Penelitian ini membangun model Churn Prediction untuk Bank XYZ menggunakan kerangka kerja CRISP-ML dengan data ±700 ribu nasabah dan transaksi tabungan selama enam bulan. Tantangan utama adalah ketidakseimbangan kelas, di mana hanya 1,70% nasabah berstatus Churn. Untuk mengatasinya, digunakan teknik SMOTE. Empat algoritma ensemble learning diuji, yaitu RandomForest, XGBoost, LightGBM, dan ExtraTrees, dengan hyperparameter tuning menggunakan RandomizedSearchCV dan GridSearchCV. Hasil evaluasi menunjukkan LightGBMClassifier memiliki performa terbaik (F1-Score 0,8623; AUC 0,99). Model diimplementasikan berbasis API yang memungkinkan untuk dapat diintegrasikan dengan sistem lain misalnya CRM, dilengkapi pemantauan performa dan retraining otomatis. Pendekatan ini terbukti efektif untuk mendukung strategi retensi nasabah melalui prediksi Churn yang akurat.
Copyrights © 2025