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
- Ardafa Ihromi, Yuda Syahidin, Erix Gunawan, Neneng Yuniarty, E-Mortality using Agile Scrum Method to Improve Information Services Effectiveness , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 22 No. 3 (2023)
- Susandri Susandri, Ahmad Zamsuri, Nurliana Nasution, Yoyon Efendi, Hiba Basim Alwan, The Mitigating Overfitting in Sentiment Analysis Insights from CNN-LSTM Hybrid Models , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 24 No. 2 (2025)
- Desi Vinsensia, Siskawati Amri, Jonhariono Sihotang, Hengki Tamando Sihotang, New Method for Identification and Response to Infectious Disease Patterns Based on Comprehensive Health Service Data , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 23 No. 3 (2024)
- Ni Wayan Sumartini Saraswati, Ni Made Lisma Martarini, Extract Transform Loading Data Absensi STMIK STIKOM Indonesia Menggunakan Pentaho , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 19 No. 2 (2020)
- Mohammad Diqi, Ema Utami, Kusrini Kusrini, Ferry Wahyu Wibowo, Leveraging Vector Quantized Variational Autoencoder for Accurate Synthetic Data Generation in Multivariate Time Series , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 24 No. 3 (2025)
- Meidyan Permata Putri, Bobby Bobby, Sistem Informasi Manajemen Proyek PT. Samudera Perkasa Konstruksi Berbasis Web , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 20 No. 1 (2020)
- Arief Hermawan, Adityo Permana Wibowo, Akmal Setiawan Wijaya, The Improvement of Artificial Neural Network Accuracy Using Principle Component Analysis Approach , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 22 No. 1 (2022)
- Dadang Priyanto, Raisul Azhar, SISTEM APLIKASI UNTUK KEAMANAN DATA DENGAN ALGORITMA 'DES' (Data Encryption Standard) , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 16 No. 1 (2016)
- Fitra Ahya Mubarok, Mohammad Reza Faisal, Dwi Kartini, Dodon Turianto Nugrahadi, Triando Hamonangan Saragih, Gender Classification of Twitter Users Using Convolutional Neural Network , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 23 No. 1 (2023)
- Abd Mizwar A Rahim, Andi Sunyoto, Muhammad Rudyanto Arief, Stroke Prediction Using Machine Learning Method with Extreme Gradient Boosting Algorithm , MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer: Vol. 21 No. 3 (2022)
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)
