<![CDATA[Kebutuhan digitalisasi yang semakin pesat mendorong PT. Telekomunikasi Indonesia (Persero) Tbk menghadirkan IndiBiz sebagai layanan internet berbasis fiber untuk mendukung transformasi digital UMKM. Namun, meningkatnya persaingan industri telekomunikasi menimbulkan risiko churn pelanggan yang berpotensi menurunkan pendapatan dan loyalitas. Penelitian ini bertujuan membangun dan membandingkan model prediksi churn menggunakan Regresi Logistik dan Extreme Gradient Boosting (XGBoost), mengidentifikasi tingkat risiko churn pelanggan, serta mengembangkan dashboard interaktif berbasis Streamlit sebagai pendukung pengambilan keputusan. Metode yang digunakan adalah klasifikasi biner pada data pelanggan IndiBiz dengan evaluasi menggunakan akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa XGBoost memiliki performa lebih baik dengan akurasi 83%, recall 0,58, dan F1-score yang lebih tinggi dibandingkan Regresi Logistik (akurasi 81% dan recall 0,56). Namun, nilai precision yang sangat tinggi dan recall yang relatif rendah pada kedua model mengindikasikan kecenderungan model yang konservatif serta kemungkinan ketidakseimbangan kelas, sehingga masih terdapat pelanggan churn yang tidak terdeteksi. Model XGBoost mengelompokkan pelanggan ke dalam kategori risiko churn tinggi (14.255 pelanggan), sedang (3.418 pelanggan), dan rendah (889 pelanggan). Interpretasi menggunakan SHAP menunjukkan bahwa Lama_Berlangganan_Bulan, PAKET_DIGI, dan STO merupakan faktor utama yang memengaruhi churn. Implementasi model dalam dashboard berbasis Streamlit memungkinkan eksplorasi data dan prediksi secara interaktif. Penelitian ini berkontribusi dalam mendukung strategi retensi pelanggan berbasis data, meskipun masih diperlukan pengembangan lebih lanjut untuk meningkatkan kemampuan deteksi churn.]]>
Copyrights © 2026
