Prediksi Minat Klien Pada Produk Deposito Menggunakan Algoritma SVM Parameter Kernel Polynomial
Article Sidebar
Main Article Content
Abstract
Departement Telemarketing Bank dituntut mampu membuat target klien, karena kinerja telemarketing bank dinilai dari target klien yang berminat pada produk bank yang ditawarkan untuk mendukung telemarketing bank meningkatkan keberhasilannya dalam promosi, maka dilakukan prediksi untuk menentukan keputusan klien berminat atau tidak pada produk deposito, akan tetapi kepada nasabah atau klien yang memiliki potensial untuk menerima penawaran dari telemarketing bank, yang dimana dapat meminimalisir kerugian biaya dalam promosi kepada klien. Maka dapat dilakukan penerapan dan pemanfaatan teknik data mining guna memprediksi minat klien menggunakan Support Vector Machine yang merupakan salah satu teknik yang cocok untuk melakukan prediksi. Dengan menerapkan K-Fold Cross Validation untuk mengevaluasi kinerja model atau algoritma dimana data dipisahkan mejadi dua subset data proses pembelajaran dan data validasi. Setelah penelitian selesai dilakukan, maka muncul nilai akurasi dari metode Support Vector Machine K-Fold Cross Validation sebesar 94,91% dengan nilai AUC 0.979 dengan menggunakan 10-fold K Validation. Kemudian dilakukan kembali perhitungan lebih dengan parameter Kernel Polynominal mendapatkan hasil akurasi lebih besar dengan nilai akurasi sebesar 95,18% dengan nilai AUC 0,974.
Article Details
References
Abbas, I. (2016). Penerapan Metode Moving Average (MA) Berbasis Algoritma Support Vector Machine (SVM) untuk Membandingkan Pola Kurva dengan Trend Kurva pada Trading Forex Online. ILKOM Jurnal Ilmiah.
Agustina, C. (2019). Analisa Nasabah Potensial Tabungan Deposito Berjangka Menggunakan Teknik Klasifikasi Data Mining. Jurnal Teknologi Informasi Dan Terapan, 5(2), 105–112.
Amak Yunus EP, A. (2017). Sistem Prediksi Penentuan Jenis Tanaman Sayuran Berdasarkan Kondisi Musim Dengan Pendekatan Metode Trend Moment. Jurnal Mahasiswa Fakultas Sains Dan Teknologi, 1(5).
Aqham, A. A., & Hartomo, K. D. (2019). Data Mining untuk Nasabah Bank Telemarketing Menggunakan kombinasi Algoritm Naïve Bayes Dan Algoritma Genetik. InfoTekJar (Jurnal Nasional Informatika Dan Teknologi Jaringan), 4(1), 47–56.
Budi Santosa, A. U. (2018). Data Mining dan Big Data Analytics?: Teori dan Implementasi Menggunakan Python & Apache Spark (Isa (ed.); 2nd ed.). Penebar Media Pustaka.
Dawson, S. (2009). Introduction to electroweak symmetry breaking. AIP Conference Proceedings.
Ghani, A. D., Salman, N., & Mustikasari. (2019). Algoritma k-Nearest Neighbor Berbasis Backward Elimination Pada Client Telemarketing. Prosiding Seminar Ilmiah Sistem Informasi Dan Teknologi Informasi, VIII(2), 141–150.
Kusumodestoni, R. H., & Sarwido, S. (2017). Komparasi Model Support Vector Machines (Svm) Dan Neural Network Untuk Mengetahui Tingkat Akurasi Prediksi Tertinggi Harga Saham. Jurnal Informatika Upgris, 3(1).
Noor, A. (2018). Perbandingan Algoritma Support Vector Machine Biasa dan Support Vector Machine berbasis Particle Swarm Optimization untuk Prediksi Gempa Bumi. Jurnal Humaniora Teknologi, 4(1), 31–37.
Parapat, I. M., Furqon, M. T., & Sutrisno. (2018). Penerapan Metode Support Vector Machine ( SVM ) Pada Klasifikasi Penyimpangan Tumbuh Kembang Anak. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 2(10), 3163–3169.
Pratama, A., Wihandika, R. C., & Ratnawati, D. E. (2018). Implementasi Algoritme Support Vector Machine (SVM) untuk Prediksi Ketepatan Waktu Kelulusan Mahasiswa. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 2(March), 1704–1708.
Saputra, E. P. (2017). Prediksi Keberhasilan Telemarketing Bank Untuk. Jurnal Ilmu Pengetahuan Dan Teknologi Komputer, 2(2), 66–72.
Siregar, A. M., & Pusphabuana, A. (2016). DATA MINING?: Pengolahan Data Menjadi Informasi dengan RapidMiner. CV Kekata Group.
Suhardjono, Wiajaya, G., & Abdul, H. (2019). Prediksi Waktu Kelulusan Mahasiswa Menggunakan Svm Berbasis Pso. Bianglala Informatika, 7(2), 97–101.
Sulaehani, R. (2016). Prediksi Keputusan Klien Telemarketing Untuk Deposito Pada Bank Menggunakan Algoritma Naive Bayes Berbasis Backward Elimination. ILKOM Jurnal Ilmiah, 8(3), 182–189.
Tekouabou, S. C. K., Cherif, W., & Silkan, H. (2019). A data modeling approach for classification problems: Application to bank telemarketing prediction. ACM International Conference Proceeding Series, Part F1481, 1–7. Thohir, M. (2013). Metodologi Penelitian Sosial Budaya. In CV Andi Offset. Yogyakarta. MEDIA SAHABAT CENDEKIA.
WK, W. N., & Adani, Y. (2018). Penerapan Algoritma Naïve Bayes Untuk Memprediksi Keputusan Calon Nasabah Dan Nasabah Tetapbank Bri Syariah Menerima Penawaran Program Deposito Berjangka. Jurnal Teknologi Dan Informasi, 8(1), 13–24.