<![CDATA[Tingkat churn pelanggan menjadi tantangan krusial bagi keberlangsungan bisnis di sektor e-commerce dan telekomunikasi. Pemodelan prediktif untuk masalah ini kerap terkendala oleh tingginya dimensi fitur data dan ketidakseimbangan kelas (class imbalance). Penelitian ini bertujuan untuk mengukur signifikansi peningkatan performa algoritma Random Forest yang dioptimasi menggunakan integrasi Recursive Feature Elimination (RFE) dan Synthetic Minority Over-sampling Technique (SMOTE) melalui studi komparasi lintas sektor. Mengadopsi kerangka kerja Knowledge Discovery in Databases (KDD), eksperimen dieksekusi dalam empat skenario komparatif pada dataset publik. Hasil pengujian menunjukkan bahwa efektivitas optimasi bersifat sangat kontekstual terhadap karakteristik kelas data. Pada sektor E-Commerce dengan rasio ketidakseimbangan rendah (±16,8%), skenario optimasi RFE terbukti paling dominan; metode ini mampu mereduksi 41,4% fitur (dari 29 menjadi 17) sekaligus menaikkan Recall sebesar 4,73 poin persentase dan F1-Score sebesar 1,81 poin persentase dibanding baseline. Sebaliknya, pada sektor Telekomunikasi dengan tingkat ketidakseimbangan lebih tinggi (±26,5%), penerapan SMOTE menjadi komponen determinan yang secara krusial mendongkrak Recall sebesar 11,50 poin persentase untuk mendeteksi pelanggan berisiko. Disimpulkan bahwa strategi optimasi algoritma bergantung pada tingkat ketidakseimbangan data; RFE direkomendasikan sebagai intervensi utama untuk imbalance di bawah 20%, sedangkan SMOTE wajib diprioritaskan untuk kondisi di atas ambang batas tersebut.]]>
