Perbandingan Metode Klasifikasi Data Mining untuk Nasabah Bank Telemarketing
DOI:
https://doi.org/10.30812/matrik.v20i1.826Keywords:
Bank telemarketing, Klasifikasi, CART, Naive bayes, Data MiningAbstract
Bank merupakan perusahaan yang memiliki data yang besar yang tersimpan di dalam database dan diolah menghasilkan sebuah informasi yang saling berkaitan tentang nasabah. Bank, harus memiliki ide dan terobosan baru guna mengetahui kendala pada nasabah telemarketing yang ingin melakukan deposito pada Bank tersebut, agar Bank terhindar dari ancaman krisis keuangan. Penelitian ini menguji keberhasilan Bank telemarketing dengan cara melakukan klasifikasi keputusan nasabah dengan menerapkan data mining. Metode yang di gunakan algoritma Classification and Regression Trees (CART) dan naive bayes menggunakan dataset diambil dari University of California Irvine (UCI) Repository Learning. Adapun metode validasi dan evaluasi yang digunakan yaitu 10-cross validation dan confusion matrix. Hasil akurasi pada algoritma CART yaitu 89.51% dengan nilai precision 87%, Recall 89% dan F-Measure 88% dan pada algoritma naive bayes mendapatkan nilai akurasi sebesar 86.88% dengan nilai precision 87%, Recall 86% dan F-Measure 87%. Dari hasil tersebut dapat disimpulkan bahwa algoritma CART lebih baik dalam memprediksi keputusan nasabah telemarketing tepat dalam penawaran deposito.
Downloads
Download data is not yet available.
References
[1] P. R. Patil, P. Revankar, and P. Joshi, “The Application of Data Mining for Direct Marketing,†in Second International Conference on Emerging Trends in Engineering & Technology, 2009, pp. 312–316.
[2] H. A. Elsalamony and A. M. Elsayad, “Bank Direct Marketing Based on Neural Network,†International Journal of Engineering and Advanced Technology, vol. 2, no. 6, pp. 392–400, 2013.
[3] D. T. Larose, Data Mining Methods and Models. New Jersey, Canada: Simultaneously, 2011.
[4] R. Vaidehi, “Predictive Modelling to Improve Successs Rate of Bank Direct Marketing Campaign,†International Journal of Management and Bussiness Study, vol. 6, no. 1, pp. 22–24, 2016.
[5] Y. P. Anggodo, W. Cahyaningrum, A. N. Fauziyah, I. L. Khoiriyah, O. Kartikasari, and I. Cholissodin, “Hybrid K-Means dan Particle Swarm Optimization untuk Clustering Nasabah Kredit,†Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 4, no. 2, pp. 104–110, 2017.
[6] V. Vijayakumar and R. Nedunchezhian, “A study on video data mining,†International Journal of Multimedia Information Retrieval, vol. 1, no. 3, pp. 153–172, Oct. 2012.
[7] G. J. Lobo, “Accounting research in banking – A review,†China Journal of Accounting Research, vol. 10, no. 1, pp. 1–7, 2017.
[8] Q. Chi and L. Wenjing, “Economic Policy Uncertainty, Credit Risks and Banks’ Lending Decisions: Evidence from Chinese Commercial Banks,†China Journal of Accounting Research, vol. 10, no. 1, pp. 33–50, 2017.
[9] A. A. Aqham and K. D. Hartomo, “Data Mining untuk Nasabah Bank Telemarketing Menggunakan Kombinasi Algoritm Naïve Bayes Dan Algoritma Genetik,†Jurnal Nasional Informatika dan Teknologi Jaringan, vol. 4, no. 1, pp. 48–56, 2019.
[10] W. Darmawan, “Komparasi Metode Data Mining dalam Memprediksi Nasabah Bank yang akan Memilih Tabungan Deposito Menggunakan Algoitma Klasifikasi,†Jurnal IC-Tech :Majalah Ilmiah, vol. 13, no. 1, pp. 49–55, 2018.
[11] M. F. Amin, “Penerapan Algoritma Cart Untuk Memprediksi Status Kelulusan Mahasiswa,†Jurnal Teknik Informatika dan Sistem Informasi, vol. 5, no. 3, pp. 1215–1222, 2016.
[12] A. D. Herlambang and S. H. Wijoyo, “Algoritma Naïve Bayes untuk Klasifikasi Sumber Belajar Berbasis Teks Pada Mata Pelajaran Produktif di SMK Rumpun Teknologi Informasi Dan Komunikasi,†Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 6, no. 4, pp. 431–436, 2019.
[13] Nuriyah, “Perbandingan Metode Chi-square Automstic Interaction Detection (CHAID) dan Classification and Regression Tree (CART) dalam Menentukan Klasifikasi Alumni UIN Sunan Kalijaga Berdasarkan Masa Studi,†Universitas Islam Negeri Sunan Kalijaga, 2013.
[14] R. Timofeev, Classification and Regression Trees (CART) Theory and Aplications. Berlin: Humboldt University, 2004.
[15] E. Prasetyo, Data Mining Konsep dan Aplikasi Menggunakan Matlab. Yogyakarta: Andi Offset, 2012.
[16] J. Han and M. Kamber, Data Mining: Concepts and Techniques, 2nd ed. San Fransisco: Elsevier Science & Technology, 2006.
[17] S. Moro, P. Cortez, and P. Rita, “A Data-driven Approach to Predict the Success of Bank Telemarketing,†Decision Support Systems, vol. 62, pp. 22–31, Jun. 2014.
[18] F. Gorunescu, Data mining Concepts, Models and Techniques. Verlen Berlin: Springer, 2011.
[2] H. A. Elsalamony and A. M. Elsayad, “Bank Direct Marketing Based on Neural Network,†International Journal of Engineering and Advanced Technology, vol. 2, no. 6, pp. 392–400, 2013.
[3] D. T. Larose, Data Mining Methods and Models. New Jersey, Canada: Simultaneously, 2011.
[4] R. Vaidehi, “Predictive Modelling to Improve Successs Rate of Bank Direct Marketing Campaign,†International Journal of Management and Bussiness Study, vol. 6, no. 1, pp. 22–24, 2016.
[5] Y. P. Anggodo, W. Cahyaningrum, A. N. Fauziyah, I. L. Khoiriyah, O. Kartikasari, and I. Cholissodin, “Hybrid K-Means dan Particle Swarm Optimization untuk Clustering Nasabah Kredit,†Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 4, no. 2, pp. 104–110, 2017.
[6] V. Vijayakumar and R. Nedunchezhian, “A study on video data mining,†International Journal of Multimedia Information Retrieval, vol. 1, no. 3, pp. 153–172, Oct. 2012.
[7] G. J. Lobo, “Accounting research in banking – A review,†China Journal of Accounting Research, vol. 10, no. 1, pp. 1–7, 2017.
[8] Q. Chi and L. Wenjing, “Economic Policy Uncertainty, Credit Risks and Banks’ Lending Decisions: Evidence from Chinese Commercial Banks,†China Journal of Accounting Research, vol. 10, no. 1, pp. 33–50, 2017.
[9] A. A. Aqham and K. D. Hartomo, “Data Mining untuk Nasabah Bank Telemarketing Menggunakan Kombinasi Algoritm Naïve Bayes Dan Algoritma Genetik,†Jurnal Nasional Informatika dan Teknologi Jaringan, vol. 4, no. 1, pp. 48–56, 2019.
[10] W. Darmawan, “Komparasi Metode Data Mining dalam Memprediksi Nasabah Bank yang akan Memilih Tabungan Deposito Menggunakan Algoitma Klasifikasi,†Jurnal IC-Tech :Majalah Ilmiah, vol. 13, no. 1, pp. 49–55, 2018.
[11] M. F. Amin, “Penerapan Algoritma Cart Untuk Memprediksi Status Kelulusan Mahasiswa,†Jurnal Teknik Informatika dan Sistem Informasi, vol. 5, no. 3, pp. 1215–1222, 2016.
[12] A. D. Herlambang and S. H. Wijoyo, “Algoritma Naïve Bayes untuk Klasifikasi Sumber Belajar Berbasis Teks Pada Mata Pelajaran Produktif di SMK Rumpun Teknologi Informasi Dan Komunikasi,†Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 6, no. 4, pp. 431–436, 2019.
[13] Nuriyah, “Perbandingan Metode Chi-square Automstic Interaction Detection (CHAID) dan Classification and Regression Tree (CART) dalam Menentukan Klasifikasi Alumni UIN Sunan Kalijaga Berdasarkan Masa Studi,†Universitas Islam Negeri Sunan Kalijaga, 2013.
[14] R. Timofeev, Classification and Regression Trees (CART) Theory and Aplications. Berlin: Humboldt University, 2004.
[15] E. Prasetyo, Data Mining Konsep dan Aplikasi Menggunakan Matlab. Yogyakarta: Andi Offset, 2012.
[16] J. Han and M. Kamber, Data Mining: Concepts and Techniques, 2nd ed. San Fransisco: Elsevier Science & Technology, 2006.
[17] S. Moro, P. Cortez, and P. Rita, “A Data-driven Approach to Predict the Success of Bank Telemarketing,†Decision Support Systems, vol. 62, pp. 22–31, Jun. 2014.
[18] F. Gorunescu, Data mining Concepts, Models and Techniques. Verlen Berlin: Springer, 2011.
Downloads
Published
2020-09-29
Issue
Section
Articles
How to Cite
[1]
P. Subarkah, E. P. Pambudi, and S. O. N. Hidayah, “Perbandingan Metode Klasifikasi Data Mining untuk Nasabah Bank Telemarketing”, MATRIK, vol. 20, no. 1, pp. 139–148, Sep. 2020, doi: 10.30812/matrik.v20i1.826.
Similar Articles
- Pardomuan Robinson Sihombing, Istiqomatul Fajriyah Yuliati, Penerapan Metode Machine Learning dalam Klasifikasi Risiko Kejadian Berat Badan Lahir Rendah di Indonesia , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 20 No. 2 (2021)
- Christofer Satria, Peter Wijaya Sugijanto, Anthony Anggrawan, I Nyoman Yoga Sumadewa, Aprilia Dwi Dayani, Rini Anggriani, Multi-Algorithm Approach to Enhancing Social Assistance Efficiency Through Accurate Poverty Classification , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 24 No. 1 (2024)
- Annisa Nurul Puteri, Arizal Arizal, Andini Dani Achmad, Feature Selection Correlation-Based pada Prediksi Nasabah Bank Telemarketing untuk Deposito , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 20 No. 2 (2021)
- M. Khairul Anam, Bunga Nanti Pikir, Muhammad Bambang Firdaus, Susi Erlinda, Agustin Agustin, Penerapan Na ̈ıve Bayes Classifier, K-Nearest Neighbor (KNN) dan Decision Tree untuk Menganalisis Sentimen pada Interaksi Netizen dan Pemeritah , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 21 No. 1 (2021)
- Sucipto Sucipto, Didik Dwi Prasetya, Triyanna Widiyaningtyas, Educational Data Mining: Multiple Choice Question Classification in Vocational School , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 23 No. 2 (2024)
- Supangat Supangat, Mohd Zainuri Bin Saringat, Mochamad Yovi Fatchur Rochman, Predicting Handling Covid-19 Opinion using Naive Bayes and TF-IDF for Polarity Detection , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 22 No. 2 (2023)
- Hety Handayani Hidayat, Ardiansyah Ardiansyah, Poppy Arsil, Laras Isna Rahmawati, Pemetaan Kata Kunci dan Polaritas Sentimen Pengguna Twitter Terhadap Kehalalan Produk , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 21 No. 1 (2021)
- Eko Prasetyo, Muhammad Faris Al-Adni, Rahmawati Febrifyaning Tias, Classification of Cash Direct Recipients Using the Naive Bayes with Smoothing , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 23 No. 3 (2024)
- Denny Indrajaya, Adi Setiawan, Bambang Susanto, Comparison of k-Nearest Neighbor and Naive Bayes Methods for SNP Data Classification , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 22 No. 1 (2022)
- Nurdin Nurdin, Erni Susanti, Hafizh Al-Kautsar Aidilof, Dadang Priyanto, Comparison of Naive Bayes and Dempster Shafer Methods in Expert System for Early Diagnosis of COVID-19 , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 22 No. 1 (2022)
1-10 of 244
Next
You may also start an advanced similarity search for this article.
Most read articles by the same author(s)
- Fiby Nur Afiana, Pungkas Subarkah, A. Kholil Hidayat, Analisis Perbandingan Metode TAM dan Metode UTAUT 2 dalam Mengukur Kesuksesan Penerapan SIMRS pada Rumah Sakit Wijaya Kusuma DKT Purwokerto , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 19 No. 1 (2019)
- Pungkas Subarkah, Penerapan Algoritme Klasifikasi Classification And Regression Trees (CART) Untuk Diagnosis Penyakit Diabetes Retinopathy , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 19 No. 2 (2020)
- Debby Ummul Hidayah, Pungkas Subarkah, Media Pembelajaran Tentang Klasifikasi Binatang Berbasis Video Animasi 3 Dimensi di SMP Negeri 2 Wangon , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 19 No. 1 (2019)
.png)
