Penerapan XGBoost untuk Prediksi Status Pelanggan di PT. XYZ dan Pencegahan Churn Berdasarkan Riwayat Interaksi Customer Service
DOI:
https://doi.org/10.33795/jip.v12i4.9921Keywords:
Customer Churn, Prediction, XGBoost, SMOTE, Machine Learning, Sentiment AnalysisAbstract
Berlangganan saat ini merupakan salah satu bisnis ekonomi digital yang bergerak di berbagai sektor industri seperti layanan telekomunikasi. Perubahan ini mempengaruhi industri untuk memprediksi dan mencegah pelanggan berhenti berlangganan (churn), ini dipengaruhi oleh biaya untuk akuisisi pelanggan baru mencapai 5 hingga 25 kali lebih tinggi daripada retensi. Tujuan utama dari penelitian ini yaitu mengimplementasikan algoritma eXtreme Gradient Boosting (XGBoost) dengan fokus pada penanganan ketidakseimbangan data melalui teknik Synthetic Minority Oversampling Technique (SMOTE) sebagai solusi otomatisasi deteksi pelanggan churn menggunakan hasil percakapan dari pelanggan dengan customer service. Fitur yang di gunakan dalam model ini mencakup skor sentiment, kendala jaringan, permasalahan penagihan. Data latih sebanyak 11.388 entri di seimbangkan menggunakan SMOTE untuk memastikan representasi yang adil antara kelas pelanggan setia dan pelanggan yang churn. Pengujian dilakukan dengan menerapkan ambang batas probabilitas (threshold) sebesar 0,4 untuk meningkatkan sensitivitas deteksi. Hasil menunjukkan bahwa model mencapai akurasi sebesar 0.89, dengan tingkat Precision sebesar 0.98 dan Recall sebesar 0.90. Nilai ROC AUC sebesar 0.893 mengonfirmasi kemampuan model dalam membedakan karakteristik pelanggan secara efektif. Penelitian ini menyimpulkan bahwa kombinasi XGBoost dan SMOTE mampu memberikan prediksi yang andal untuk membantu Perusahaan mengambil langkas preventif dalam menjaga loyalitas pelanggan.
Downloads
References
Adji Purnama, M., Ramadhani, J., Safitra Anugraha, Y., Efrizoni, L., & Sains Dan Teknologi Indonesia, U. (2024). Perbandingan Performa Algoritma Random Forest Dan Gradient Boosting Dalam Mengklasifikasi Churn Telco Comparison Of Performance Of Random Forest And Gradient Boosting Algorithm In Classifying Telco Churn. In Agustus (Vol. 23, Number 3).
Agiwal, R. (2025). Comparative Analysis of Machine Learning Algorithms for Customer Churn Prediction. In International Journal of Scientific Research & Engineering Trends (Vol. 11, Number 2).
Andespa, R., Sadik, K., Suhaeni, C., & Soleh, A. M. (2025). Evaluating Random Forest and XGBOOST for Bank Customer Churn Prediction on Imbalanced Data Using SMOTE And SMOTE-ENN. MEDIA STATISTIKA, 18(1), 25–36. https://doi.org/10.14710/medstat.18.1.25-36
Aryanti, R., Misriati, T., & Sagiyanto, A. (2023). Analisis Sentimen Aplikasi Primaku Menggunakan Algoritma Random Forest dan SMOTE untuk Mengatasi Ketidakseimbangan Data. Journal of Computer System and Informatics (JoSYC), 5(1), 218–227. https://doi.org/10.47065/josyc.v5i1.4562
De Alwis, S., & Ekanayake, I. (2025). Explainability, risk modeling, and segmentation based customer churn analytics for personalized retention in e-commerce. http://arxiv.org/abs/2510.11604
Dr. Lukman Patel. (2025). AI-ENABLED Customer Acquisition and Retention in Entrepreneurial Ventures. In JETIR2503985 Journal of Emerging Technologies and Innovative Research (Vol. 12). www.jetir.org
Imani, M., Beikmohammadi, A., & Arabnia, H. R. (2025). Comprehensive Analysis of Random Forest and XGBoost Performance with SMOTE, ADASYN, and GNUS Under Varying Imbalance Levels. Technologies, 13(3). https://doi.org/10.3390/technologies13030088
Imani, M., Joudaki, M., Beikmohammadi, A., & Arabnia, H. R. (2025). Customer Churn Prediction: A Systematic Review of Recent Advances, Trends, and Challenges in Machine Learning and Deep Learning. In Machine Learning and Knowledge Extraction (Vol. 7, Number 3). Multidisciplinary Digital Publishing Institute (MDPI). https://doi.org/10.3390/make7030105
Masruriyah, A. F. N., Novita, H. Y., Sukmawati, C. E., Arif, S. N. N., & Ramadhan, A. R. (2023). Evaluasi Algoritma Pembelajaran Terbimbing terhadap Dataset Penyakit Jantung yang telah Dilakukan Oversampling. Journal MIND Journal | ISSN, 8(2), 242–253. https://doi.org/10.26760/mindjournal.v8i2.242-253
Maulana, B. A., & Hidayati, N. (2025). Churn Prediction in Credit Customers Using Random Forest and XGBoost Methods. Indonesian Journal of Data and Science, 6(1), 82–90. https://doi.org/10.56705/ijodas.v6i1.215
Mazdadi, M. I., Saragih, T. H., Budiman, I., & Anshory, M. N. (2026). JIP (Jurnal Informatika Polinema) Peningkatan Akurasi Model Boosting Pada Prediksi Kesehatan Tidur Menggunakan Optuna. 12. https://www.kaggle.com/datasets/uom190346a/sleep
Ramadhan, B., Firdaus, D., & Rafi, A. R. (2023). MIND (Multimedia Artificial Intelligent Networking Database Teknik SMOTE Sebagai Solusi Imbalance Class dalam Model Deteksi Intrusi DDoS dengan Metode PCA-Random Forest. Journal MIND Journal | ISSN, 8(1), 52–64. https://doi.org/10.26760/mindjournal.v8i1.52-64
Said, H., Matondang, N., Nurramdhani Irmanda, H., & Informasi, S. (2022). Penerapan Algoritma K-Nearest Neighbor Untuk Memprediksi Kualitas Air Yang Dapat Dikonsumsi Application of K-Nearest Neighbor Algorithm to Predict Consumable Water Quality (Vol. 21, Number 2). www.kaggle.com
Seymen, O. F., Olmez, E., Dogan, O., Er, O., & Hiziroglu, A. (2023). Customer Churn Prediction Using Ordinary Artificial Neural Network and Convolutional Neural Network Algorithms: A Comparative Performance Assessment. Gazi University Journal of Science, 36(2), 720–733. https://doi.org/10.35378/gujs.992738
Sidiq, M. M., & Anggraini, D. (2023). Analysis And Classification of Customer Churn Using Machine Learning Models. Jurnal RESTI, 7(6), 1253–1259. https://doi.org/10.29207/resti.v7i6.4933
Wakhidah, L. N., Khanif Zyen, A., & Wahono, B. B. (2025). Evaluation of Telecommunication Customer Churn Classification with SMOTE Using Random Forest and XGBoost Algorithms. In Journal of Applied Informatics and Computing (JAIC) (Vol. 9, Number 1). http://jurnal.polibatam.ac.id/index.php/JAIC
