Klasifikasi Churn Pelanggan Telekomunikasi Menggunakan  Logistic Regression dan Support Vector Machine

lita dwi aryani; Hafiyyan Putra Pratama

doi:10.35968/jsi.v13i2.2069

Authors

lita dwi aryani Program Studi S1 Sistem Telekomunikasi, Universitas Pendidikan Indonesia
Hafiyyan Putra Pratama Program Studi S1 Sistem Telekomunikasi, Universitas Pendidikan Indonesia

DOI:

https://doi.org/10.35968/jsi.v13i2.2069

Keywords:

Churn pelanggan, klasifikasi, logistic regression, SVM, machine learning, telekomunikasi

Abstract

Customer churn is a critical issue in the telecommunication industry as it directly affects a company's revenue. This study aims to develop and compare Logistic Regression and Support Vector Machine (SVM) models for predicting customer churn using the Telco Customer Churn dataset from IBM Watson Analytics, which consists of 7,043 customer records. The research process includes data exploration, data preprocessing, model training, and evaluation using Stratified K-Fold Cross-Validation (k = 5). The experimental results show that Logistic Regression achieved an accuracy of 80.70% with an average cross-validation score of 0.8043, while SVM achieved an accuracy of 79.28% with an average cross-validation score of 0.7954. Feature analysis indicates that tenure, MonthlyCharges, contract type, and internet service type are the most influential factors affecting customer churn. Based on these results, Logistic Regression demonstrates superior and more stable performance in predicting telecommunication customer churn.

References

Arina, F., & Ulfah, M. (2022). Analisa survival untuk mengurangi customer churn pada perusahaan telekomunikasi. Journal Industrial Servicess, 8(1), 59. https://doi.org/10.36055/jiss.v8i1.14313

Arya Renaldi, R., Rais Rahmat Razak, M., Yakub, R., Ekonomi dan Bisnis, F., & Muhammadiyah Sidenreng Rappang, U. (2025). Jurnal Maneksi (Management Ekonomi Dan Akuntansi) ANALISIS PENGGUNAAN MACHINE LEARNING TERHADAP PREDIKSI JUMLAH NASABAH PADA PRODUK AMANAH DI PT. PEGADAIAN CPS PANGKAJENE. https://doi.org/10.31959/jm.v15i1

Awaludin, M., Nuryadi, H., & Pribadi, G. N. (2024). Sistem Otomatisasi Laporan untuk Optimalisasi Pelaporan Data Penelitian dan Pengabdian kepada Masyarakat di Universitas Dirgantara Marsekal Suryadarma. 9675, 1–7.

Awaludin, M., & Rehatalanit, Y. L. R. (2026). Optimizing YOLOv8 Architecture and Augmentation for Efficient License Plate Detection. Jurnal Nasional Teknik Elektro Dan Teknologi Informasi, 15(2), 99–105. https://doi.org/10.22146/jnteti.v1512.24886

Awaludin, M., Yasin, V., & Risyda, F. (2024). The Influence of Artificial Intelligence Technology, Infrastructure and Human Resource Competence on Internet Access Networks. Inform 9(2), 111–120. https://doi.org/10.25139/inform.v9i2.8109

DAIPAH, I. I., ASTUTI, R., & PRIHARTONO, W. (2025). PREDIKSI CHURN PELANGGAN PADA LAYANAN DESAIN GRAFIS HOME DESAIN MENGGUNAKAN ALGORITMA NAÏVE BAYES. Jurnal Informatika Dan Teknik Elektro Terapan, 13(1). https://doi.org/10.23960/jitet.v13i1.5811

Dedy, D. (2024). Analisis Algoritma Logistic Regression dan Support Vector Machine pada Kasus Klasifikasi Citra Hewan Rawa dengan Dataset yang tidak Seimbang. Data Sciences Indonesia (DSI), 4(1), 69–77. https://doi.org/10.47709/dsi.v4i1.4433

Desena Damanik, S., & Ihsan Jambak, M. (2023). KLIK: Kajian Ilmiah Informatika dan Komputer Klasifikasi Customer Churn pada Telekomunikasi Industri Untuk Retensi Pelanggan Menggunakan Algoritma C4.5. Media Online), 3(6), 1303–1309. https://doi.org/10.30865/klik.v3i6.829

Hulaifah Al Abrori, Z. Z., & Subhiyakto, E. R. (2025). Analisis Komparatif Akurasi Prediksi Kanker Payudara Menggunakan Algoritma Random Forest dan Logistic Regression. Jurnal Algoritma, 22(1), 300–311. https://doi.org/10.33364/algoritma/v.22-1.2164

Illah, I. Z. A., Jauharis Sapu, W. S., & Damaliana, A. T. (2024). Implementasi Metode Klasifikasi LightGBM dan Analisis Survival dalam Memprediksi Pelanggan Churn. Jurnal Komtika (Komputasi Dan Informatika), 8(1), 43–53. https://doi.org/10.31603/komtika.v8i1.11194

Komang Dika Setiawan, I., & Wayan Sudiarsa, I. (2026). PT. Media Akademik Publisher ANALISIS KLASIFIKASI PERILAKU PENGGUNA TERHADAP CUSTOMER CHURN PADA LAYANAN MUSIK SPOTIFY MENGGUNAKAN METODE RANDOM FOREST. JMA), 4(1), 3031–5220. https://doi.org/10.62281

Rahayu, S. (2023). Strategi Pemasaran Produk Dalam Meningkatkan Kepuasan Pelanggan. Jurnal Penelitian Dan Pengkajian Ilmiah Sosial Budaya, 2(1), 109–113. https://doi.org/10.47233/jppisb.v2i1.705

Ridwan, R., Handayani, H. H., Lestari, S. A. P., & Cahyana, Y. (2025). Evaluasi Kinerja Algoritma Random Forest Dan Gradient Boosting Untuk Klasifikasi Penyakit Jantung. Jurnal Komtika (Komputasi Dan Informatika), 9(1), 112–124. https://doi.org/10.31603/komtika.v9i1.13450

Rizki Kurniawan, M., Nurul Sabrina, P., Ilyas Teknik Informatika, R., Jenderal Achmad Yani Jl Terusan Jend Sudirman, U., Cimahi Sel, K., Cimahi, K., & Barat, J. (2023). PREDIKSI CUSTOMER CHURN PADA PERUSAHAAN TELEKOMUNIKASI MENGGUNAKAN ALGORITMA C4.5 BERBASIS PARTICLE SWARM OPTIMIZATION. In Jurnal Mahasiswa Teknik Informatika (Vol. 7, Number 5). https://doi.org/https://doi.org/10.36040/jati.v7i5.7476

Sapaatullah, A., & Darip, M. (2026). Analisis Performa Support Vector Machine untuk Klasifikasi Risiko Kredit Nasabah pada Perbankan Daerah. Bulletin of Information Technology (BIT), 7(1), 84–91. https://doi.org/10.47065/bit.v5i2.2603

Yeni, Y., Koli, D. Y., Irwansyah, R., & Sjioen, A. E. (2025). STRATEGI PEMASARAN PERSONALIZED RECOMMENDATION DALAM MENINGKATKAN RETENSI PELANGGAN. JURNAL LENTERA BISNIS, 14(2), 1722–1735. https://doi.org/10.34127/jrlab.v14i2.1527

Yoga Pudya Ardhana, V., Lonang, S., Tejo Kumoro, D., Dermawan Mulyodiputro, M., & Qamarul Huda Badaruddin, U. (2025). Benchmarking Model Machine Learning untuk Prediksi Data Berdasarkan Akurasi dan Error Benchmarking Machine Learning Models for Data Prediction Based on Accuracy and Error. In SIJ (Vol. 2, Number 8). https://doi.org/https://doi.org/10.37824/sij.v8i2.2025.1141

Yunisia Rosari Bere, & Fadhli Almu’iini Ahda. (2026). Perbandingan Metode Decision Tree dan Logistic Regression dalam Klasifikasi Tingkat Obesitas Berdasarkan Gaya Hidup. https://doi.org/http://dx.doi.org/10.35889/jutisi.v15i2.3591