KOMPARASI METODE DATA MINING DALAM MEMPREDIKSI NASABAH BANK YANG AKAN MEMILIH TABUNGAN DEPOSITO MENGGUNAKAN ALGORITMA KLASIFIKASI
DOI:
https://doi.org/10.47775/ictech.v13i1.24Abstrak
Perkembangan trasaksi elektronik yang semakin pesat membuat banyak bank membuka unit-unit di tempat-tempat stategis untuk mengakomodir banyaknya nasabah. Dengan banyaknya nasabah bank juga perlu untuk mendapatkan nasabah yang bersedia untuk membuka tabungan deposito. Dengan banyaknya bank yang ada persaingan dalam mencari nasabah juga sangat beragam. Untuk membantu upacaya pihak marketing bank  perlu mempelajari suatu ilmu yang bisa digunakan untuk memprediksinya nasabah yang bersedia membuka tabungan deposito, yaitu menggunakan algoritma klasifikasi yang ada di data mining. Komparasi dalam penelitian ini akan menggunakan algoritma klasifikasi, diantarnya: algoritma Decission Tree, algoritma K-Nearest Neighbour dan algoritma Naive Bayes untuk memprediksi nasabah yang akan membuka tabungan deposito. Dalam komparasi algoritma klasifikasi yang dilakukan pada penelitian ini dengan menggunakan software Rapid Miner 5.3, didapatkan hasil sebagai berikut: algoritma Decission Tree mendapatkan akurasi yang paling baik yaitu sebesar 88.48% , sedangkan algoritma Naive Bayes menghasilakan tingkat akurasi sebesar 86.84% dan algoritma K-Nearest Neighbour tingkat akurasinya sebesar 84.96%. Untuk penelitian kedepan diharapkan agar bisa dibuatkan software berbasis website supaya bisa digunakan oleh banyak orang.
Referensi
Aggarwal, Charu C. 2015. Data Classification : Algorithms and Applications. Series: Chapman & Hall/CRC Data Mining and Knowledge Discovery Series ; 35.
Apiletti, Daniele, Elena Baralis, Tania Cerquitelli, Paolo Garza, Fabio Pulvirenti, and Luca Venturini. 2017. “Frequent Itemsets Mining for Big Data: A Comparative Analysis.†Big Data Research 9. Elsevier Inc.: 67–83.
Ashari, Ahmad, Iman Paryudi, and A Min Tjoa. 2013. “Performance Comparison between Naïve Bayes , Decision Tree and K-Nearest Neighbor in Searching Alternative Design in an Energy Simulation Tool†4 (11): 33–39.
Chi, Qinwei, and Wenjing Li. 2017. “Economic Policy Uncertainty, Credit Risks and Banks’ Lending Decisions: Evidence from Chinese Commercial Banks.†China Journal of Accounting Research 10 (1). Sun Yat-sen University: 33–50.
Falco-Walter, Jessica J., Ingrid E. Scheffer, and Robert S. Fisher. 2018. “The New Definition and Classification of Seizures and Epilepsy.†Epilepsy Research 139 (November 2017): 73–79.
Fan, Liwei. 2009. “Improving the Naïve Bayes Classifier,†879–83.
Gorunescu, Florin. 2011. Data Mining: Concepts and Techniques. Chemistry &
Kavakiotis, Ioannis, Olga Tsave, Athanasios Salifoglou, Nicos Maglaveras, Ioannis Vlahavas, and Ioanna Chouvarda. 2017. “Machine Learning and Data Mining Methods in Diabetes Research.†Computational and Structural Biotechnology Journal 15. The Authors: 104–16.
Lobo, Gerald J. 2017. “Accounting Research in Banking – A Review.†China Journal of Accounting Research 10 (1). Sun Yat-sen University: 1–7.
Prabowo, Alvino Dwi Rachman. 2014. “Prediksi Nasabah Yang Berpotensi Membuka Simpanan Deposito Menggunakan Naive Bayes Berbasis Particle Swarm Optimization.†Fakultas Ilmu Komputer, Universitas Dian Nuswantoro Semarang, no. 5.
Sugianti, Devi. 2012. “Algoritma Bayesian Classification Untuk Memprediksi Heregistrasi Mahasiswa Baru Di STMIK Widya Pratama,†no. 2: 1–5.
Thakur, Niharika, and Mamta Juneja. 2018. “Survey on Segmentation and Classification Approaches of Optic Cup and Optic Disc for Diagnosis of Glaucoma.†Biomedical Signal Processing and Control 42. Elsevier Ltd: 162–89.
Witten, Ian H., Eibe Frank, and Mark a. Hall. 2011a. Data Mining. Data Mining. Vol. 277.
———. 2011b. Data Mining: Practical Machine Learning Tools and Techniques. Third Edit. USA: Morgan Kaufmann Publishers.
