PENERAPAN ALGORITMA GRID SEARCH UNTUK MEMPREDIKSI CUSTOMER CHURN PADA BANK MENGGUNAKAN PERBANDINGAN OPTIMASI DECISION TREE DAN RANDOM FOREST

Abstract

Industri perbankan saat ini beroperasi dalam ekosistem yang sangat kompetitif, sehingga retensi nasabah menjadi sama pentingnya dengan akuisisi baru. Biaya memperoleh nasabah baru umumnya lebih tinggi dibandingkan mempertahankan nasabah yang ada, sehingga kemampuan mendeteksi potensi customer churn menjadi kebutuhan strategis. Perilaku churn dipengaruhi oleh berbagai faktor seperti demografi, aktivitas rekening, jumlah produk, dan status keaktifan nasabah. Pola kompleks tersebut sulit ditangkap dengan analisis sederhana, sehingga pendekatan machine learning lebih sesuai. Permasalahan utama penelitian ini adalah bagaimana mengidentifikasi nasabah berisiko churn menggunakan data demografi dan perilaku rekening, serta sejauh mana optimasi hyperparameter pada model Decision Tree dan Random Forest dapat meningkatkan performa deteksi, khususnya pada kelas minoritas. Penelitian ini bertujuan untuk membandingkan efektivitas kedua model setelah dilakukan optimasi menggunakan algoritma Grid Search, dengan fokus pada metrik akurasi, recall, f1-score, ROC-AUC, dan PR-AUC. Metode penelitian menggunakan dataset publik berisi 10.000 entri dengan fitur terstruktur, melalui tahapan pra-pemrosesan berupa encoding, normalisasi, analisis korelasi, dan pembagian data pada skenario 70:30 dan 80:20. Hasil pengujian menunjukkan bahwa optimasi hyperparameter meningkatkan kualitas klasifikasi. Decision Tree mencapai akurasi 0.86 namun terbatas dalam mendeteksi nasabah berisiko tinggi, sedangkan Random Forest tampil lebih unggul dengan ROC-AUC 0.838 dan PR-AUC 0.650. Secara keseluruhan, Grid Search terbukti memperbaiki performa model, dan Random Forest direkomendasikan sebagai pilihan utama untuk sistem deteksi customer churn di perbankan