Optimasi Algoritma Random Forest dengan Hyperparameter Tuning Menggunakan GridSearchCV untuk Prediksi Nasabah Churn pada Industri Perbankan

Optimization of Random Forest Algorithm with Hyperparameter Tuning Using GridSearchCV for Customer Churn Prediction in Banking Industry

Seiring dengan perkembangan teknologi, banyak industri bank yang saling berkompetisi untuk menarik perhatian seseorang. Namun dengan ketatnya persaingan tersebut, menyebabkan beberapa bank harus kehilangan nasabah mereka. Nasabah yang berpindah layanan ke bank lain disebut nasabah churn. Salah satu solusi yang dapat dilakukan untuk memprediksi keputusan churn seorang nasabah adalah dengan memanfaatkan teknologi AI. Dalam penelitian ini, akan mengembangkan pendekatan prediksi nasabah churn menggunakan algoritma Random Forest. Random Forest dapat membantu memprediksi nasabah yang akan melakukan churn dengan akurasi yang  baik. Namun dalam penggunaannya, Random Forest hanya diberikan satu nilai setiap parameternya sehingga pengukuran performa tidak maksimal. Untuk itu diperlukan proses optimasi dengan Hyperparameter Tuning dengan salah satu metode yang digunakan, yaitu GridSearchCV. Berdasarkan hasil evaluasi model yang memanfaatkan matriks seperti akurasi, recall, presisi, dan F1-Score, didapatkan persentase prediksi yang memuaskan, dengan akurasi mencapai 89.61%, recall sebesar 90.15%, presisi sebesar 88.72%, dan F1-Score sebesar 89.43%. 

Kata Kunci - Churn, Random Forest, Hyperparameter Tuning, GridSearchCV

Along with the development of technology, many bank industries compete with each other to attract people's attention. However, the tight competition has caused some banks to lose their customers. Customers who switch services to other banks are called churn customers. One solution that can be done to predict the churn decision of a customer is to utilize AI technology. In this research, we will develop a customer churn prediction approach using the Random Forest algorithm. Random Forest can help predict customers who will churn with good accuracy. However, in its use, Random Forest is only given one value for each parameter so that the performance measurement is not maximized. For this reason, an optimization process with Hyperparameter Tuning is needed with one of the methods used, namely GridSearchCV. Based on the results of model evaluation that utilizes matrices such as accuracy, recall, precision, and F1-Score, a satisfactory prediction percentage is obtained, with accuracy reaching 89.61%, recall of 90.15%, precision of 88.72%, and F1-Score of 89.43%. 

Keywords - Churn, Random Forest, Hyperparameter Tuning, GridSearchCV