan yang cukup penting dalam machine learning, yaitu class imbalance<\/strong>.<\/p>\n Pada dataset yang digunakan, pelanggan yang benar-benar mengalami churn hanya sekitar 14,5% dari keseluruhan data<\/strong>.<\/p>\n Artinya, jumlah pelanggan yang tidak churn jauh lebih banyak dibandingkan pelanggan yang churn.<\/p>\n Sekilas mungkin terdengar seperti masalah kecil.<\/p>\n Padahal kondisi seperti ini dapat membuat evaluasi sebuah model menjadi cukup menipu.<\/p>\n Bayangkan terdapat 100 pelanggan dan hanya sekitar 15 orang yang churn. Sebuah model yang hampir selalu memprediksi pelanggan sebagai \u201ctidak churn\u201d masih dapat menghasilkan nilai Accuracy yang terlihat tinggi.<\/p>\n Angkanya terlihat bagus.<\/p>\n Tetapi untuk kepentingan bisnis, model tersebut justru gagal menemukan kelompok pelanggan yang paling ingin diketahui perusahaan.<\/p>\n Inilah alasan penelitian Insan tidak hanya berfokus pada seberapa tinggi Accuracy sebuah model<\/strong>, tetapi juga melihat seberapa baik model benar-benar mampu mengenali pelanggan yang berpotensi churn.<\/p>\n Untuk mengetahui model mana yang paling efektif, Insan membandingkan lima algoritma klasifikasi machine learning, yaitu:<\/p>\n Decision Tree, Na\u00efve Bayes, Neural Network, Random Forest, dan Support Vector Machine (SVM).<\/strong><\/p>\n Sebelum pemodelan dilakukan, data melalui sejumlah proses persiapan atau data preprocessing<\/strong>, termasuk normalisasi data dan pembagian data menggunakan beberapa strategi validasi.<\/p>\n Model kemudian diuji menggunakan split validation dan cross-validation<\/strong>.<\/p>\n Penggunaan lebih dari satu skenario validasi penting untuk melihat apakah performa sebuah model tetap konsisten ketika digunakan pada pembagian data yang berbeda.<\/p>\n Namun masih ada satu persoalan besar yang harus diselesaikan: distribusi kelas yang tidak seimbang.<\/p>\n Untuk mengatasinya, penelitian ini menerapkan Synthetic Minority Over-sampling Technique atau SMOTE<\/strong> selama proses training.<\/p>\n SMOTE digunakan untuk meningkatkan representasi kelompok minoritas dengan membentuk sampel sintetis berdasarkan pola data yang sudah ada.<\/p>\n Dengan begitu, model memperoleh kesempatan yang lebih baik untuk mempelajari karakteristik pelanggan yang benar-benar mengalami churn.<\/p>\n Performa lima algoritma kemudian dievaluasi menggunakan berbagai metrik, yaitu Accuracy, Precision, Recall, F1-score, Area Under the Curve (AUC), dan Kappa Coefficient<\/strong>.<\/p>\n Penggunaan beberapa metrik ini sangat penting, terutama karena dataset memiliki distribusi kelas yang tidak seimbang.<\/p>\n Hasil eksperimen menunjukkan bahwa Neural Network secara konsisten memberikan performa terbaik dalam berbagai skenario validasi<\/strong>.<\/p>\n Setelah penerapan SMOTE, Neural Network menghasilkan performa tertinggi dengan:<\/p>\n Accuracy 95,86%, Recall 97,55%, F1-score 95,92%, AUC 0,985, dan Kappa coefficient 0,917.<\/strong><\/p>\n Namun salah satu pelajaran paling penting dari penelitian ini justru bukan sekadar siapa algoritma yang mendapatkan angka tertinggi.<\/p>\n Penelitian Insan menunjukkan bahwa dalam kasus customer churn dengan data yang tidak seimbang, Recall dan F1-score menjadi sangat penting<\/strong>.<\/p>\n Recall menggambarkan seberapa banyak pelanggan yang benar-benar churn berhasil ditemukan oleh model.<\/p>\n Dalam konteks bisnis, ini berarti model tidak cukup hanya akurat secara keseluruhan. Model juga harus mampu mendeteksi sebanyak mungkin pelanggan yang memang memiliki risiko untuk meninggalkan layanan.<\/p>\n Karena bagi perusahaan, pelanggan yang tidak terdeteksi sebagai berisiko churn berarti sebuah kesempatan melakukan retensi yang mungkin terlewat.<\/p>\n Hasil penelitian juga menunjukkan bahwa penerapan SMOTE membantu meningkatkan kemampuan model dalam mengenali kelompok pelanggan churn.<\/p>\n Namun penelitian ini memberikan interpretasi yang cukup penting: penanganan class imbalance tidak selalu berarti seluruh metrik harus meningkat secara seragam<\/strong>.<\/p>\n Manfaat utamanya justru terlihat pada kemampuan model mendeteksi kelas minoritas, khususnya melalui peningkatan Recall dan F1-score<\/strong>.<\/p>\n Dengan kata lain, tujuan SMOTE bukan sekadar membuat angka Accuracy terlihat lebih tinggi.<\/p>\n Yang jauh lebih penting adalah membantu model menjadi lebih sensitif terhadap kelompok yang jumlah datanya sedikit tetapi justru memiliki arti besar dalam persoalan yang sedang diselesaikan.<\/p>\n Penelitian ini juga tidak mengusulkan algoritma baru atau teknik baru untuk menangani class imbalance.<\/p>\n Sebaliknya, Insan melakukan evaluasi empiris terhadap beberapa algoritma<\/strong> untuk melihat seberapa efektif SMOTE bekerja pada berbagai classifier dan bagaimana pengaruhnya terhadap kemampuan model mendeteksi customer churn.<\/p>\n Pendekatan seperti ini penting karena dalam implementasi machine learning di dunia nyata, pertanyaan yang harus dijawab tidak selalu \u201calgoritma baru apa yang bisa dibuat?\u201d<\/p>\n Kadang pertanyaan yang jauh lebih berguna adalah:<\/p>\n Dari berbagai metode yang sudah tersedia, pendekatan mana yang paling tepat untuk karakteristik masalah yang sedang kita hadapi?<\/strong><\/p>\n Hasil penelitian ini juga memiliki hubungan yang cukup dekat dengan proses pengambilan keputusan dalam organisasi.<\/p>\n Model customer churn dapat menjadi salah satu komponen dalam sebuah decision support system<\/strong> untuk membantu perusahaan menentukan strategi retensi pelanggan.<\/p>\n Misalnya, ketika sistem mendeteksi pelanggan dengan kemungkinan churn yang tinggi, perusahaan dapat menggunakan informasi tersebut untuk menentukan tindakan lanjutan seperti memberikan penawaran khusus, meningkatkan kualitas pelayanan, mengevaluasi pengalaman pelanggan, atau melakukan pendekatan yang lebih personal.<\/p>\n Machine learning dalam konteks ini bukan menggantikan keputusan manusia.<\/p>\n Teknologi digunakan untuk mengubah data menjadi informasi yang dapat membantu manusia mengambil keputusan dengan lebih baik<\/strong>.<\/p>\n Dan justru di sinilah hubungan penelitian ini dengan bidang Sistem Informasi menjadi semakin kuat.<\/p>\n Penelitian Insan berawal dari proses pembelajaran di mata kuliah Current Technology Information System<\/strong> pada Program Studi Sistem Informasi SATU University.<\/p>\n Mata kuliah tersebut diampu oleh Pak Yudi Ramdhani<\/strong>, yang juga membimbing mahasiswa dalam pengembangan eksperimen hingga penyusunan hasil penelitian menjadi artikel ilmiah.<\/p>\n Dalam mata kuliah ini, mahasiswa diajak mengenal dan mengeksplorasi berbagai perkembangan teknologi informasi terkini sekaligus memahami bagaimana teknologi tersebut dapat digunakan untuk menyelesaikan persoalan nyata.<\/p>\n Salah satu bidang yang dipelajari adalah data mining dan machine learning<\/strong>.<\/p>\n Data mining merupakan proses untuk menemukan pola, hubungan, serta informasi bernilai dari sekumpulan data.<\/p>\n Mahasiswa tidak hanya belajar bagaimana menjalankan sebuah algoritma, tetapi memahami keseluruhan proses mulai dari mengenali karakteristik dataset, melakukan preprocessing, membangun model, menentukan strategi validasi, mengevaluasi performa, hingga menginterpretasikan hasil analisis<\/strong>.<\/p>\n Dalam proses pembelajaran tersebut, mahasiswa menggunakan RapidMiner<\/strong> sebagai salah satu tools untuk melakukan eksperimen data mining dan machine learning.<\/p>\n Pendekatan visual workflow pada RapidMiner memungkinkan mahasiswa melihat bagaimana tahapan analitik saling terhubung.<\/p>\n Mulai dari memasukkan dataset, membersihkan dan mentransformasikan data, menentukan algoritma klasifikasi, melakukan split validation maupun cross-validation, menerapkan teknik seperti SMOTE, hingga membandingkan performa beberapa model.<\/p>\n Tetapi proses pembelajaran tidak berhenti ketika software berhasil menghasilkan sebuah Accuracy.<\/p>\n Mahasiswa juga perlu memahami:<\/p>\n Apakah Accuracy saja cukup?<\/p>\n Bagaimana jika dataset tidak seimbang?<\/p>\n Apakah model mampu menemukan kelas yang sebenarnya paling penting?<\/p>\n Metrik evaluasi apa yang seharusnya digunakan?<\/p>\n Dan bagaimana hasil prediksi tersebut dapat memberikan manfaat bagi sebuah organisasi?<\/p>\n Pertanyaan-pertanyaan inilah yang kemudian membawa eksperimen Insan berkembang menjadi penelitian yang lebih terstruktur.<\/p>\n Dari workflow di ruang kelas menjadi eksperimen. Dari eksperimen menjadi penelitian. Dan dari penelitian menjadi artikel ilmiah yang diterima di konferensi internasional.<\/strong><\/p>\n Artikel Insan selanjutnya akan menjadi bagian dari International Conference on Informatics and Computing (ICIC 2026)<\/strong>.<\/p>\n ICIC merupakan forum internasional yang menjadi ruang untuk berbagi informasi, pengetahuan, pengalaman, dan hasil penelitian dalam bidang Computer Science, Information Science, serta Computer Engineering<\/strong>. Rangkaian ICIC sendiri secara historis telah diselenggarakan secara rutin dan menjadi platform pertemuan akademisi serta peneliti di bidang informatika dan komputasi.<\/p>\n Untuk penyelenggaraan tahun 2026, ICIC menjadi bagian dari rangkaian MUNAS VII APTIKOM 2026 di Yogyakarta<\/strong>. Halaman resmi konferensi mencantumkan ICIC 2026 berlangsung pada 9\u201310 Oktober 2026<\/strong>, menggunakan naskah berbahasa Inggris dengan format IEEE, serta melalui proses peer review sebelum keputusan penerimaan.<\/p>\n Rangkaian MUNAS VII APTIKOM sendiri berlangsung pada 8\u201310 Oktober 2026<\/strong> dan mempertemukan pimpinan institusi pendidikan tinggi informatika dan komputer, akademisi, peneliti, serta berbagai pemangku kepentingan dalam ekosistem pendidikan teknologi informasi di Indonesia.<\/p>\n Berdasarkan agenda resminya, sesi ICIC dilaksanakan di Gedung Santo Bonaventura Lantai 4, Universitas Atma Jaya Yogyakarta (UAJY)<\/strong>. Agenda tersebut mencakup welcoming session, keynote speaker, serta dua sesi paralel tempat para pemakalah mempresentasikan hasil penelitiannya.<\/p>\n Agenda resmi juga mencantumkan Prof. Ts. Dr. Mohd Shafry bin Mohd Rahim dari Universiti Teknologi Malaysia<\/strong> sebagai keynote speaker dalam sesi ICIC.<\/p>\n Dengan diterimanya artikel ini, Insan memperoleh kesempatan untuk membawa hasil pembelajarannya dari ruang kelas menuju forum internasional dan mempresentasikan bagaimana machine learning dapat digunakan untuk membantu memahami persoalan customer churn.<\/p>\n Pengalaman seperti ini tentu bukan hanya tentang menambah satu baris dalam CV.<\/p>\n Mahasiswa juga belajar bagaimana menyusun penelitian, mempertanggungjawabkan metodologi, membaca hasil eksperimen secara kritis, menulis artikel ilmiah, hingga mengomunikasikan temuannya kepada komunitas akademik yang lebih luas<\/strong>.<\/p>\n Hal menarik dari perjalanan ini adalah Insan masih berstatus sebagai mahasiswa aktif<\/strong>.<\/p>\n Namun karya yang dikembangkannya dari sebuah proses pembelajaran sudah mampu melangkah menjadi artikel ilmiah yang diterima dalam forum internasional.<\/p>\n Di SATU University<\/strong>, mahasiswa didorong untuk tidak menunggu wisuda terlebih dahulu sebelum mulai menghasilkan karya dan membangun portofolio.<\/p>\n Sebuah tugas mata kuliah dapat menjadi awal dari sesuatu yang lebih besar.<\/p>\n Dataset dapat berkembang menjadi eksperimen.<\/p>\n Eksperimen dapat berkembang menjadi penelitian.<\/p>\n Penelitian dapat berkembang menjadi publikasi.<\/p>\n Dan sebuah publikasi dapat membuka kesempatan bagi mahasiswa untuk bertemu, berdiskusi, dan berbagi gagasan dengan komunitas akademik di level yang lebih luas.<\/p>\n Karena proses kuliah seharusnya tidak hanya menghasilkan file tugas yang setelah semester selesai berpindah dengan damai ke folder arsip dan tidak pernah disentuh lagi.<\/p>\n Pembelajaran menjadi jauh lebih bermakna ketika mahasiswa mampu menghubungkan teknologi dengan persoalan nyata dan menghasilkan sesuatu yang dapat memberikan manfaat<\/strong>.<\/p>\n Pencapaian Insan menjadi salah satu contoh bahwa mahasiswa tidak perlu menunggu lulus untuk mulai membangun rekam jejak akademik dan profesionalnya.<\/p>\n Selamat dan terima kasih kepada Insan Fadillah Azzahra<\/strong> atas kerja keras dan konsistensinya dalam mengembangkan penelitian \u201cMachine Learning-Based Customer Churn Prediction: An Empirical Evaluation of Classification Algorithms.\u201d<\/strong><\/p>\n Terima kasih juga kepada Pak Yudi Ramdhani<\/strong> sebagai dosen pengampu mata kuliah Current Technology Information System<\/strong> yang telah membimbing proses pembelajaran dan memberikan ruang bagi mahasiswa untuk mengembangkan eksperimen data mining menjadi karya ilmiah.<\/p>\n Semoga diterimanya artikel ini di ICIC 2026<\/strong> menjadi langkah awal menuju lebih banyak penelitian, project, kolaborasi, dan pengalaman lainnya.<\/p>\n Semoga perjalanan Insan juga menjadi inspirasi bagi mahasiswa lainnya bahwa teknologi bukan hanya sesuatu yang kita pelajari.<\/p>\n Teknologi menjadi jauh lebih menarik ketika digunakan untuk memahami masalah, membantu mengambil keputusan, dan menciptakan solusi yang memiliki dampak nyata<\/strong>.<\/p>\n From predicting customer churn to presenting research on an international stage.<\/strong><\/p>\n Selamat, Insan!<\/p>\n Kalau kamu tertarik dengan dunia data, Artificial Intelligence, machine learning, business analytics, pengembangan aplikasi, hingga bagaimana teknologi digunakan untuk membantu organisasi mengambil keputusan<\/strong>, Program Studi Sistem Informasi SATU University<\/strong> bisa menjadi tempat untuk memulai perjalananmu.<\/p>\n Di Sistem Informasi SATU University, mahasiswa tidak hanya belajar bagaimana teknologi bekerja, tetapi juga bagaimana menggunakan teknologi untuk memahami persoalan bisnis dan menghasilkan solusi<\/strong>.<\/p>\n Kamu punya kesempatan untuk mengerjakan project, mengolah data, membangun aplikasi, melakukan penelitian, memperoleh pengalaman industri, serta mengembangkan apa yang dipelajari di kelas menjadi karya dan portofolio bahkan sebelum lulus<\/strong>.<\/p>\n Karena untuk mulai menghasilkan sesuatu yang membanggakan, kamu tidak harus menunggu hari wisuda.<\/p>\n Mulai perjalananmu bersama Sistem Informasi SATU University. Siapa tahu, eksperimen yang kamu kerjakan dari ruang kelas hari ini menjadi karya berikutnya yang kamu bawa ke panggung internasional.<\/strong><\/p>\n","protected":false},"excerpt":{"rendered":" Bisakah data membantu perusahaan mengetahui pelanggan yang berpotensi berhenti menggunakan layanan sebelum mereka benar-benar pergi? Pertanyaan inilah yang dieksplorasi Insan Fadillah Azzahra melalui penelitian machine learning yang kini berhasil diterima di konferensi internasional. Kabar membanggakan kembali datang dari mahasiswa Program Studi Sistem Informasi SATU University. Kali ini, Insan Fadillah Azzahra berhasil membawa hasil penelitiannya ke […]<\/p>\n","protected":false},"author":6,"featured_media":527,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[5],"tags":[],"class_list":["post-526","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-berita"],"_links":{"self":[{"href":"https:\/\/satu.ac.id\/bandung\/sistem-informasi\/wp-json\/wp\/v2\/posts\/526","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/satu.ac.id\/bandung\/sistem-informasi\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/satu.ac.id\/bandung\/sistem-informasi\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/satu.ac.id\/bandung\/sistem-informasi\/wp-json\/wp\/v2\/users\/6"}],"replies":[{"embeddable":true,"href":"https:\/\/satu.ac.id\/bandung\/sistem-informasi\/wp-json\/wp\/v2\/comments?post=526"}],"version-history":[{"count":1,"href":"https:\/\/satu.ac.id\/bandung\/sistem-informasi\/wp-json\/wp\/v2\/posts\/526\/revisions"}],"predecessor-version":[{"id":528,"href":"https:\/\/satu.ac.id\/bandung\/sistem-informasi\/wp-json\/wp\/v2\/posts\/526\/revisions\/528"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/satu.ac.id\/bandung\/sistem-informasi\/wp-json\/wp\/v2\/media\/527"}],"wp:attachment":[{"href":"https:\/\/satu.ac.id\/bandung\/sistem-informasi\/wp-json\/wp\/v2\/media?parent=526"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/satu.ac.id\/bandung\/sistem-informasi\/wp-json\/wp\/v2\/categories?post=526"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/satu.ac.id\/bandung\/sistem-informasi\/wp-json\/wp\/v2\/tags?post=526"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Ketika Data Membantu Mengenali Pelanggan yang Akan Pergi<\/h2>\n
Membandingkan Lima Algoritma Machine Learning<\/h2>\n
Neural Network Memberikan Performa Terbaik<\/h2>\n
SMOTE Tidak Sekadar Membuat Angka Accuracy Naik<\/h2>\n
Dari Prediksi Menuju Strategi Customer Retention<\/h2>\n
Berawal dari Mata Kuliah Current Technology Information System<\/h2>\n
Membawa Penelitian ke ICIC 2026<\/h2>\n
Belum Lulus, Karyanya Sudah Mendapat Rekognisi Internasional<\/h2>\n
Terima Kasih, Insan!<\/h2>\n
Mulai Bangun Ceritamu Bersama Sistem Informasi SATU University<\/h2>\n