Integrasi SMOTE Dan Ensemble AdaBoost Untuk Mengatasi Imbalance Class Pada Data Bank Direct Marketing

Amin Nur Rais, Agus Subekti

Abstract


Kampanye pemasaran produk bank secara langsung dapat dibantu dengan adanya teknologi informasi. Dengan terus bertambahnya data dan penggunaan teklogi informasi, data yang didapatkan dapat dimanfaatkan lebih maksimal untuk membuat keputusan. Dengan teknik klasifikasi dari, didapatkan hasil penambangan data berupa akurasi dari pembelajaran yang dilakukan. Metode dalam penelitian ini dengan menggunakan preprocessing SMOTE dan ensemble AdaBoost yang dikombinasikan dengan algoritma Naïve Bayes, SVM, dan J48. Hasil eksperimen yang diperoleh menunjukkan klasifikasi dengan menggunakan Naïve Bayes untuk akurasi sebesar 88,30%, sedangkan SVM 89,68%, dan J48 memiliki akurasi sebesar 95,73%. Maka dapat disimpulkan bahwa dengan menggunakan teknik klasifikasi Decision Tree J48 yang dikombinasikan dengan preprocessing SMOTE dan ensemble AdaBoost dapat memprediksi untuk menentukan objek pemasaran secara langsung kepada konsumen.

References


Abbas, S. (2015). Deposit subscribe Prediction using Data Mining Techniques based Real Marketing Dataset. International Journal of Computer Applications, 110(3), 1–7. https://doi.org/10.5120/19293-0725

Anam, C., & Santoso, H. B. (2018). Perbandingan Kinerja Algoritma C4 . 5 dan Naive Bayes untuk Klasifikasi Penerima Beasiswa. Jurnal Ilmiah Ilmu-Ilmu Teknik, 8(1), 13–19.

Ardiansyah Sembiring, M., Fitri Larasati Sibuea, M., Sapta, A., Studi Sistem Informasi, P., & Royal, S. (2018). Analisa Kinerja Algoritma C.45 Dalam Memprediksi Hasil Belajar. Journal of Science and Social Research, 1(February), 73–79. Retrieved from http://jurnal.goretanpena.com/index.php/JSSR

Asare-Frempong, J., & Jayabalan, M. (2017). Predicting customer response to bank direct telemarketing campaign. 2017 International Conference on Engineering Technology and Technopreneurship, ICE2T 2017, 2017-Janua, 1–4. https://doi.org/10.1109/ICE2T.2017.8215961

Bisri, A. (2015). Penerapan Adaboost untuk Penyelesaian Ketidakseimbangan Kelas pada Penentuan Kelulusan Mahasiswa dengan Metode Decision Tree. 1(1).

Lawi, A., Velayaty, A. A., & Zainuddin, Z. (2018). On identifying potential direct marketing consumers using adaptive boosted support vector machine. Proceedings of the 2017 4th International Conference on Computer Applications and Information Processing Technology, CAIPT 2017, 2018-Janua, 1–4. https://doi.org/10.1109/CAIPT.2017.8320691

Lin, L., Yang, S., & Zuo, R. (2010). Protein secondary structure prediction based on multi-SVM ensemble. Proceedings of 2010 International Conference on Intelligent Control and Information Processing, ICICIP 2010, (PART 2), 356–358. https://doi.org/10.1109/ICICIP.2010.5564201

Liu, H., Tian, H. Q., Li, Y. F., & Zhang, L. (2015). Comparison of four Adaboost algorithm based artificial neural networks in wind speed predictions. Energy Conversion and Management, 92, 67–81. https://doi.org/10.1016/j.enconman.2014.12.053

Mitik, M., Korkmaz, O., Karagoz, P., Toroslu, I. H., & Yucel, F. (2017). Data Mining Based Product Marketing Technique for Banking Products. IEEE International Conference on Data Mining Workshops, ICDMW, 552–559. https://doi.org/10.1109/ICDMW.2016.0085

Moro, S., Laureano, R. M. S., & Cortez, P. (2011). Using Data Mining for Bank Direct Marketing: An application of the CRISP-DM methodology. 25th European Simulation and Modelling Conference- ESM’2011, (Figure 1), 117–121.

Nurzahputra, A., & Muslim, M. A. (2017). Peningkatan Akurasi Pada Algoritma C4.5 Menggunakan Adaboost Untuk Meminimalkan Resiko Kredit. Prosiding SNATIF Ke-4, (1), 243–247.

Perbankan, I., & No, J. G. (2016). Metode Klasifikasi Data Mining dan Teknik Sampling Smote ... (Hairani dkk.). 168–172.

Putri, S. A. (2015). Integrasi SMOTE dan Information Gain pada Naive Bayes untuk Prediksi Cacat Software. 1(2).

Ruangthong, P., & Jaiyen, S. (2015). Bank direct marketing analysis of asymmetric information based on machine learning. Proceedings of the 2015 12th International Joint Conference on Computer Science and Software Engineering, JCSSE 2015, 93–96. https://doi.org/10.1109/JCSSE.2015.7219777

Terhadap, S., Tidak, D., Pada, S., Model, P., & Jamu, K. (2013). PENERAPAN SYNTHETIC MINORITY OVERSAMPLING TECHNIQUE. 1(1).




DOI: https://doi.org/10.31294/ji.v6i2.6186

Refbacks

  • There are currently no refbacks.


Copyright (c) 2019 Jurnal Informatika

Creative Commons License
This work is licensed under a Creative Commons Attribution 4.0 International License.

Index by:

 
 Published LPPM Universitas Bina Sarana Informatika with supported by Relawan Jurnal Indonesia

Jl. Kramat Raya No.98, Kwitang, Kec. Senen, Jakarta Pusat, DKI Jakarta 10450, Indonesia
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License