PARAMADINAPARAMADINA

Jurnal Informatika & Teknologi CerdasJurnal Informatika & Teknologi Cerdas

Penelitian ini membandingkan kinerja dua algoritma pembelajaran mesin, yaitu K-Nearest Neighbors (KNN) dan Decision Tree, dalam memprediksi pengeluaran nasabah. Sampel yang digunakan berupa data transaksi seorang nasabah pada Bank BCA dengan total 2.567 transaksi. Evaluasi dilakukan menggunakan tiga metrik utama, yakni Mean Absolute Error (MAE), Mean Squared Error (MSE), dan Root Mean Squared Error (RMSE). Hasil penelitian menunjukkan bahwa algoritma KNN menghasilkan tingkat kesalahan prediksi yang lebih rendah dibandingkan Decision Tree pada seluruh metrik evaluasi, sehingga dinilai lebih efektif dalam tugas prediksi ini.

Penelitian ini berhasil membandingkan kinerja dua model pembelajaran mesin, yaitu K-Nearest Neighbors (KNN) dan Decision Tree, dalam memprediksi pengeluaran nasabah.Berdasarkan hasil yang diperoleh, dapat disimpulkan bahwa Model KNN menunjukkan kinerja yang lebih baik dibandingkan dengan Decision Tree dalam hal akurasi dan presisi dalam memprediksi pengeluaran nasabah.Hal ini menunjukkan bahwa KNN lebih efisien dalam menangani data yang lebih kompleks dan memiliki distribusi yang lebih beragam.Penelitian ini penting bagi praktisi dan peneliti yang ingin mengimplementasikan model pembelajaran mesin untuk analisis perilaku nasabah.

Berdasarkan penelitian ini, terdapat beberapa saran penelitian lanjutan yang dapat dilakukan untuk meningkatkan akurasi dan efektivitas prediksi pengeluaran nasabah. Pertama, penelitian selanjutnya dapat mengeksplorasi penggunaan fitur-fitur tambahan, seperti data demografis nasabah atau informasi produk keuangan yang dimiliki, untuk memberikan gambaran yang lebih komprehensif tentang perilaku pengeluaran. Kedua, penelitian dapat menguji performa model dengan dataset yang lebih besar dan beragam, yang mencakup data dari berbagai bank atau wilayah geografis, untuk memastikan generalisasi model yang lebih baik. Ketiga, penelitian dapat mengkombinasikan KNN dan Decision Tree dalam pendekatan ensemble learning, di mana kedua model bekerja bersama untuk menghasilkan prediksi yang lebih akurat dan robust. Dengan menggabungkan kekuatan masing-masing model, diharapkan dapat mengatasi kelemahan individu dan meningkatkan kinerja keseluruhan dalam memprediksi pengeluaran nasabah.

  1. PENERAPAN ALGORITMA ID3 MELALUI APLIKASI ORANGE UNTUK PREDIKSI AKURASI AKREDITASI SEKOLAH DASAR DI DEPOK... doi.org/10.36595/misi.v7i2.1199PENERAPAN ALGORITMA ID3 MELALUI APLIKASI ORANGE UNTUK PREDIKSI AKURASI AKREDITASI SEKOLAH DASAR DI DEPOK doi 10 36595 misi v7i2 1199
  2. PENERAPAN METODE MEAN ABSOLUTE ERROR (MEA) DALAM ALGORITMA REGRESI LINEAR UNTUK PREDIKSI PRODUKSI PADI... doi.org/10.32764/saintekbu.v11i1.298PENERAPAN METODE MEAN ABSOLUTE ERROR MEA DALAM ALGORITMA REGRESI LINEAR UNTUK PREDIKSI PRODUKSI PADI doi 10 32764 saintekbu v11i1 298
Read online
File size906.59 KB
Pages7
DMCAReport

Related /

ads-block-test