Peningkatan Akurasi Prediksi Churn Pelanggan Menggunakan SMOTE dan RFE pada Algoritma Random Forest: Studi Komparasi Sektor E-Commerce dan Telekomunikasi
DOI:
https://doi.org/10.52436/1.jpti.1526Keywords:
Churn Pelanggan, Random Forest, SMOTE, Recursive Feature Elimination, KlasifikasiAbstract
Tingkat churn pelanggan menjadi tantangan krusial bagi keberlangsungan bisnis di sektor e-commerce dan telekomunikasi. Pemodelan prediktif untuk masalah ini kerap terkendala oleh tingginya dimensi fitur data dan ketidakseimbangan kelas (class imbalance). Penelitian ini bertujuan untuk mengukur signifikansi peningkatan performa algoritma Random Forest yang dioptimasi menggunakan integrasi Recursive Feature Elimination (RFE) dan Synthetic Minority Over-sampling Technique (SMOTE) melalui studi komparasi lintas sektor. Mengadopsi kerangka kerja Knowledge Discovery in Databases (KDD), eksperimen dieksekusi dalam empat skenario komparatif pada dataset publik. Hasil pengujian menunjukkan bahwa efektivitas optimasi bersifat sangat kontekstual terhadap karakteristik kelas data. Pada sektor E-Commerce dengan rasio ketidakseimbangan rendah (±16,8%), skenario optimasi RFE terbukti paling dominan; metode ini mampu mereduksi 41,4% fitur (dari 29 menjadi 17) sekaligus menaikkan Recall sebesar 4,73 poin persentase dan F1-Score sebesar 1,81 poin persentase dibanding baseline. Sebaliknya, pada sektor Telekomunikasi dengan tingkat ketidakseimbangan lebih tinggi (±26,5%), penerapan SMOTE menjadi komponen determinan yang secara krusial mendongkrak Recall sebesar 11,50 poin persentase untuk mendeteksi pelanggan berisiko. Disimpulkan bahwa strategi optimasi algoritma bergantung pada tingkat ketidakseimbangan data; RFE direkomendasikan sebagai intervensi utama untuk imbalance di bawah 20%, sedangkan SMOTE wajib diprioritaskan untuk kondisi di atas ambang batas tersebut.
Downloads
References
A. Hermawan, A. Saputra, M. D. Rafi, S. Basmallah, Y. T. S. Putra, and W. Nabila,
“Implementing XGBoost model for predicting customer churn in e-commerce platforms,”
Repeater: Publikasi Teknik Informatika dan Jaringan, vol. 3, no. 2, pp. 17–31, Mar. 2025,
doi: 10.62951/repeater.v3i2.401.
D. A. Ardhani and K. D. Tania, “Knowledge discovery on e-commerce customer churn using interpretable machine learning: A comparative study of SHAP-based classifiers,” Journal of Applied Informatics and Computing, vol. 9, no. 5, pp. 2695–2702, Oct. 2025, doi: 10.30871/jaic.v9i5.10811.
H. Y. Tang and S. Ya’acob, “E-commerce customer churn prediction for the marketplace in Malaysia,” Open International Journal of Informatics, vol. 11, no. 2, pp. 58–66, Dec. 2023, doi: 10.11113/oiji2023.11n2.273.
P. Lalwani, M. K. Mishra, J. S. Chadha, and P. Sethi, “Customer churn prediction system: a machine learning approach,” Computing, vol. 104, no. 2, pp. 271–294, 2022, doi: 10.1007/s00607-021-00908-y.
R. P. Gronloh and H. Achmadi, “Prediction model using machine learning: analysis of determinants of customer churn at PT XYZ,” Jurnal Info Sains: Informatika dan Sains, vol. 14, no. 4, pp. 745–758, Dec. 2024. [Online]. Available: https://ejournal.seaninstitute.or.id/index.php/InfoSains/article/view/5906
R. E. Ako, “Effects of data resampling on predicting customer churn via a comparative tree-based random forest and XGBoost,” Journal of Computing Theories and Applications, vol. 2, no. 1, pp. 86–101, Jun. 2024, doi: 10.62411/jcta.10562.
G. Airlangga, “Comparative study of XGBoost, random forest, and logistic regression models for predicting customer interest in vehicle insurance,” Sinkron: Jurnal dan Penelitian Teknik Informatika, vol. 8, no. 4, pp. 2542–2549, Oct. 2024, doi: 10.33395/sinkron.v8i4.14194.
S. H. Marpaung, F. M. Sinaga, K. H. Rambe, F. P. Simamora, and K. Kelvin, “Random forest optimization using recursive feature elimination for stunting classification,” Indonesian Journal of Artificial Intelligence and Data Mining, vol. 8, no. 1, p. 281, Mar. 2025, doi: 10.24014/ijaidm.v8i1.35295.
D. G. C. Putra and A. T. Putra, “Optimizing random forest for predicting thoracic surgery success in lung cancer using recursive feature elimination and GridSearchCV,” Recursive Journal of Informatics, vol. 2, no. 2, pp. 97–105, Sep. 2024, doi: 10.15294/rji.v2i2.73154
R. Andespa, K. Sadik, C. Suhaeni, and A. M. Soleh, “Evaluating random forest and XGBoost for bank customer churn prediction on imbalanced data using SMOTE and SMOTE-ENN,” Media Statistika, vol. 18, no. 1, pp. 25–36, Oct. 2025, doi: 10.14710/medstat.18.1.25-36.
R. Ridwan, E. H. Hermaliani, and M. Ernawati, “Penerapan metode SMOTE untuk mengatasi imbalanced data pada klasifikasi ujaran kebencian,” Comput. Sci., vol. 4, no. 1, pp. 80–88, 2024, [Online]. Available: https://jurnal.bsi.ac.id/index.php/co-science/article/view/2990
M. Ahsani, N. Taqwimi, B. B. Wahono, and H. Mulyo, “Implementation of random forest algorithm with RFE and SMOTE on cardiotocography dataset,” Journal of Dinda Data Science, Information Technology, and Data Analytics, vol. 5, no. 2, pp. 139–146, 2025, [Online]. Available: http://journal.ittelkom-pwt.ac.id/index.php/dinda
J. Shobana and C. G. Gangadhar, “E-commerce customer churn prevention using machine learning-based business intelligence strategy,” Measurement, vol. 270, Jan. 2023, Art. no. 110998. doi: 10.1016/j.measurement.2023.110998.
S. A. Qureshi, A. S. Imran, and M. I. Babar, "A comprehensive framework for customer churn prediction in e-commerce sector using dimensionality reduction," IEEE Access, vol. 11, pp. 91321–91335, 2023, doi: 10.1109/ACCESS.2023.3301234.
T. Ahmad, A. K. Jilani, and W. Hussain, "Evaluating the business value of recall-optimized churn prediction models in the telecom industry," Telecommunication Systems, vol. 85, no. 2, pp. 245–259, Feb. 2024, doi: 10.1007/s11235-023-01045-8.
