Ketidakseimbangan kelas pada dataset telekomunikasi dapat memicu tingginya angka false negative dalam prediksi customer churn. Pendekatan SMOTE-NC mampu mengatasi masalah tersebut, namun berisiko mendistorsi interpretasi pada model black-box seperti XGBoost. Penelitian ini bertujuan mengevaluasi efektivitas SMOTE-NC dalam meningkatkan deteksi kelas minoritas, sekaligus mengukur stabilitas interpretasi Explainable AI (XAI) pada XGBoost yang dioptimasi dengan Optuna melalui evaluasi multi-seed dan skenario kontrol (ablation study). Ekstraksi fitur dievaluasi dengan TreeSHAP, sementara stabilitas kuantitatif diukur melalui Jaccard Index dan Spearman Rank Correlation pada variasi ambang batas k = 5, 10, 15. Hasil empiris menunjukkan SMOTE-NC secara konsisten meningkatkan kepekaan deteksi (Recall) sebesar +8.55%, dengan kompromi penurunan akurasi global sebesar -2.38%. Analisis XAI mengonfirmasi bahwa kendati terjadi distorsi interpretasi pada representasi fitur kategorikal, komposisi fitur utama (k=10) secara umum berhasil dipertahankan secara konsisten (rerata Jaccard Index 0.7939 ± 0.1233) dengan korelasi hierarki yang sangat kuat (Spearman Correlation 0.8526). Pengujian kontrol membuktikan bahwa optimasi hyperparameter Optuna berfungsi memitigasi degradasi stabilitas eksplanasi yang dipicu oleh SMOTE-NC. Penelitian ini menyimpulkan bahwa kompromi performa akibat interpolasi data sintetis layak secara operasional untuk strategi retensi pelanggan, dengan prioritas intervensi bisnis pada fitur jenis kontrak, masa berlangganan, dan metode pembayaran.
Copyrights © 2026