Evaluasi Performansi Model LightGBM dalam Prediksi Customer Churn Data Perbankan

Abstract

Klasifikasi merupakan metode machine learning yang bertujuan untuk mengelompokkan data ke dalam kelas tertentu berdasarkan karakteristik yang dimiliki. Customer churn adalah salah satu penerapan klasifikasi dengan kelas biner diantaranya kelompok churn dan non-churn. Customer churn merupakan masalah kritis bagi perusahaan, karena customer churn langsung memengaruhi pendapatan dan keberlanjutan bisnis. Oleh karena itu, diperlukan model prediksi yang akurat untuk mengidentifikasi pelanggan yang kemungkinan akan berhenti. Studi ini bertujuan untuk mengevaluasi kinerja algoritma Light Gradient Boosting Machine (LightGBM) dalam memprediksi customer churn. Dataset yang digunakan terdiri dari 10.000 pelanggan dengan dua kelas, yakni pelanggan yang berhenti dan pelanggan yang tidak berhenti berlangganan, yang menunjukkan karakteristik ketidakseimbangan kelas. Metodologi penelitian mencakup deskripsi data, pra-pemrosesan data, pembagian data menjadi beberapa skema proporsi, penanganan data yang tidak seimbang menggunakan pendekatan pembobotan kelas, pelatihan model LightGBM, dan evaluasi kinerja model. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, F1-score, dan Area Under the Curve (ROC-AUC). Hasil penelitian menunjukkan bahwa model LightGBM mencapai kinerja yang kuat dalam memprediksi pelanggan yang akan berhenti, sebagaimana tercermin dari nilai ROC-AUC yang tinggi dan recall yang relatif tinggi untuk kelas customer churn. Pembagian dari 4 skema data yang dievaluasi adalah skema 70:30 karena menghasilkan kinerja yang paling optimal dan stabil. Berdasarkan hasil evaluasi, dapat disimpulkan bahwa LightGBM merupakan algoritma yang efektif untuk prediksi customer churn, khususnya untuk dataset yang tidak seimbang. Model ini menunjukkan kemampuan yang kuat untuk mengidentifikasi customer churn, yang dapat mendukung perusahaan dalam strategi untuk meningkatkan retensi pelanggan.

Kata kunci: customer churn, LightGBM, prediksi, klasifikasi, biner