Perpustakaan Digital ITB

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.