ANALISIS CHURN PELANGGAN FLEXI MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DI REPRESENTATIVE OFFICE SURABAYA

Prosiding Seminar Nasional Manajemen Teknologi XV Program Studi MMT-ITS, Surabaya 4 Pebruari 2012

ANALISIS CHURN PELANGGAN FLEXI MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DI REPRESENTATIVE OFFICE SURABAYA Rias Sukmawati dan Joko Lianto Buliali Program Studi Manajemen Teknologi Informasi Magister Manajemen Teknologi, ITS Jl. Cokroaminoto 12 A,Surabaya, 60264, Indonesia email: [email protected] ABSTRAK Penelitian ini memodelkan beberapa faktor yang diprediksi menyebabkan churn (dimana pelanggan yang meninggalkan produk awal dan berpindah ke produk lain) antara lain Call Setup Success Ratio,Drop Call Average,Call Completion Ratio, serta Standar kinerja layanan pesan singkat dengan menggunakan metode artificial neural network dimana faktor- faktor tersebut akan menjadi layer inputan dalam pelatihan. Data yang digunakan sebagai variable output adalah tingkat churn antara range Januari 2011 sampai dengan Agustus 2011. Dari beberapa hasil pemodelan diperoleh kesimpulan bahwa penyebab tingkat churn disebabkan karena akumulasi dari pengaruh faktor-faktor Call Setup Success Ratio,Drop Call Average,Call Completion Ratio, serta Standar kinerja layanan pesan singkat pada beberapa bulan sebelumnya bukan hanya pada bulan terakhir. Hal tersebut ditunjukkan dari hasil pelatihan menggunakan 50% presentasi performansi pada 3 (tiga) bulan sebelumnya, 20% bobot presentasi performansi pada 4 (empat) bulan sebelumnya, dan 30% presentasi performansi pada 5(lima) yang memiliki error rate paling minimum Kata kunci: telekomunikasi, pelanggan, churn, neural network ABSTRACT This study models some factors that are predicted as the causes of churn, such as Call Setup Success Ratio, Average Drop Call, Call Completion Ratio, as well as short message service performance standards, using artificial neural network method which using predicted factors as the input layers. Data that is used for output variable is churn rate data between January 2011 until August 2011 From the modeling results obtained it is concluded that the causes of churn rate is due to accumulation of Call Setup Success Ratio, Average Drop Call, Call Completion Ratio, as well as short message service performance standards of customer churn of last several months not only on the last month. It is shown from the results of training using a 50% performance presentation in 3 (three) months prior, 20% weighting in the performance presentation 4 (four) months earlier, and 30% presentation of performance on 5 (five) which has the minimum error rate [

Keywords: telecommunications, subscribers, churn, neural network

ISBN : 978-602-97491-4-4 C-47-1


PENDAHULUAN Latar Belakang Jumlah pelanggan merupakan salah satu barometer penting untuk mengetahui sejauh mana keberhasilan suatu operator dalam memasuki pasar. Salah satu permasalahan yang dihadapi oleh perusahaan telekomunikasi adalah penurunan jumlah pelanggan. Salah satu indikasi terjadinya penurunan jumlah pelanggan adalah meningkatnya tingkat churn. Tingkat churn menjadi salah satu parameter pengurang jumlah pelanggan operator telekomunikasi, yang dapat berarti menjadi warning bahwa terjadi kekurangan mungkin dari parameter teknik atau cara penjualan yang kemudian menyebabkan pelanggan memutuskan untuk churn. Hal inilah yang kemudian harus diperhatikan oleh operator telekomunikasi agar jumlah pelanggannya tidak terus menurun yang kemudian berimbas pada revenue/pendapatan yang diperoleh. Dilatarbelakangi oleh permasalahan-permasalahan tersebut maka kemudian dilakukan penelitian tentang churn, dimana nantinya faktor-faktor yang telah ditentukan akan coba dimodelkan ke dalam suatu jaringan saraf tiruan atau artificial neural network dan dihasilkan hasil pemodelan tersebut apakah faktor-faktor tersebut berkaitan sebagai penyumbang penyebab pelangan akhirnya memutuskan untuk churn. Tujuan Sesuai dengan perumusan masalah di atas, maka tujuan penelitian adalah untuk memodelkan faktor-faktor yang dapat menyebabkan pelanggan menjadi churn dengan menggunakan Artificial Neural Network (ANN) dan mencari hubungan antara faktor Call Setup Success Ratio,Drop Call Average,Call Completion Ratio, serta Standar kinerja layanan pesan singkat dengan tingkat churn. METODE PENELITIAN Langkah-langkah yang dilakukan dalam penelitian sehingga menghasilkan suatu hasil analisis faktor yang dapat mempengaruhi tingkat churn pelanggan. Tahapan pada metodologi penelitian dapat digambarkan pada gambar 1.

Gambar 1. Metodologi Penelitian ISBN : 978-602-97491-4-4 C-47-2


HASIL DAN PEMBAHASAN Tahap pertama yang dilakukan dalam penelitian ini adalah pengumpulan data yang akan dijadikan objek penelitian. Data pelanggan yang digunakan adalah pelanggan Flexi Trendy. Pemilihan pelanggan trendy (prabayar) lebih diutamakan karena >50% pelanggan Flexi adalah pelanggan prabayar dan kemungkinan segmen pelanggan tersebut untuk churn bisa mencapai lebih dari 50% pula. Besaran angka pelanggan trendy yang churn pada rentang waktu Januari 2011- Agustus 2011 diambil dari database yang ada di WIN (Wireless Intellegence Network), dimana data tersebut diperoleh dari banyaknya nomer yang melewati masa expired karena tidak melakukan proses pengisian ulang pulsa (top up) selama masa tenggang. Selain data total pelanggan pada rentang waktu Januari 2011-Agustus 2011, diperlukan juga data teknis berupa data Call Setup Success Ratio,Drop Call Average,Call Completion Ratio, serta Standar kinerja layanan pesan singkat dimulai dari 6(enam) bulan sebelum rentang waktu data tingkat churn pelanggan yang diambil. Salah satu tahapan yang dilakukan adalah penentuan struktur jaringan yaitu dengan menentukan variabel yang akan menjadi variabel masukan (input) dan variabel yang akan menjadi keluaran (output). Sesuai dengan tujuan penelitian, salah satu yang akan dilakukan adalah memodelkan faktor-faktor yang dapat menyebabkan pelanggan menjadi churn, faktorfaktor tersebut antara lain Call Setup Success Ratio,Drop Call Average,Call Completion Ratio, serta Standar kinerja layanan pesan singkat dengan pengaruhnya terhadap tingkat churn pelanggan. Sehingga yang akan menjadi variabel input antara lain : Nilai Call Setup Success Ratio disimpan pada variabel X1  Nilai Drop Call Average disimpan pada variabel X2  Nilai Call Completion Ratio disimpan pada variabel X3  Nilai Standar kinerja layanan pesan singkat kurang dari 3 menit disimpan pada  variabel X4 Keempat variable tersebut masing-masing diambil dalam satuan persen dan pada rentang waktu antara Agustus 2010 sampai dengan Mei 2011. Pengambilan analisis pada rentang waktu ini berdasarkan hipotesis awal bahwa seorang pelanggan memutuskan untuk churn dikarenakan ketidakpuasan atas layanan teknis pada bulan-bulan sebelum akhirnya churn, sebagai contoh tingkat churn pada bulan Januari 2011 bisa jadi dipengaruhi karena akumulasi dari tingkat teknis pada bulan-bulan sebelumnya (dalam hal ini data penelitian hanya dibatasi pada 5(lima) bulan sebelum bulan ratio churn dianalisis). Variabel output berupa ratio churn pelanggan antara bulan Januari 2011-Agustus 2011 karena target yang akan dihasilkan nantinya adalah analisis tingkat pengaruh Call Setup Success Ratio,Drop Call Average,Call Completion Ratio, serta Standar kinerja layanan pesan singkat terhadap ratio churn pada rentang waktu tersebut. Lingkungan pelatihan dan uji coba penelitian meliputi perangkat lunak dan perangkat keras. Spesifikasi perangkat lunak dan perangkat keras yang digunakan ada pada tabel 1. Tabel 1. Spesifikasi perangkat lunak dan perangkat keras yang digunakan

Perangkat Lunak

Perangkat Keras

• Sistem

Operasi : Windows XP Professional Edition • Bahasa Pemrograman : Matlab 7.0 • Processor : Intel Atom CPU N270 1.60 GHz • Memori : 0.99 GB RAM

Skema artificial neural network dengan metode back propagation memiliki 3 (tiga) lapisan dengan satu lapisan input yang terdiri dari 4(empat) unit sel antara lain Call Setup ISBN : 978-602-97491-4-4 C-47-3


Success Ratio,Drop Call Average,Call Completion Ratio, serta Standar kinerja layanan pesan singkat , satu lapisan tersembunyi dengan jumlah unit sel yang ditentukan secara acak dan satu lapisan keluaran berjumlah 1 unit sel sebagai target yaitu tingkat churn pelanggan ditunjukkan pada gambar 2

Gambar 2. Arsitektur Artificial Neural Network yang digunakan dalam penelitian

Pelatihan dilakukan dengan menggunakan metode pencarian titik minimum untuk mencari bobot dengan error minimum. Dalam proses pencarian ini dikenal 2 macam mode yaitu mode incremental dan metode kelompok (batch). Dalam metode increamental, bobot diubah setiap kali pola masukan diberikan ke jaringan. Sebaliknya dalam metode kelompok, bobot diubah setelah semua masukan diberikan kepada jaringan. Dalam penelitian ini, metode yang digunakan adalah metode pelatihan kelompok dalam iterasinya dan mencari titik minimum error terendah dari semua variabel inputnya terhadap output. Dari beberapa kali pemodelan yang dilakukan, minimal error yang diperoleh ada pada pelatihan yang dilakukan dengan mengupdate bobot pada bulan ketiga sebelum churn lebih maksimal dibandingkan bulan yang lain (M-5(weight1)m3 ). Dari tabel dapat diketahui bahwa jumlah error minimal yang diketahui adalah -3.681 pada mse 0.1. Tabel 1. Total Hasil Pelatihan DATA BULAN PELATIHAN

epoch 0.01

epoch 0.001

epoch 0.1

0.614

0.014

2.746

M-3.5

-0.247

-0.045

0.112

M-4

-0.118

0.100

0.299

M-4.5

-0.307

0.081

-2.256

M-5 M-5(weight1)m3m4

-1.512 -0.054

0.189 -0.070

-3.368 -1.325

M-5(weight1)m3m5

-0.155

-0.291

-2.301

M-5(weight1) sama m4m5

-0.259

-0.032

-1.523

M-5(weight1)m3

-0.470

0.127

-3.681

M-5(weight1)m5

0.391

0.000

-0.402

M-3

Dengan pemberian epoch maksimal 200 dan dengan pergantian parameter batas nilai mse agar iterasi dihentikan dengan 3(tiga) goal yaitu 0.01, 0.001 dan 0.1 pada setiap pelatihan pada model yang dilakukan,dan dengan input variabel yang sama yaitu presentase ISBN : 978-602-97491-4-4 C-47-4


nilai Call Setup Success Ratio disimpan pada variabel X1, presentase nilai Drop Call Average disimpan pada variabel X2 , presentase nilai Call Completion Ratio disimpan pada variabel X3 , presentase nilai Standar kinerja layanan pesan singkat kurang dari 3 menit disimpan pada variabel X4, jaringan yang terbentuk dapat digambarkan pada gambar 3

Gambar 3. Grafik Total Hasil Pelatihan

Berdasarkan grafik yang ditunjukkan pada gambar 4 dapat diketahui pula bahwa nilai error minimum ditunjukkan pada M-5(weight1)m3 dengan MSE 0.1 memiliki error terkecil dibandingkan dengan pelatihan yang lain. Pada titik terendah tersebut pembobotan pada input dilakukan dengan konfigurasi 50% presentasi performansi pada 3 (tiga) bulan sebelumnya, 20% bobot presentasi performansi pada 4 (empat) bulan sebelumnya, dan 30% presentasi performansi pada 5(lima) bulan sebelumnya Total minimum error pemodelan 4.000 3.000 2.000 1.000 epoch 0.01

0.000

epoch 0.001

-1.000

epoch 0.1

-2.000 -3.000 -4.000 -5.000

Gambar 4. Grafik Total Error Rate Hasil Pelatihan

Kesimpulan pada pemodelan ini bahwa pengaruh faktor-faktor Call Setup Success Ratio,Drop Call Average,Call Completion Ratio, serta Standar kinerja layanan pesan singkat terhadap churn pelanggan merupakan akumulasi dari beberapa bulan sebelumnya bukan saja hanya karena pengaruh pada bulan terakhir. KESIMPULAN DAN SARAN Kesimpulan Berdasarkan beberapa kali pemodelan, dapat ditarik kesimpulan sebagai berikut : 1. Dengan menggunakan Artificial Neural Network (ANN) dapat dimodelkan faktorfaktor pengaruh faktor-faktor Call Setup Success Ratio,Drop Call Average,Call Completion Ratio, serta Standar kinerja layanan pesan singkat terhadap churn dengan cara melakukan pelatihan terhadap data input berupa Artificial Neural Network (ANN) dan data output tingkat churn dan kemudian dicari error rate yang paling kecil.

ISBN : 978-602-97491-4-4 C-47-5


2.

Berdasarkan beberapa pemodelan faktor-faktor Call Setup Success Ratio,Drop Call Average,Call Completion Ratio, serta Standar kinerja layanan pesan singkat terhadap churn diperoleh nilai error minimum melakukan update bobot yaitu 50% bobot presentasi performansi pada 3 (tiga) bulan sebelumnya, 20% bobot presentasi performansi pada 4 (empat) bulan sebelumnya, dan 30% presentasi performansi pada 5(lima) bulan sebelumnya

Saran Saran untuk penelitian berikutnya adalah dengan menambahkan faktor-faktor yang dianalisis sehingga hasil pemodelan akan lebih bervariasi dan dapat diketahui faktor lain yang mungkin menjadi penyebab pelanggan menjadi churn dengan menggunakan Artificial Neural Network (ANN) DAFTAR PUSTAKA Baizal, ZK. Abdurahman, Bijaksana, Moch. Arif, Sastrawan, Angelina Sagita, (2009), “Analisis Pengaruh Metode Over Sampling Dalam Churn Prediction Untuk Perusahaan Telekomunikasi”, Proceeding Seminar Nasional Aplikasi Teknologi Informasi 2009 (SNATI 2009), Yogyakarta, 1907-5022. Berry,Michael JA,Linoff, Gordon S, (2000), Mastering Data Mining The Art and Science of Customer Relationship Management, A John Wiley&Sons,Ltd, New York. Gürsoy, Umman Tuğba Şimşek, (2010), “Customer churn analysis in telecommunication sector“, Istanbul University Journal of the School of Business Administration, Vol:39 35-49. Hermawan, Arief, (2006), “Jaringan Saraf Tiruan Teori dan Aplikasi”, Penerbit Andi, Yogyakarta. Keputusan Direktur Network &Solution PT. Telekomunikasi Indonesia, Tbk, (2010), Target Setting Dan Petunjuk Pelaksanaan Pengukuran Dan Pelaporan Operational Key Performance Indicator (OKPI) Divisi Telkom Flexi Tahun 2010, KR.07/LP.000/C00-A0031000/2010. Khalida binti Oseman, Sunarti binti Mohd Shukor, Norazrina Abu Haris, Faizin bin Abu Bakar, (2010), “Data Mining in Churn Analysis Model for Telecommunication Industry“, Journal of Statistical Modeling and Analytics, Vol. 1 No. 19-27. Mattison, Rob (2005), The Telco Churn Management Handbook, XiT Press Oakwood Hills, Illinois. Muis, Saludin, (2006), Teknik Jaringan Syaraf Tiruan, ,Penerbit Graha Ilmu,Yogyakarta. Peraturan Menteri Komunikasi dan Informatika,(2008), Standar Kualitas Pelayanan Jasa Teleponi Dasar Pada Jaringan Tetap Mobilitas Terbatas, Permen No. 13/PERM/M.KOMINFO/04/2008 Puspitaningrum, Diyah, (2006), Pengantar Jaringan Syaraf Tiruan, Penerbit Andi, Yogyakarta. Santoso,Budi, (2007), Data Mining Teknik Pemanfaatan Data Untuk Keperluan Bisnis Teori dan Aplikasi, Penerbit Graha Ilmu, Yogyakarta. Siang, Jong Jek, (2005), ”Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab”, Penerbit Andi, Yogyakarta. Tuffery, Stephane, (2011), Wiley&Sons,Ltd, New York.

Data Mining And Statistic For Decision Making, A John

ISBN : 978-602-97491-4-4 C-47-6

ANALISIS CHURN PELANGGAN FLEXI MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DI REPRESENTATIVE OFFICE SURABAYA

Recommend Documents