Dalam konteks industri telekomunikasi yang semakin jenuh, di mana jumlah pelanggan yang tersedia menjadi terbatas dan biaya akuisisi pelanggan menjadi lebih tinggi daripada retensi pelanggan, perusahaan membutuhkan pemahaman yang mendalam tentang alasan pelanggan berpindah dan strategi efektif untuk manajemen perpindahan pelanggan. Studi ini mengeksplorasi penerapan teknik Recursive Feature Elimination (RFE) dan Synthetic Minority Over-sampling Technique (SMOTE) dalam prediksi churn. Berbagai model machine learning seperti Decision Trees (DT), Random Forests (RF), Gradient Boosting (GB), XGBoost (XGB), LightGBM, dan AdaBoost digunakan dalam penelitian ini. Nilai SHAP (SHapley Additive exPlanations) kemudian diambil untuk mengidentifikasi faktor-faktor yang berkontribusi terhadap churn. Selanjutnya, segmentasi dilakukan berdasarkan nilai SHAP untuk mengelompokkan pelanggan berdasarkan faktor churn mereka. Hasil penelitian menunjukkan bahwa penambahan RFE mampu meningkatkan performa F1-Score dan AUC, menunjukkan efektivitas strategi ini dalam meningkatkan performa prediksi churn. Penelitian ini memberikan wawasan baru tentang bagaimana teknik-teknik machine learning dan analisis SHAP dapat digunakan untuk mengoptimalkan strategi retensi pelanggan dalam industri telekomunikasi.
KATA KUNCI :Prediksi Churn;Data Engineering;Random Forest