Nur Fitrianti Fahrudin S.Kom., M.T. Dosen Pembimbing 1 Muhammad Daffa Nur Alif / 162019028 Penulis

Industri telekomunikasi merupakan sektor ekonomi yang berkembang pesat di era digital saat ini. Namun, persaingan yang ketat menyebabkan tantangan dalam mempertahankan pelanggan. Salah satu masalah yang dihadapi perusahaan adalah meningkatnya perpindahan pelanggan atau yang dikenal dengan istilah customer churn, yaitu ketika pelanggan berhenti menggunakan layanan perusahaan. Untuk mengatasi masalah ini, perusahaan telekomunikasi menggunakan teknik data mining untuk memprediksi potensi churn pelanggan. Dalam proses prediksi churn, data mining mengidentifikasi pola perilaku pelanggan yang mengindikasikan potensi churn di masa depan. Dataset yang digunakan dalam penelitian ini berasal dari dataset Telco Churn yang dapat diakses melalui platform Kaggle. Penelitian ini mengimplementasikan teknik oversampling dan undersampling untuk meningkatkan akurasi prediksi pada data minoritas pada model algoritma data mining seperti Random Forest, Naive Bayes, dan SVM. Hasil dari penelitian ini menunjukkan bahwa penerapan teknik oversampling dan undersampling efektif dalam meningkatkan nilai Specificity (True Negative Rate) dari model algoritma yang digunakan. Peningkatan Specificity ini terlihat pada berbagai algoritma seperti Random Forest yang mengalami peningkatan nilai Specificity hingga 45,98%, Naive Bayes hingga 14,97%, dan SVM hingga 65,41%.