Prediksi Churn Nasabah Bank Menggunakan Klasifikasi Random Forest Dan Decision Tree Dengan Evaluasi Confusion Matrix

Abstract

Dalam lanskap perbankan yang terus berkembang, customer churn menjadi tantangan yang signifikan, yang berdampak pada pendapatan dan reputasi. Penelitian ini mengeksplorasi efektivitas pengklasifikasi Random Forest dan Decision Tree dalam memprediksi churn bank. Memanfaatkan dataset yang bersumber dari Kaggle, yang berisi informasi mengenai 10.000 nasabah bank, penelitian ini menggunakan teknik preprocessing dan pemilihan fitur untuk menyaring data. Selanjutnya, dataset tersebut dibagi menjadi set pelatihan dan pengujian untuk evaluasi model. Model Random Forest dan Decision Tree dilatih dan dievaluasi menggunakan analisis Confusion matrix. Hasilnya menunjukkan bahwa Random Forest mengungguli Decision Tree, mencapai rata-rata precision yang lebih tinggi (79% vs 72%), recall (78% vs 72%), F1-score (78% vs 72%), dan accuracy (78% vs 72%). Penelitian ini menyoroti keampuhan Random Forest dalam memprediksi churn nasabah secara akurat, sehingga memberikan wawasan yang berharga bagi bank dalam menerapkan strategi retensi nasabah yang efektif. Penelitian ini berkontribusi dalam memajukan analisis prediktif di sektor perbankan, memberdayakan institusi untuk mengurangi churn dan meningkatkan kepuasan pelanggan.