Seiring berkembangnya inovasi dan teknologi, semakin banyak bank yang
didirikan. Banyaknya bank baru yang didirikan mengakibatkan munculnya
persaingan antar bank yang semakin ketat untuk mencari nasabah sebanyakbanyaknya.
Bank yang gagal menerapkan strategi pemasaran untuk menarik
nasabah dapat terancam kehilangan nasabah. Kondisi nasabah yang keluar dari
bank dan tidak menggunakan layanannya lagi disebut churn. Untuk mengatasi
masalah tersebut, bank perlu mencari cara untuk menentukan nasabah yang akan
churn sehingga dapat fokus menerapkan strategi ke nasabah tersebut. Model Tree
Ensemble Learning dapat dipakai untuk memprediksi nasabah bank yang akan
churn berdasarkan data yang ada. Nasabah yang akan churn sering kali memiliki
suatu pola karakteristik yang dapat dilihat pada data nasabah tersebut. Pola ini akan
dianalisis untuk menghasilkan pemodelan yang dapat memprediksi nasabah yang
akan churn. Metode yang dipakai dalam Tugas Akhir ini, yaitu Gradient Boost Tree
(GBT) dan CatBoost. Metode GBT dan CatBoost diterapkan pada data nasabah
yang belum dan telah melalui proses over sampling dan under sampling. Kedua
metode ini diharapkan dapat menghasilkan metrik evaluasi yang baik sehingga
dapat dipakai di masa depan untuk memprediksi nasabah yang akan churn. Kedua
metode ini terbukti menghasilkan metrik evaluasi yang sangat baik. Meskipun
pemodelan dengan CatBoost menghasilkan ROC AUC yang lebih tinggi
dibandingkan pemodelan dengan GBT, tetapi pemodelan dengan GBT
menghasilkan nilai akurasi, presisi, recall, dan F1 yang lebih tinggi.