Hasil Pencarian  ::  Simpan CSV :: Kembali

"Studi tentang pengelolaan customer retention bersumber dari kebutuhan perusahaan untuk mempertahankan customer agar tetap loyal menggunakan produk ataupun layanan yang ditawarkan. Hingga saat ini customer retention menjadi salah satu perhatian utama dalam dunia bisnis karena menurunnya tingkat customer retention berdampak pada berkurangnya revenue. Big data mulai banyak dimanfaatkan sebagai sumber data untuk memahami suatu kondisi ataupun untuk memprediksi suatu behavior yang akan terjadi melalui berbagai pemodelan analisis data. Peristiwa berhentinya customer dari menggunakan produk ataupun layanan disebut customer churn. Penelitian ini menyajikan dua model untuk membantu suatu perusahaan jasa penyedia layanan online berbasis internet untuk menganalisis dan memprediksi future behavior berupa customer churn dan memahami kondisi yang menyebabkannya. Model prediksi customer churn yang dikembangkan menggunakan konsep logistic regression dan random forest. Hasil dari penelitian ini menunjukkan bahwa model yang dikembangkan bisa mengidentifikasi customer suatu perusahaan penyedia layanan online QWE.Inc yang berpotensi akan meninggalkan layanan. Selain itu penelitian ini juga menganalisis faktor-faktor yang memiliki pengaruh signifikan terhadap kondisi tersebut dan memberikan saran pengelolaan customer retention dengan program customer relationship management.

---

The study of customer retention management is influenced by the need of the companies to keep their customers stay loyal to use their products or services. Customer retention is one of the main concerns in the business world until today, since the declining level of customer retention will result in the reduced revenue. Big data begin to be widely used as source of data to learn about condition or to predict behavior that may occur through various data analysis modeling. The event of the customer stop from using the product or service is called customer churn.

This study presents two models to help QWE Inc. an internet based online service provider company, to analyze and predict future behavior which is customer churn and understand the causes. Customer churn prediction models in this study have been developed using logistic regression and random forest concepts.

The results of this study indicate that the developed model can identify the customer of QWE.Inc that will potentially leave the service. In addition, this study also analyzed the factors that have a significant influence on these conditions and provide advice on customer retention management with customer relationship management programs."

"Customer churn merupakan masalah serius di banyak sektor, termasuk sektor telekomunikasi. Pengertian costumer churn adalah berhentinya penggunaan suatu layanan dan beralih ke penyedia lain atau tidak memperbarui kontrak. Untuk mengatasi risiko churn, perusahaan telekomunikasi perlu menggunakan model prediksi dengan bantuan metode machine learning. Terdapat beberapa model prediksi churn yang telah diajukan oleh para peneliti, termasuk pemilihan algoritma yang sesuai dan dataset untuk studi kasus. Pada tesis ini menggunakan dataset IBM Telco Customer Churn sebagai data pelatihan dan pengujian. Tantangan umum dalam klasifikasi adalah ketidakseimbangan data, yang dapat menyebabkan kegagalan dalam memprediksi kelas minoritas. Oleh karena itu, tesis ini menggunakan beberapa teknik augmentasi data seperti SMOTE, HAT, dan CVAE, sebagai teknik dalam menyeimbangkan data. Pembelajaran ensembel khususnya metode CART (Classification and Regression Tree) sering digunakan untuk menyelesaikan permasalahan klasifikasi dan regresi. Model Adaboost adalah algoritma pembelajaran ensemble yang menggunakan pohon keputusan sebagai dasar pembelajaran. Dalam pelatihan model Adaboost, Bayesian Optimization (BO) digunakan sebagai metode pencarian hyperparameter terbaik. Dari hasil percobaan dan pengujian yang diajukan, model Adaboost dapat memberikan nilai testing f1-score dan recall sebesar 0,661 dan 0,653 pada pelatihan dengan dataset tidak seimbang. Model Adaboost-SMOTE mempunyai nilai testing f1-score dan recall sebesar 0,646 dan 0,826. Penggunaan optimasi Bayesian Optimization pada model Adaboost-SMOTE dapat menaikkan testing f1-score dan recall menjadi 0,649 dan 0,849. Tes ANOVA dan Tukey HSD mengungkapkan variasi yang signifikan dalam hasil pelatihan dari model machine learning, dan menyoroti dampak penggunaan data seimbang dalam pelatihan model yang signifikan.

---

Customer churn is a severe problem in various sectors, including telecommunications. Customer churn refers to discontinuing the service, switching to another provider, or not renewing the contract. To deal with churn risk, telecommunication companies need to use predictive models with the help of machine learning methods. Several churn prediction models have been proposed by researchers, including the selection of suitable algorithms and data sets for case studies. In this thesis, research is conducted using the IBM Telco Customer Churn dataset. A common challenge in classification is data imbalance, which can lead to failure in predicting minority classes. Therefore, this thesis using several data augmentation techniques, such as SMOTE, HAT, and CVAE, for balancing data technique. Ensemble learning, especially the CART (Classification and Regression Tree) method, is often used to solve classification and regression problems. Adaboost is an ensemble learning algorithm that uses decision trees as the basis for learning. In the Adaboost model training, Bayesian Optimization (BO) is used to find the best hyperparameters. From the trials and tests carried out, Adaboost achieved an f1-score and recall test of 0.661 and 0.653, respectively, in training with an unbalanced dataset. The Adaboost SMOTE model achieved f1 and memory test scores of 0.646 and 0.826, respectively. Using Bayesian Optimization in the Adaboost SMOTE model increased the testing f1-score and recall scores to 0.649 and 0.849, respectively. ANOVA and Tukey HSD tests reveal significant variation in machine learning model training results and highlight the considerable impact of using balanced data in model training."

"ABSTRAKOrganizational Support (POS) terhadap retensi karyawan. Retensi karyawan penting bagi organisasi agar karyawan tetap memilih untuk tinggal di dalam organisasi. POS merupakan bentuk dukungan organisasi berupa investasi pengembangan karir dalam mengembangkan pengetahuan hingga promosi karyawan. Penelitian ini merupakan studi korelasional pada Bank Pembangunan X dengan jumlah partisipan sebanyak 105 partisipan dari level staff, supervisor dan manajer. Hasil analisis korelasi menunjukkan bahwa POS memiliki hubungan korelasi yang positif terhadap retensi karyawan, sedangkan hasil korelasi Pearson menunjukan bahwa pengaruh POS terhadap retensi sebesar 54.6%. Development training dipilih sebagai intervensi yang dilakukan pada penelitian ini untuk meningkatkan POS di bank Pembangunan X dengan 8 orang karyawan sebagai partisipan intervensi. Metoda penyampaian training menggunakan teletraining. Evaluasi pelatihan dilakukan hingga tahap II dengan peningkatan pengetahuan dengan nilai rata-rata sebesar 52,78 (pre-test01) menjadi 75,56 (post-test01). 46,25 (pre-test02) menjadi 78,13 (post-test02), dan 43,75 (pre-test03) menjadi 70 (post-test03). Evaluasi post-program dilakukan 2 minggu setelah pemberian pelatihan dengan hasil tidak terdapat peningkatan POS dan skor retensi secara statistik. Dapat disimpulkan, meskipun POS berpengaruh terhadap retensi karyawan, teletraining yang diberikan tidak cukup mampu untuk membantu meningkatkan retensi.

---

ABSTARCTThis research aimed to explain the relationship between Perceived Organizational Support (POS) on employee retention. Employee retention is important for organizations on maintaining employees to remain in the organization. POS is a form of organizational support in the form of career development investments either developing knowledge or employee promotion to improve retention. This research was a correlational study at Development Bank X with a total of 105 participants from the staff, supervisor and manager levels. Correlation analysis results showed that POS had a significant and positive relationship with employee retention, that accounted for 54.6% of variance. Development training was chosen as an intervention to improve POS in Development Bank X for 8 employees using teletraining method. Training evaluation was carried out up to stage II with an increase in knowledge with an average value of 52.78 (pre-test01) to 75.56 (post-test01). 46.25 (pre-test02) to 78.13 (post-test02), and 43.75 (pre-test03) to 70 (post-test03). Post-program evaluation was carried out two weeks after the training, with the result that there was no statistically increased retention score and POS. to conclude, although POS influenced employees retention, teletraining given to the sample was not able to increase retention scores."