<![CDATA[Abstrak - Persaingan ketat dalam industri perbankan menuntut bank untuk lebih fokus mempertahankan nasabah dibandingkan hanya mencari nasabah baru. Salah satu tantangan besar yang dihadapi adalah churn atau hilangnya nasabah, yang berdampak langsung terhadap pendapatan bank. Penelitian ini bertujuan membangun model prediksi churn nasabah menggunakan algoritma Random Forest yang dikombinasikan dengan teknik SMOTE untuk mengatasi ketidakseimbangan data. Data yang digunakan merupakan dataset publik berisi 10.000 entri nasabah bank di Eropa. Penelitian ini menggunakan pendekatan kuantitatif melalui tahapan pra-pemrosesan, balancing data, pelatihan model, dan evaluasi kinerja dengan metrik seperti akurasi, presisi, recall, F1-score, dan ROC AUC. Hasil menunjukkan bahwa model mampu mencapai akurasi 81,95% dan recall 69,78%, yang menandakan model efektif dalam mengidentifikasi nasabah berisiko churn. Fitur-fitur yang paling berpengaruh adalah usia, jumlah produk, dan saldo nasabah. Temuan ini menunjukkan bahwa pendekatan machine learning dapat menjadi alat strategis untuk membantu bank mengambil keputusan berbasis data dalam mempertahankan nasabah. Model yang dikembangkan dinilai bermanfaat untuk mendukung strategi retensi pelanggan yang lebih proaktif dan berbasis bukti.Kata kunci: Klasifikasi; Random Forest; Churn Nasabah; Abstract - Fierce competition in the banking industry requires banks to focus more on retaining customers than just finding new ones. One of the major challenges faced is customer churn, which has a direct impact on bank revenue. This research aims to build a customer churn prediction model using Random Forest algorithm combined with SMOTE technique to overcome data imbalance. The data used is a public dataset containing 10,000 entries of bank customers in Europe. This research uses a quantitative approach through the stages of pre-processing, data balancing, model training, and performance evaluation with metrics such as accuracy, precision, recall, F1-score, and ROC AUC. The results showed that the model was able to achieve 81.95% accuracy and 69.78% recall, indicating that the model was effective in identifying customers at risk of churn. The most influential features were age, number of products, and customer balance. The findings suggest that a machine learning approach can be a strategic tool to help banks make data driven decisions in retaining customers. The developed model is considered useful to support a more proactive and evidence-based customer retention strategy.Keywords: Classification; Random Forest; Customer Churn;]]>
