IMAN, Whena Tsani Tandhu (2025) Penerapan Gradient Boosting dengan GridSearchCV untuk Prediksi Customer Churn (Studi Kasus: Customer Churn Bank ABC (Arab Banking Corporation)). Undergraduate thesis, UNDIP: Fakultas Sains dan Matematika.

	Text 1. COVER.pdf Download (84kB)
	Text 3. HALAMAN PENGESAHAN I.pdf Download (283kB)
	Text 4. HALAMAN PENGESAHAN II.pdf Download (201kB)
	Text 5. KATA PENGANTAR.pdf Restricted to Repository staff only Download (83kB) | Request a copy
	Text 6. ABSTRAK.pdf Download (35kB)
	Text 7. ABSTRACT.pdf Download (32kB)
	Text 8. DAFTAR ISI.pdf Download (67kB)
	Text 12. BAB I PENDAHULUAN.pdf Download (48kB)

Abstract

ABSTRAK
Customer churn adalah kecenderungan customer untuk meninggalkan perusahaan atau beralihnya customer dari satu perusahaan ke perusahaan yang lainnya. Customer churn yang tinggi harus diklasifikasikan secara akurat untuk membantu perusahaan dalam memprediksi customer yang berpotensi churn. Salah satu pendekatan untuk memprediksi customer churn yaitu pendekatan supervised learning. Supervised learning terdiri dari dua masalah yaitu regresi dan klasifikasi. Metode supervised learning yang digunakan yaitu gradient boosting yang menangani masalah klasifikasi. Gradient boosting menggabungkan model prediksi yang lemah menjadi model yang kuat dengan memperbaiki prediksi sebelumnya. Kinerja model yang dihasilkan dapat ditingkatkan dengan GridSearchCV sebagai hyperparameter tuning. GridSearchCV memilih kombinasi hyperparameter terbaik
dengan menguji setiap kombinasi dan melakukan validasi setiap kombinasi dengan teknik cross-validation. Penelitian menunjukkan bahwa gradient boosting dengan GridSearchCV untuk prediksi customer churn pada Bank ABC (Arab Banking
Corporation), dimana menggunakan stratified k-fold cross-validation dengan k = 5, menghasilkan akurasi sebesar 87% dan AUC sebesar 0,87. Nilai ini menjelaskan bahwa model dapat dengan baik mengklasifikasikan dan memprediksi kelas 1
(churn) dan kelas 0 (tidak churn).
Kata Kunci: Customer Churn, Gradient Boosting, GridSearchCV

Actions (login required)

View Item