Peningkatan Akurasi Algoritma Backpropagation Dengan Seleksi Fitur Particle Swarm Optimization Dalam Prediksi Pelanggan Telekomunikasi Yang Hilang

Abstract

Telekomunikasi adalah salah satu industri, di mana pelanggan memerlukan perhatian khusus, oleh karena itu, manajemen di sebuah perusahaan telekomunikasi ingin kehilangan pelanggan model prediksi untuk efisien memprediksi berpotensi kehilangan pelanggan. Jaringan syaraf adalah metode yang sering digunakan untuk memprediksi. Teknik yang paling populer dalam metode adalah saraf algoritma jaringan backpropagation. Namun algoritma backpropagation memiliki kelemahan pada kebutuhan untuk data pelatihan besar dan optimasi yang digunakan kurang efisien. Particle Swarm Optimization (PSO) adalah suatu algoritma optimasi yang dapat memecahkan yang efektif masalah pada algoritma neural network umumnya menggunakan algoritma backpropagation. Pengujian model dengan berbasis menggunakan Backpropagation Particle Swarm Optimization menggunakan data pelanggan hilang pada telekomunikasi. Model yang dihasilkan diuji untuk memperoleh akurasi dan nilai-nilai AUC dari masingmasing algoritma untuk mendapatkan tes menggunakan nilai yang diperoleh akurasi Backpropagation adalah 85.48% dan nilai AUC adalah 0.531. Sementara pengujian dengan menggunakan Backpropagation berbasis Particle Swarm Optimization dipilih atribut dan penyesuaian nilai parameter yang diperoleh 86.05% akurasi dan nilai AUC adalah 0,637. Dengan demikian dapat disimpulkan bahwa data pelanggan uji hilang dalam telekomunikasi menggunakan aplikasi Particle Swarm Optimization Backpropagation dan dalam pemilihan atribut diperoleh bahwa metode ini lebih akurat dalam prediksi pelanggan hilang telekomunikasi dibandingkan dengan Backpropagation, ditandai dengan peningkatan akurasi 00:57% dan nilai-nilai AUC dari 0.106, dengan nilai yang dimasukkan ke dalam akurasi klasifikasi cukup.

Kombinasi Algoritma Backpropagation Neural Network dengan Gravitational Search Algorithm Dalam Meningkatkan Akurasi

“…Dalam kasus prediksi, algoritma Backpropagation dapat dikatan sebagai salah satu algoritma yang baik digunakan karena Algoritma Backpropagation memiliki kelebihan yaitu untuk meminimalisir kesulitan dalam lonjakan waktu yang hanya tergantung pada synopsis [7]. Tetapi, berdasarkan referensi yang telah di perlajari bahwa Algoritma Backpropagation ini terdapat sedikit kekurangan yaitu cenderung lama dalam mencapai konvergen untuk mendapatkan tingkat akurasi yang optimum [7][8] [9], selain itu Algoritma Backpropagation ini membutuhkan data pelatihan yang cukup besar serta kombinasi algoritma yang digunakan kurang efisien [10] [11]. Oleh karena itu fokus dalam penelitian ini dengan kekurangan tersebut Algoritma Backpropagation perlu diperbaiki dengan melakukan kombinasi menggunakan Algoritma lain dengan harapan keakuratan yang didapatkan akan lebih baik bila dibandingkan dengan hanya menggunakan algoritma Backpropagation standard saja.…”

Penerapan Algoritma Backpropagation dalam Memprediksi Persentase Penduduk Buta Huruf di Indonesia

“…Pada penelitian sebelumnya, [9] melakukan penelitian untuk memprediksi pelanggan telekomunikasi yang hilang dengan menggunakan algoritma Backpropagation dengan seleksi fitur particle swarm optimization. Hasil penelitian ini menunjukkan bahwa metode Backpropagation dengan penerapan particle swarm optimization lebih akurat dalam prediksi pelanggan yang hilang pada telekomunikasi dibandingkan dengan Backpropagation, ditandai dengan peningkatan nilai akurasi sebesar 0.57% dan nilai AUC sebesar 0.106.…”

Jaringan Syaraf Tiruan dalam Memprediksi Jumlah Pelanggan PT.Telkom Akses Area Sumbagut Menggunakan Metode Backpropagation

“…Menggunakan Backpropagation menghasilkan tingkat akurasi sebesar 85,48%. Sedangkan dengan menggunakan backpropagation berbasis particle swarm optimization menghasilkan tingkat akurasi sebesar 86,05% [4].…”