Customer Churn Classification

Proyek ini bertujuan untuk memprediksi apakah seorang pelanggan akan melakukan churn atau tidak berdasarkan data pelanggan. Analisis dilakukan menggunakan dua model machine learning, yaitu Decision Tree dan Naive Bayes, lalu membandingkan performanya.

---

Deskripsi Proyek

• Menganalisis dataset customer churn.
• Mengidentifikasi faktor yang mempengaruhi churn.
• Membangun model prediksi churn.
• Membandingkan performa Decision Tree dan Naive Bayes.

---

Dataset

Dataset terdiri dari informasi pelanggan dengan fitur seperti:

• Age
• Gender
• Tenure
• Usage Frequency
• Support Calls
• Payment Delay
• Subscription Type
• Contract Length
• Total Spend
• Last Interaction
• Churn

Data dibersihkan dengan menghapus kolom identitas dan missing values, serta mengubah tipe data yang sesuai.

---

Tahapan Analisis

1. Data Preprocessing

   • Menghapus fitur CustomerID
   • Menghapus baris yang memiliki missing values
   • Mengubah kolom Age menjadi integer

2. Exploratory Data Analysis (EDA)

   • Analisis univariate untuk melihat distribusi churn, gender, dan usia
   • Analisis bivariate untuk melihat hubungan churn dengan gender, payment delay, dan total spend
   • Heatmap korelasi antar fitur

3. Feature Selection

   • Memilih fitur yang paling relevan berdasarkan korelasi terhadap churn

4. Pemodelan Machine Learning

   • Decision Tree
   • Naive Bayes

5. Evaluasi Model

   • Mengukur akurasi
   • Visualisasi confusion matrix
   • Classification report

---

Hasil Analisis

• Decision Tree menunjukkan performa terbaik dalam memprediksi churn.
• Naive Bayes memiliki akurasi lebih rendah karena asumsi independensi fitur yang kurang sesuai untuk dataset ini.
• Faktor penting yang mempengaruhi churn termasuk Payment Delay, Support Calls, dan Tenure.

---

Kesimpulan

Model Decision Tree lebih unggul dalam proyek ini karena dapat menangkap pola non-linear dan interaksi antar fitur lebih baik daripada Naive Bayes.