Analisis Algoritma KNN Berbasis Feature Selection untuk Memprediksi Nasabah Pengguna Deposito Melalui Pemasaran Langsung
Abstract
Sebuah bank menggunakan teknik pemasaran langsung dalam menargetkan segmen nasabah dengan cara menghubungi nasabah tersebut untuk memenuhi tujuan tertentu. Setelah menghubungi nasabah, bank mendapatkan informasi apakah nasabah tersebut sudah berlangganan produk yang ditawarkan oleh bank atau belum. Salah satu produk yang ditawarkan oleh bank antara lain yaitu deposito. Dari banyaknya informasi nasabah yang dikumpulkan, bank mampu menawarkan produk dan layanan kepada nasabah. Kemampuan tersebut dapat menggunakan teknologi data mining, seperti tujuan dibuatnya penelitian ini yaitu memprediksi nasabah yang berlangganan deposito dengan algoritma K-Nearest Neighbor (KNN) dan feature selection yang diproses menggunakan tools Anaconda dan bahasa pemrograman python. Dari hasil penelitian yang diperoleh, akurasi dari penggunaan algoritma K-Nearest Neighbor (KNN) sebesar 74,37% dengan nilai K=9, sedangkan akurasi algoritma klasifikasi K-Nearest Neighbor dengan menggunakan feature selection sebesar 89,72% dengan nilai K=3, sehingga didapat selisih peningkatan akurasi sebesar 15,35%.
Kata Kunci : Anaconda, Bank Marketing, KNN, Python
Full Text:
PDF (Bahasa Indonesia)References
Anam, C., & Santoso, H. B. (2018). Perbandingan Kinerja Algoritma C4 . 5 dan Naive Bayes untuk Klasifikasi Penerima Beasiswa. 8(1), 13–19.
Ary, M. (2019). SATIN – Sains dan Teknologi Informasi Ukuran Akurasi Klasifikasi Penyakit Mesothelioma Menggunakan Algoritma K-Nearest Neighbor dan Backward Elimination. 5(1).
Bode, A. (2017). K-NEAREST NEIGHBOR DENGAN FEATURE SELECTION MENGGUNAKAN BACKWARD ELIMINATION UNTUK PREDIKSI HARGA KOMODITI KOPI ARABIKA. 9, 188–195.
Darmawan, H. (2017). pilih mana menabung di deposito bank atau menabung. Retrieved August 20, 2019, from https://www.finansialku.com/pilih-mana-menabung-di-deposito-bank-atau-menabung-di-saham-bank/
Dhikhi, T., Kumar, V., Nadu, T., & Nadu, T. (2018). Bank Marketing Analysis. 8(11), 4–9.
Hadi, A. F. (2017). ANALISIS DATA MINING UNTUK MENENTUKAN VARIABEL – VARIABEL YANG MEMPENGARUHI. 4(1), 108–116.
Kalid, S. N., Khor, K. C., Ng, K. H., & Ting, C. Y. (2014). Effective Classification for Unbalanced Bank Direct Marketing Data with Over-sampling. i(August), 12–15.
Kosti, S. M., Miloš, Đ., Simi, M. I., & Kosti, M. V. (2018). Data Mining and Modeling Use Case in Banking Industry. 1–4.
Lestari, M. E. I. (2014). PENERAPAN ALGORITMA KLASIFIKASI NEAREST NEIGHBOR ( K-NN ) UNTUK MENDETEKSI PENYAKIT JANTUNG. 7(September 2010), 366–371.
Moro, S., Cortez, P., & Rita, P. (2014). A data-driven approach to predict the success of bank telemarketing. Decision Support Systems. https://doi.org/10.1016/j.dss.2014.03.001
Mustafa, M. S., & Simpen, I. W. (n.d.). Implementasi Algoritma K-Nearest Neighbor ( KNN ) Untuk Memprediksi Pasien Terkena Penyakit Diabetes Pada Puskesmas Manyampa Kabupaten Bulukumba. VIII(1), 1–10.
Pengetahuan, J., & Komputer, D. A. N. T. (2017). PENERAPAN METODE K-NEAREST NEIGHBOR PADA PENENTUAN GRADE DEALER. 2(2), 108–112.
Ruangthong, P., & Jaiyen, S. (2015). Bank Direct Marketing Analysis of Asymmetric Information Based on Machine Learning. 93–96.
Rusdiawan, T. W., Alamsyah, A., Manajemen, M., Ekonomi, F., Bisnis, D., & Telkom, U. (2019). EKSPLORASI DATA PELANGGAN , UNTUK KONTEKSTUAL MARKETING VOICE OVER LONG TERM EVOLUTION PT . TELKOMSEL MENGGUNAKAN METODE CLUSTERING K-MEANS CUSTOMER DATA EXPLORATION , FOR CONTEXTUAL MARKETING VOICE OVER LONG TERM EVOLUTION PT . TELKOMSEL USING K-MEANS CLUSTERING METHOD. 6(1), 537–544.
Ula, R. (2018). PЕNGАRUH CAPITAL ADEQUACY RATIO ( CAR ), INFLASI , DAN SUKU BUNGA SERTIFIKAT BANK INDONESIA ( SBI ) TERHADAP TINGKAT SUKU BUNGA DEPOSITO BERJANGKA ( Studi Pаdа Pеrusаhааn Bаnk Pembangunan Daerah di Indonеsiа Pеriodе 2010-2015 ). 56(1).
DOI: https://doi.org/10.31294/swabumi.v8i1.7581
INDEXING
P-ISSN : 2355-990X E-ISSN: 2549-5178
