<![CDATA[Abstrak - Nasabah bank adalah individu yang memiliki hubungan keuangan dengan bank, seperti simpanan, pinjaman, atau layanan lainnya. Fenomena Churn menjadi perhatian penting karena dapat mempengaruhi pendapatan dan stabilitas lembaga perbankan. Penelitian ini bertujuan untuk memprediksi churn nasabah menggunakan algoritma machine learning Decision Tree dan Naive Bayes. Model ini dianalisis untuk menentukan tingkat AUC (Area Under The Curve), CA (Classification Accuracy), dan F1 Score, serta menilai efektivitasnya dalam kategori klasifikasi.Hasil penelitian menunjukkan bahwa algoritma Decision Tree mampu mencapai tingkat akurasi yang cukup baik, dengan nilai accuracy (CA) sebesar 85.4% sedangkan Naïve Bayes memiliki nilai accuracy sebesar 84.5%. Nilai akurasi ini menunjukkan bahwa Decision Tree berada dalam kategori Good Classification dan dapat digunakan sebagai alat yang handal dalam mengidentifikasi nasabah yang berisiko churn. Temuan ini mendukung potensi penerapan machine learning dalam strategi retensi pelanggan di sektor perbankan. Studi ini juga membuka peluang untuk pengembangan lebih lanjut, termasuk integrasi dengan metode klasifikasi lain atau pemanfaatan teknik seleksi fitur untuk meningkatkan akurasi prediksi churn.Kata kunci: Naive Bayes; Decision Tree; Klasifikasi; Churn; Nasabah Bank Abstract - Bank customers are individuals who have financial relationships with banks, such as deposits, loans, or other services. Churn phenomenon is an important concern because it can affect the income and stability of banking institutions. This research aims to predict customer churn using Decision Tree and Naive Bayes machine learning algorithms. The model is analyzed to determine the level of AUC (Area Under The Curve), CA (Classification Accuracy), and F1 Score, as well as assess its effectiveness in the classification category. The results show that the Decision Tree algorithm is able to achieve a fairly good level of accuracy, with an accuracy value (CA) of 85.4% while Naïve Bayes has an accuracy value of 84.5%. These accuracy values indicate that Decision Tree is in the Good Classification category and can be used as a reliable tool in identifying customers at risk of churn. These findings support the potential application of machine learning in customer retention strategies in the banking sector. This study also opens up opportunities for further development, including integration with other classification methods or utilization of feature selection techniques to improve churn prediction accuracy.Keywords: Naïve Bayes; Decision Tree; Classification; Churn; Bank Customers]]>
