PREDIKSI CHURN PELANGGAN UMKM DIGITAL MENGGUNAKAN ENSEMBLE LEARNING

Abstract

Abstrak. Churn pelanggan merupakan salah satu tantangan utama yang dihadapi UMKM digital karena dapat menurunkan pendapatan dan meningkatkan biaya akuisisi pelanggan baru. Kemampuan mengidentifikasi pelanggan yang berpotensi berhenti menggunakan layanan menjadi faktor penting dalam penyusunan strategi retensi yang efektif. Penelitian ini bertujuan membangun model prediksi churn pelanggan yang akurat dan interpretable menggunakan pendekatan machine learning pada dataset Telco Customer Churn yang terdiri atas 7.043 pelanggan. Permasalahan utama yang dihadapi meliputi ketidakseimbangan distribusi kelas serta kompleksitas faktor yang memengaruhi keputusan pelanggan untuk berhenti berlangganan. Metode penelitian mencakup tahap preprocessing data, feature engineering berbasis Recency-Frequency-Monetary (RFM), penanganan data tidak seimbang menggunakan SMOTE dan ADASYN, pemodelan menggunakan Random Forest, XGBoost, LightGBM, Stacking Ensemble, serta optimasi hyperparameter berbasis Bayesian Optimization. Evaluasi model dilakukan menggunakan metrik AUC-ROC, F1-Score, Precision, dan Recall, sedangkan interpretasi model dilakukan menggunakan SHAP (SHapley Additive exPlanations). Hasil penelitian menunjukkan bahwa XGBoost menjadi model terbaik dengan nilai AUC-ROC sebesar 0,8308 dan F1-Score sebesar 0,5894. Optimasi threshold pada nilai 0,36 berhasil meningkatkan F1-Score menjadi 0,6223 dan Recall menjadi 0,7380, sehingga kemampuan model dalam mendeteksi pelanggan churn meningkat secara signifikan. Analisis SHAP mengidentifikasi Contract, MonthlyCharges, dan is_month_to_month sebagai faktor yang paling berpengaruh terhadap churn pelanggan. Selain itu, segmentasi risiko berhasil mengidentifikasi 226 pelanggan berisiko tinggi dengan tingkat churn aktual sebesar 68,6%. Temuan ini menunjukkan bahwa kombinasi feature engineering, ensemble learning, threshold optimization, dan explainable artificial intelligence mampu menghasilkan sistem prediksi churn yang akurat serta mendukung pengambilan keputusan retensi pelanggan berbasis data pada UMKM digital.