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

Abstract

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. Random Forest dapat membantu memprediksi nasabah yang akan melakukan churn dengan akurasi yang baik. Namun dalam penggunaannya Random Forest mempunyai kekurangan, seperti setiap parameternya hanya diberikan satu nilai sehingga proses pengukuran performanya tidak akan maksimal. Untuk itu diperlukan 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—Perbankan, Churn, AI, Random Forest, Hyperparameter Tuning