Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Malcom: Indonesian Journal of Machine Learning and Computer Science
Gymnastiar, Muhammad Farhan
Unknown Affiliation
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Optimasi Hyperparameter XGBoost Menggunakan Particle Swarm dan Grey Wolf Optimization untuk Prediksi Churn: XGBoost Hyperparameter Optimization Using Particle Swarm and Grey Wolf Optimization for Churn Prediction Gymnastiar, Muhammad Farhan; Shiddieq, Diqy Fakhrun; Roji, Fikri Fahru
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 4 (2026): MALCOM October 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i4.3049

Abstract

Customer churn merupakan tantangan kritis bagi industri berbasis langganan karena biaya akuisisi pelanggan baru jauh lebih tinggi dibandingkan biaya mempertahankan pelanggan yang sudah ada. Tujuan penelitian ini adalah membandingkan kinerja algoritma XGBoost dengan dua pendekatan optimasi hyperparameter, yaitu Particle Swarm Optimization (PSO) dan Grey Wolf Optimization (GWO), untuk memprediksi churn pelanggan pada layanan streaming. Dataset sintetis terkontrol sebanyak 10.000 sampel digunakan untuk memastikan perbandingan algoritma yang adil dan bebas dari kendala privasi. Evaluasi dilakukan melalui 10-fold cross-validation menggunakan metrik akurasi, recall, F1-score, dan AUC-ROC, serta dilengkapi dengan uji signifikansi statistik (paired t-test dan Wilcoxon) dan ablation test. Hasil menunjukkan bahwa kedua model yang dioptimalkan meningkatkan akurasi dibandingkan dengan baseline (baseline 96,26%; PSO 96,48%; GWO 96,52%). Uji statistik menunjukkan bahwa peningkatan yang dicapai XGBoost+PSO terhadap baseline bersifat signifikan (p = 0,0159), sedangkan peningkatan XGBoost+GWO belum signifikan (p = 0,0800). Analisis dampak bisnis menunjukkan bahwa penerapan model prediksi menghasilkan net benefit positif yang jauh lebih besar dibandingkan tanpa model. Temuan ini menegaskan bahwa optimasi metaheuristik, khususnya PSO, dapat memberikan peningkatan kinerja yang terukur, sekaligus menyoroti pentingnya validasi statistik dalam klaim superioritas algoritma. Penelitian lanjutan disarankan untuk menggunakan dataset riil guna menggeneralisasi temuan.
Co-Authors Diqy Fakhrun Shiddieq Fikri Fahru Roji