Optimasi Hyperparameter XGBoost Menggunakan Particle Swarm dan Grey Wolf Optimization untuk Prediksi Churn: XGBoost Hyperparameter Optimization Using Particle Swarm and Grey Wolf Optimization for Churn Prediction

Customer churn merupakan tantangan kritis bagi industri berbasis langganan karena biaya akuisisi pelanggan baru jauh lebih tinggi dibandingkan biaya mempertahankan pelanggan yang sudah ada. Tujuan penelitian ini adalah membandingkan kinerja algoritma XGBoost dengan dua pendekatan optimasi hyperparameter, yaitu Particle Swarm Optimization (PSO) dan Grey Wolf Optimization (GWO), untuk memprediksi churn pelanggan pada layanan streaming. Dataset sintetis terkontrol sebanyak 10.000 sampel digunakan untuk memastikan perbandingan algoritma yang adil dan bebas dari kendala privasi. Evaluasi dilakukan melalui 10-fold cross-validation menggunakan metrik akurasi, recall, F1-score, dan AUC-ROC, serta dilengkapi dengan uji signifikansi statistik (paired t-test dan Wilcoxon) dan ablation test. Hasil menunjukkan bahwa kedua model yang dioptimalkan meningkatkan akurasi dibandingkan dengan baseline (baseline 96,26%; PSO 96,48%; GWO 96,52%). Uji statistik menunjukkan bahwa peningkatan yang dicapai XGBoost+PSO terhadap baseline bersifat signifikan (p = 0,0159), sedangkan peningkatan XGBoost+GWO belum signifikan (p = 0,0800). Analisis dampak bisnis menunjukkan bahwa penerapan model prediksi menghasilkan net benefit positif yang jauh lebih besar dibandingkan tanpa model. Temuan ini menegaskan bahwa optimasi metaheuristik, khususnya PSO, dapat memberikan peningkatan kinerja yang terukur, sekaligus menyoroti pentingnya validasi statistik dalam klaim superioritas algoritma. Penelitian lanjutan disarankan untuk menggunakan dataset riil guna menggeneralisasi temuan.