<![CDATA[Transformasi digital pada sektor jasa seperti telekomunikasi, perbankan, dan perdagangan elektronik menuntut sistem informasi yang mampu mengidentifikasi pelanggan berisiko churn secara akurat dan tepat waktu. Penelitian ini mengusulkan model deep learning Attention-Gated Residual Deep Neural Network (AGR-DNN) untuk prediksi customer churn, dengan hyperparameter yang dioptimasi menggunakan Optuna berbasis Tree-structured Parzen Estimator. Model diuji pada tiga dataset sekunder publik dari domain berbeda, yaitu Telco Customer Churn, Bank Customer Churn, dan E-Commerce Customer Churn, untuk memperkuat generalisasi temuan dan memperkaya kajian state of the art. Studi ablasi dilakukan dengan menghilangkan komponen attention gate, koneksi residual, teknik SMOTE, dan optimasi Optuna secara bergantian pada ketiga dataset. Hasil pengujian menunjukkan model AGR-DNN penuh mencapai rata-rata F1-score 0,717, AUC 0,900, dan recall 0,824, mengungguli baseline Random Forest dan Logistic Regression terutama pada recall yang krusial bagi strategi retensi pelanggan. SMOTE terbukti sebagai komponen dengan kontribusi konsisten terbesar terhadap kenaikan recall pada ketiga dataset (4,9-30,6 poin persentase), sementara optimasi Optuna meningkatkan F1-score hingga 3,7 poin persentase dibandingkan hyperparameter default. Penelitian ini berkontribusi pada pengembangan sistem informasi prediktif berbasis data yang mendukung transformasi digital pada organisasi jasa..]]>
Copyrights © 2026
