PERBANDINGAN KINERJA MODEL XGBOOST, LIGHTGBM DAN CATBOOST DALAM PREDIKSI CUSTOMERS CHURN INDUSTRI PERBANKAN

Rivaldo , - (2025) PERBANDINGAN KINERJA MODEL XGBOOST, LIGHTGBM DAN CATBOOST DALAM PREDIKSI CUSTOMERS CHURN INDUSTRI PERBANKAN. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG .

Preview	File PDF 1. ABSTRAK - ABSTRACT - RIVALDO.pdf Download (202Kb) | Preview
	File PDF 2. SKRIPSI FULL - RIVALDO.pdf Restricted to Hanya staf Download (2137Kb) | Minta salinan
Preview	File PDF 3. SKRIPSI TANPA BAB PEMBAHASAN - RIVALDO.pdf Download (1160Kb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Customer churn adalah kondisi ketika pelanggan berhenti menggunakan layanan suatu perusahaan, dan dalam industri perbankan hal ini dapat berdampak signifikan terhadap pendapatan dan citra lembaga. Mengidentifikasi pelanggan yang berpotensi churn menjadi penting agar bank dapat menyusun strategi retensi yang lebih tepat sasaran. Penelitian ini membandingkan kinerja tiga algoritma machine learning berbasis gradient boosting, yaitu XGBoost, LightGBM, dan CatBoost, dalam memprediksi customer churn menggunakan dataset pelanggan kartu kredit. Proses mencakup penyeimbangan data dengan ADASYN, tuning hyperparameter, dan validasi menggunakan Stratified K-Fold Cross Validation. Evaluasi dilakukan berdasarkan akurasi, precision, recall, dan F1-score pada dua skema pembagian data. Hasil menunjukkan bahwa XGBoost menghasilkan akurasi tertinggi, yakni 98,3% pada skema pertama dan 96,4% pada skema kedua, diikuti oleh LightGBM (98,1% dan 95,3%) serta CatBoost (97,1% dan 96,4%). Hal ini menunjukkan bahwa XGBoost lebih unggul dalam menangani data churn perbankan dibanding dua model lainnya. Model XGBoost direkomendasikan sebagai model yang paling optimal untuk diterapkan pada kasus serupa di sektor perbankan. Kata Kunci: Customer Churn, XGBoost, LightGBM, CatBoost, Machine Learning. Customer churn refers to the condition where customers stop using a company's services, which can significantly impact revenue and institutional reputation in the banking industry. Identifying customers who are likely to churn is crucial for banks to develop more targeted retention strategies. This study compares the performance of three gradient boosting-based machine learning algorithms XGBoost, LightGBM, and CatBoost in predicting customer churn using a credit card customer dataset. The process includes data balancing with ADASYN, hyperparameter tuning, and validation using Stratified K-Fold Cross Validation. Evaluation is based on accuracy, precision, recall, and F1-score using two data splitting schemes. The results show that XGBoost achieved the highest accuracy, namely 98.3% in the first scheme and 96.4% in the second, followed by LightGBM (98.1% and 95.3%) and CatBoost (97.1% and 96.4%). These results indicate that while XGBoost performs well in handling banking churn data, XGBoost is the most optimal model to be applied in similar use cases in the banking sector. Keywords: Customer Churn, XGBoost, LightGBM, CatBoost, Machine Learning.

Jenis Karya Akhir:	Skripsi
Subyek:	000 Ilmu komputer, informasi dan pekerjaan umum 000 Ilmu komputer, informasi dan pekerjaan umum > 004 Pemrosesan data dan ilmu komputer
Program Studi:	FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) > Prodi S1 Ilmu Komputer
Pengguna Deposit:	UPT . Ery Elyasari
Date Deposited:	29 Oct 2025 08:24
Terakhir diubah:	29 Oct 2025 08:25
URI:	http://digilib.unila.ac.id/id/eprint/92333

Actions (login required)

Lihat Karya Akhir