PREDIKSI CUSTOMER CHURN PADA INDUSTRI TELEKOMUNIKASI UNTUK MENDUKUNG STRATEGI RETENSI PELANGGAN MENGGUNAKAN ALGORITMA XGBOOST

Abstract

Industri telekomunikasi menghadapi tantangan besar terkait customer churn, di mana biaya akuisisi pelanggan baru jauh lebih tinggi dibandingkan biaya mempertahankan pelanggan yang sudah ada. Penelitian ini bertujuan untuk membangun model prediksi customer churn yang optimal menggunakan algoritma XGBoost untuk mendukung strategi retensi pelanggan. Metodologi yang digunakan adalah Cross-Industry Standard Process for Data Mining (CRISP-DM) dengan memanfaatkan dataset sekunder dari Kaggle yang mencakup 7.043 data pelanggan. Tantangan ketidakseimbangan data diatasi dengan teknik Synthetic Minority Over sampling Technique (SMOTE) pada data latih untuk meningkatkan kemampuan deteksi kelas minoritas. Hasil evaluasi menggunakan Stratified 5-Fold Cross Validation menunjukkan performa model yang sangat handal dengan tingkat akurasi mencapai 87,4% dan nilai recall sebesar 82,1%. Model ini kemudian diimplementasikan ke dalam sistem informasi berbasis web menggunakan framework FastAPI dan Neon Database. Sistem ini mampu melakukan klasifikasi tingkat risiko pelanggan (Low, Medium, High) secara real-time serta mengintegrasikan teknologi Generative AI (Gemini API) untuk memberikan rekomendasi strategi retensi yang dipersonalisasi dan komunikatif bagi agen layanan pelanggan .