<![CDATA[Customer churn merupakan tantangan strategis dalam industri digital karena berdampak langsung pada pendapatan dan biaya akuisisi pelanggan baru. Salah satu kendala utama dalam membangun model prediksi churn adalah ketidakseimbangan kelas, dimana proporsi pelanggan churn hanya 11,4% dibandingkan 88,6% non-churn, dengan imbalance ratio hampir 8:1. Ketidakseimbangan ini berpotensi menurunkan sensitivitas model terhadap kelas minoritas. Penelitian ini bertujuan mengevaluasi efektivitas teknik pembobotan kelas (class weighting) dalam meningkatkan kinerja model klasifikasi churn pada data telekomunikasi JABODETABEK tahun 2019. Pendekatan supervised machine learning digunakan dengan lima algoritma utama: regresi logistik, K-Nearest Neighbors (KNN), decision tree, naive Bayes, dan random forest. Evaluasi dilakukan menggunakan stratified 5-fold cross-validation dan metrik yang relevan untuk data tidak seimbang, yaitu recall, specificity, F1-score, dan AUC-ROC. Hasil penelitian menunjukkan bahwa penerapan class weighting memberikan peningkatan signifikan pada nilai recall, khususnya pada model decision tree, KNN, dan naive Bayes. Model Naive Bayes Balanced memberikan performa terbaik dengan recall di atas 0,75, meskipun terjadi sedikit penurunan specificity sebagai trade-off. Secara umum, strategi pembobotan kelas terbukti mengurangi bias terhadap kelas mayoritas dan menghasilkan keseimbangan metrik yang lebih baik. Temuan ini menegaskan bahwa teknik penyeimbangan kelas, meskipun sederhana, tetap krusial untuk meningkatkan akurasi identifikasi pelanggan berisiko churn dan dapat dijadikan referensi praktis dalam pengembangan sistem retensi pelanggan di sektor industri telekomunikasi.]]>
