Prediksi Customer Churn Berbasis Nilai Pelanggan Menggunakan Explainable Machine Learning Untuk Mendukung Strategi Retensi

Abstract

Customer churn dapat menurunkan pendapatan dan nilai pelanggan pada industri telekomunikasi. Penelitian ini bertujuan mengembangkan model prediksi churn yang akurat dan dapat dijelaskan serta menentukan prioritas retensi berdasarkan risiko dan nilai pelanggan. Iranian Churn Dataset yang digunakan memuat 3.150 pelanggan dan 13 prediktor. Ketidakseimbangan kelas ditangani menggunakan SMOTENC, sedangkan Logistic Regression, Random Forest, dan XGBoost dioptimasi melalui GridSearchCV dengan validasi silang terstratifikasi. XGBoost memberikan performa terbaik dengan ROC-AUC pengujian 0,9912. Pada ambang 0,5444, model menghasilkan akurasi 96,83%, presisi 88,35%, recall 91,92%, dan F1-score 90,10% untuk kelas churn. Analisis SHAP mengidentifikasi frekuensi penggunaan, status, durasi penggunaan, kegagalan panggilan, lama berlangganan, dan keluhan sebagai prediktor utama. Segmentasi risiko dan Customer Value menetapkan 74 pelanggan atau 2,35% sebagai prioritas retensi tertinggi. Hasil ini menunjukkan bahwa interpretabilitas model dapat dihubungkan langsung dengan keputusan retensi pelanggan. Pendekatan ini mendukung alokasi sumber daya retensi secara transparan, terarah, dan efisien