Komparasi Algoritma Prediksi Churn Pelanggan Berbasis Machine Learning Pada Aplikasi Billing Admin

Nur Afrianto (Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Duta Bangsa Surakarta)
Aprilisa Arum Sari (Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Duta Bangsa Surakarta)
Margaretha Evi Yuliana (Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Duta Bangsa Surakarta)

Prosiding Seminar Nasional Teknologi Informasi dan Bisnis
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026

Pada perusahaan yang menerapkan model bisnis berbasis langganan, perpindahan pelanggan ke kompetitor menjadi permasalahan penting karena berdampak langsung terhadap stabilitas pendapatan dan keberlangsungan hubungan pelanggan. Penelitian ini bertujuan untuk membandingkan performa algoritma LightGBM dan Decision Tree dalam memprediksi churn pelanggan serta mengimplementasikan model terbaik ke dalam aplikasi Billing Admin. Pelaksanaan penelitian mengacu pada metodologi CRISP-DM yang terdiri atas tahap business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Dataset customer churn yang digunakan terdiri dari 2.800 data pelanggan dan dievaluasi menggunakan metrik Accuracy, Precision, Recall, dan F1-Score. Jika dibandingkan dengan Decision Tree, algoritma LightGBM terbukti menghasilkan performa yang lebih superior. Hal ini ditunjukkan oleh perolehan Accuracy 0,6274, Recall 0,6819, dan F1-Score 0,6770. Model LightGBM kemudian berhasil diintegrasikan ke dalam aplikasi Billing Admin berbasis CodeIgniter 4 menggunakan Flask API untuk melakukan prediksi churn pelanggan secara otomatis. Dengan demikian, model yang dihasilkan mampu membantu perusahaan dalam mengidentifikasi pelanggan yang berpotensi churn dan mendukung pengambilan keputusan dalam strategi retensi pelanggan.