<![CDATA[Prediksi customer churn yang akurat sangat penting untuk efisiensi strategi retensi di industri telekomunikasi. Meski penelitian terdahulu mencapai benchmark F1-Score 0,637895 melalui kombinasi K-Means Clustering dan CatBoost, pendekatan pipeline ganda tersebut membebani komputasi secara signifikan. Penelitian ini mengusulkan model klasifikasi tunggal CatBoost yang lebih ringan (lightweight) pada dataset IBM Telco Customer Churn. Tiga optimasi sistematis diterapkan: Advanced Feature Engineering untuk mengekstraksi profil finansial dan risiko, hyperparameter tuning via Optuna untuk mengatasi imbalanced data, dan Threshold Optimization. Evaluasi menggunakan 10-Fold Stratified Cross-Validation menunjukkan peningkatan F1-Score yang progresif: dari baseline 0,6280 menjadi 0,6308 (rekayasa fitur), 0,6359 (Optuna), hingga berakhir di 0,637872 pada ambang batas probabilitas 0,51. Meski terdapat selisih yang sangat kecil sebesar 0,000023 dari benchmark, model usulan ini berhasil mereplikasi 99,996% daya prediktif referensi tanpa intervensi komputasi clustering yang berat. Hasil ini menawarkan alternatif model prediktif yang jauh lebih efisien secara komputasi dan tangkas untuk implementasi real-time.]]>
Copyrights © 2026
