Perbandingan Kinerja CatBoost LightGBM dan XGBoost dengan Teknik SMOTE dan Bayesian Optimization untuk Prediksi Customer Churm pada Platform E-commerce

Abstract

Churn pelanggan merupakan masalah kritis bagi bisnis e-commerce yang mengakibatkan hilangnya pendapatan dan meningkatnya biaya akuisisi. Ketidakseimbangan kelas pada dataset sering kali menurunkan performa model machine learning dalam memprediksi churn secara akurat. Penelitian ini bertujuan untuk membandingkan kinerja algoritma XGBoost, LightGBM, dan CatBoost dalam memprediksi customer churn, serta mengevaluasi pengaruh teknik penanganan ketidakseimbangan data menggunakan SMOTENC dan optimasi hyperparameter dengan Bayesian Optimization. Empat skenario eksperimen dirancang untuk mengisolasi pengaruh kedua teknik tersebut. Model dievaluasi menggunakan metrik Accuracy, Precision, Recall, F1-Score, dan AUC-ROC pada dataset E-commerce Customer Churn. Hasil eksperimen menunjukkan bahwa LightGBM secara konsisten mengungguli algoritma lainnya. Implementasi kombinasi SMOTENC dan Bayesian Optimization pada LightGBM menghasilkan performa terbaik dengan nilai Accuracy 0.9633, F1-Score 0.9635, dan AUC-ROC 0.9926. Selain itu, analisis feature importance mengungkapkan bahwa Tenure, Complain, dan CashbackAmount merupakan prediktor paling dominan. Penelitian ini berhasil menyediakan model prediktif yang sangat akurat serta memberikan wawasan strategis bagi manajemen e-commerce untuk merancang intervensi retensi pelanggan yang lebih tepat sasaran dan efisien.