Meningkatnya jumlah perusahaan asuransi memicu persaingan yang ketat, sehingga customer relationship management (CRM) menjadi penting untuk mempertahankan pemegang polis. Tantangan utama dalam CRM adalah customer churn, yaitu ketika nasabah tidak memperpanjang kontraknya, yang dapat mengganggu arus kas dan mengancam profitabilitas. Pada dasarnya, mempertahankan pelanggan lebih hemat biaya dibanding mencari yang baru, sehingga prediksi churn menjadi penting untuk memahami perilaku nasabah dan merancang strategi retensi. Permasalahan ini melibatkan data berskala besar sehingga memerlukan metode yang efisien dan skalabel. Salah satu pendekatan terbaru dan menjanjikan dalam machine learning adalah neural network berbasis attention. Studi ini menerapkan TabNet dan TabTransformer untuk memprediksi churn dan membandingkannya dengan model berbasis pohon keputusan, yaitu Decision Tree, Random Forest, dan XGBoost. Simulasi pada tiga dataset menunjukkan TabNet unggul pada data yang seimbang, dengan sensitivity 0,89, specificity 0,986, dan accuracy 0,938. Sementara itu, TabTransformer lebih baik pada data yang didominasi fitur kategorikal, dengan sensitivity 0,729, specificity 0,996, dan accuracy 0,942. Kedua model menyoroti bahwa usia polis, tahun penerbitan polis, frekuensi klaim, dan besar premi merupakan faktor utama penyebab churn. Pelanggan dengan durasi polis lebih pendek, tahun penerbitan polis tertentu, frekuensi klaim yang sedikit, dan premi yang tinggi cenderung lebih berisiko churn.

---

The increasing number of insurance companies has intensified competition in the insurance market, making customer relationship management (CRM) essential for retaining policyholders. A key CRM challenge is customer churn, where policyholders do not renew their contracts, which disrupts cash flow and threatens profitability. Since retaining existing customers is more cost-efficient than acquiring new ones, churn prediction helps insurers understand customer behavior and inform retention strategies. This problem typically involves large-scale data, requiring efficient and scalable methods. One recent and promising approach in machine learning is at-tention-based neural networks. This study implements TabNet and TabTransformer to predict insurance customer churn and compares them with tree-based models, i.e., Decision Tree, Random Forest, and XGBoost. Simulation on three datasets shows that TabNet performs well on a balanced dataset, achieving a sensitivity of 0.89, specificity of 0.986, and accuracy of 0.938. TabTransformer performs better on datasets dominated by categorical features, reaching a sensitivity of 0.729, specificity of 0.996, and accuracy of 0.942. Both models highlight that policy age, issuance year, claim frequency, and premium amount are key factors of customer churn. Customers with shorter policy durations, certain issuance years, fewer claim frequencies, and higher premiums show a higher churn risk.