Afghanistan-
Sistem Prediksi Churn Pelanggan ROSHAN Capai Akurasi 95,32 Persen. Penelitian
yang dilakukan Hafeezullah Shoja (Kabul University), Esmatullah Sabet (Parwan
University), dan Sayed Shafiullah Sadat (Polytechnic University Kabul) yang
dipublikasikan dalam International Journal of Integrated Science and
Technology (IJIST) Vol. 4 No. 2 (Februari 2026).
Studi
terbaru dari Hafeezullah Shoja (Kabul University), Esmatullah Sabet (Parwan
University), dan Sayed Shafiullah Sadat (Polytechnic University Kabul)
menghadirkan solusi berbasis machine learning untuk memprediksi pelanggan yang
berisiko berhenti berlangganan (churn) di ROSHAN Telecom, Afghanistan.
Churn:
Ancaman Nyata bagi Industri Telekomunikasi
Di
industri telekomunikasi, biaya mendapatkan pelanggan baru jauh lebih mahal
dibanding mempertahankan pelanggan lama. Penelitian terdahulu bahkan
menunjukkan bahwa peningkatan retensi pelanggan sebesar 5 persen dapat
meningkatkan keuntungan perusahaan hingga 25–85 persen.
Karena
itu, kemampuan memprediksi pelanggan yang berpotensi churn menjadi strategi
krusial untuk menjaga pendapatan dan stabilitas bisnis.
Mengolah
100 Ribu Data dari 7 Juta Pelanggan
Tim
peneliti mengumpulkan data dari berbagai sumber internal perusahaan, antara
lain:
- CDR
(Call Detail Records) panggilan suara dan SMS
- Data
penggunaan internet
- Riwayat
TOPUP harian
- Aktivasi
dan pembelian paket (bundle)
- Data
CRM seperti gender, provinsi, serta tiket keluhan
Data
satu tahun penuh dikonsolidasikan, kemudian 100.000 pelanggan dipilih secara
acak dari total basis sekitar 7 juta pelanggan.
Pada
halaman 9–11 jurnal, dijelaskan bahwa dataset akhir mencakup variabel penting
seperti:
- MSISDN
(nomor pelanggan)
- Gender
- Age
on Network (AON)
- Total
panggilan on-net dan off-net
- Penggunaan
data
- Jumlah
dan nilai TOPUP
- Total
keluhan, inquiry, dan request
- Status
churn (1 = churn, 0 = aktif)
Dataset
ini kemudian dibagi 80 persen untuk pelatihan model dan 20 persen untuk
pengujian.
Mengapa
XGBoost?
Algoritma
XGBoost dipilih karena efektif menangani:
- Dataset
besar
- Variabel
numerik dan kategorikal
- Ketidakseimbangan
data (imbalanced data)
Sebagaimana
dijelaskan dalam tinjauan pustaka (halaman 127–130), banyak penelitian
sebelumnya menunjukkan bahwa XGBoost unggul dibanding algoritma lain seperti
Decision Tree, Random Forest, maupun SVM dalam kasus prediksi churn.
Model
dilatih menggunakan teknik hyperparameter tuning dan divalidasi menggunakan
confusion matrix.
Hasil:
4.127 Pelanggan Berisiko Tinggi
Dari
100.000 data pelanggan yang diuji, model berhasil mengidentifikasi:
- 4.127
pelanggan berisiko tinggi churn
- Tingkat
akurasi: 95,32 persen
Tabel
confusion matrix pada halaman 135 menunjukkan hasil berikut:
- 35.604
pelanggan diprediksi benar sebagai non-churn
- 12.089
pelanggan diprediksi benar sebagai churn
- 1.510
false positive
- 797
false negative
Hasil
ini menunjukkan model mampu menangani ketidakseimbangan data dengan baik dan
tetap mempertahankan presisi tinggi.
Manfaat
Strategis bagi Manajemen
Lebih
dari sekadar angka akurasi, sistem ini memberikan insight strategis kepada
manajemen ROSHAN.
Model
mampu mengelompokkan pelanggan berisiko berdasarkan:
- Gender
- Jenis
kartu (profile)
- Provinsi
- Lama
berlangganan (AON)
Informasi
ini membantu perusahaan:
- Menyusun
kampanye retensi yang lebih terarah
- Memberikan
promo spesifik pada wilayah dengan churn tinggi
- Menganalisis
pola keluhan pelanggan sebelum churn
- Mengoptimalkan
strategi layanan pelanggan
Prediksi berbasis data memungkinkan tindakan proaktif, bukan reaktif.
Tantangan
dan Pengembangan Lanjutan
Penelitian
ini mengakui bahwa model masih bergantung pada data historis. Perubahan
perilaku pelanggan secara tiba-tiba mungkin belum sepenuhnya terdeteksi.
Untuk
pengembangan selanjutnya, peneliti merekomendasikan:
- Integrasi
data sentimen media sosial
- Eksplorasi
model deep learning
- Pengembangan
sistem prediksi real-time
Pendekatan
ini dapat meningkatkan adaptabilitas model terhadap dinamika pasar.
Dampak
Lebih Luas
Penelitian
ini tidak hanya relevan bagi ROSHAN Telecom di Afghanistan, tetapi juga bagi
operator telekomunikasi di negara berkembang yang menghadapi tantangan serupa.
Dengan
pendekatan machine learning yang tepat, perusahaan dapat:
- Mengurangi
tingkat churn
- Meningkatkan
loyalitas pelanggan
- Mengoptimalkan
biaya pemasaran
- Meningkatkan
pendapatan jangka panjang
Studi
ini menunjukkan bahwa transformasi digital berbasis data dapat menjadi kunci
keberlanjutan industri telekomunikasi.
Profil
Penulis
- Hafeezullah
Shoja- Kabul University.
- Esmatullah
Sabet- Parwan University, Afghanistan.
- Sayed Shafiullah Sadat- Polytechnic University Kabul.
Sumber
Penelitian
Shoja, H., Sabet, E., & Sadat, S. S. (2026). Customer Churn Prediction System Using Machine Learning: A Case Study ROSHAN Telecom-Afghanistan. International Journal of Integrated Science and Technology (IJIST), Vol. 4 No. 2, 123–137.
DOI: https://doi.org/10.59890/ijist.v4i2.287
URL: https://ntlmultitechpublisher.my.id/index.php/ijist
0 Komentar