ABSTRAKSI: Pada Data Mining, secara khusus, masalah Imbalance telah dianggap sebagai salah satu tantangan yang harus diselesaikan. Imbalance adalah suatu kondisi dimana porsi data untuk keperluan learning di sebuah kelas lebih banyak (kelas mayor) daripada porsi data di kelas lain (kelas minor). Masalah ini dapat menghalangi kinerja dan akurasi pada Machine Learning. Salah satu kasus yang memiliki masalah Imbalance diantaranya adalah Churn prediction. Churn terjadi ketika semua jasa yang digunakan diputus oleh pelanggan ataupun perusahaan. Algoritma klasifikasi yang standar memiliki bias (salah penafsiran) terhadap kelas mayor sehingga cenderung melakukan salah klasifikasi pada kelas minornya. Metode pendekatan GP-COACH (Genetic Programming-Based Evolutionary algorithm for the Learning COmpact and ACcurate FRBCS) dapat digunakan untuk mengatasi Imbalance class dengan mendapatkan rule solusi. Proses awal akan dilakukan prepocessing data (diluar system) dengan menggunakan tools Weka yaitu: Feature selection, Resample, dan SMOTE. Hal ini dimaksudkan untuk dapat meminimalisir jumlah data yang terlalu besar dan melalui SMOTE untuk meningkatkan informasi churn dengan melakukan duplikasi sintetik data. Selanjutnya data dapat diproses oleh metode GP-COACH melalui sistem. Hasil pengujian menunjukkan bahwa performansi yang dihasilkan Metode GP-COACH mampu menangani kasus Churn prediction dengan evaluasi nilai akurasi prediksi yang baik dan menghasilkan beberapa rule solusi yang sederhana. Tetapi metode ini tidak lebih baik dibandingkan C5.0, baik dari segi akurasi serta lamanya waktu eksekusi. Namun dari jumlah rule yang dihasilkan C5.0 adalah jauh lebih banyak dibandingkan GP-COACH. Dengan demikian metode GP-COACH ini tetap mampu menangani kasus Churn prediction melalui beberapa rule solusi yang lebih sedikit dibanding rule yang digunakan C5.0 decision tree dalam mengklasifikasikan suatu kelas.
Kata Kunci : Kata Kunci : Churn prediction, Imbalance, Machine Learning , FRBCS, GP-COACH, C5.0ABSTRACT: In Data Mining, specifically, the problem of imbalance data-sets has been considered as one of the emergent challenges that must be resolved. Imbalance is a condition in which portions of data for purposes of learning in a class of more (major classes) rather than the other class (minor class). These problems can hinder the performance and accuracy on Machine Learning. One case that has Imbalance issue is Churn prediction. Churn occurs when all the services used by the customer or the company terminated. A standard classification algorithm has a bias of the major classes that tend to missclasification in minor-class. GP-COACH (Genetic Programming-Based Evolutionary Algorithm for Learning Compact and accurate the FRBCS) can be used to handle Imbalance class with a rule solution. The begin process will be done prepocessing data (outside the system) using Weka tools, such as: Feature selection, Resample, and SMOTE. It is intended to minimize the amount of data that are too large and through SMOTE to improve churn information by duplicating the synthetic data. Furthermore, the data can be processed by the method of GP-COACH through the system. The test results show that the performance of the GP-COACH is able to handle Churn prediction with the evaluation of prediction accuracy is good value and generate some simple solutions rule. But this method is not better than C5.0, both in terms of accuracy and duration of the execution time. However, the number of rules generated from C5.0 is far more than the GP-COACH. Thus the method of GP-COACH is still able to handle Churn prediction rule through several fewer solutions than the rule that is used C5.0 decision tree in classifying a class.
Keyword: Keywords: Churn prediction, Imbalance, Machine Learning, FRBCS, GP-COACH, C5.0