Industri layanan telekomunikasi saat ini menghadapi persaingan yang semakin intens akibat transformasi digital, sehingga strategi mencegah customer churn menjadi lebih penting dibanding menarik calon pelanggan baru demi menjaga kelangsungan bisnis. Salah satu tools yang dapat digunakan untuk memprediksi customer churn adalah model machine learning. Namun, pada dataset dengan tingkat kompleksitas yang tinggi, Curse of Dimensionality dapat menjadi permasalahan karena dapat menghambat akurasi model. Dalam penelitian ini, peneliti mengimplementasikan optimasi model machine learning berupa seleksi fitur dengan Firefly Algorithm (FA) untuk mengurangi kompleksitas data sehingga akurasi dalam memprediksi customer churn meningkat. Dataset yang digunakan berjumlah dua dan diambil dari Kaggle. Model machine learning diimplementasikan melalui data preprocessing, feature selection, model training menggunakan classifier Logistic Regression, Decision Tree, serta Extreme Gradient Boosting, lalu evaluasi hasil peningkatan performa. Hasil penelitian menunjukkan bahwa FA mampu meningkatkan akurasi ketiga model yang diuji, dengan peningkatan accuracy terbesar di 13,40% dan 19,37% pada Decision Tree. Selain itu, Extreme Gradient Boosting menunjukkan performa terbaik dengan nilai akurasi 82,89% dan 74.33%. Hasil yang telah didapat membuktikan bahwa FA mampu meningkatkan performa machine learning untuk prediksi customer churn dan mampu menyaingi pendekatan tanpa seleksi fitur maupun pendekatan seleksi fitur dengan metode yang lain.
Kata kunci: Customer Churn;Feature Selection;Firefly Algorithm;Machine Learning