PUSTAKAGALERIMANDIRIPUSTAKAGALERIMANDIRI

Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer)Jurnal Pustaka Data (Pusat Akses Kajian Database, Analisa Teknologi, dan Arsitektur Komputer)

Persaingan industri perbankan yang semakin ketat menuntut bank untuk mampu mengidentifikasi nasabah yang berpotensi berlangganan deposito berjangka secara tepat. Proses penentuan target pemasaran yang masih dilakukan secara konvensional seringkali menyebabkan promosi kurang efektif karena tidak semua nasabah memiliki minat yang sama terhadap produk deposito. Tujuan penelitian ini adalah membangun model prediksi keputusan nasabah terhadap produk deposito berjangka menggunakan algoritma Naive Bayes Classifier. Dataset yang digunakan terdiri dari 515 data nasabah perbankan yang telah disesuaikan dengan kondisi perbankan di Kota Padang. Variabel yang digunakan meliputi saldo tabungan, pekerjaan, usia, status perkawinan, pendidikan terakhir, hasil kampanye sebelumnya, dengan keputusan deposito sebagai variabel target. Hasil pengujian menunjukkan bahwa model Naive Bayes Classifier mampu menghasilkan akurasi sebesar 89,32% dalam memprediksi keputusan nasabah berlangganan deposito berjangka. Hasil penelitian menunjukkan bahwa algoritma Naive Bayes Classifier dapat digunakan sebagai metode klasifikasi yang efektif untuk membantu pihak perbankan dalam menentukan target pemasaran deposito secara lebih tepat sasaran.

Berdasarkan hasil penelitian, algoritma Naive Bayes Classifier mampu diterapkan untuk memprediksi keputusan nasabah dalam berlangganan deposito berjangka berdasarkan karakteristik demografis, finansial, dan riwayat pemasaran nasabah.Model ini mencapai tingkat akurasi sebesar 89,32%, menunjukkan kemampuan yang baik dalam klasifikasi keputusan deposito.Namun, distribusi data yang tidak seimbang mengurangi performa pada kelas minoritas.Penelitian selanjutnya disarankan menerapkan teknik balancing data atau mengeksplorasi algoritma klasifikasi lain untuk meningkatkan kemampuan model dalam mengenali seluruh kelas.

Penelitian lanjutan dapat mengeksplorasi algoritma klasifikasi lain seperti Random Forest atau XGBoost untuk membandingkan performa dengan Naive Bayes dalam konteks perbankan Indonesia. Selain itu, penggunaan teknik balancing data seperti SMOTE dapat diterapkan untuk mengatasi ketidakseimbangan kelas dan meningkatkan akurasi prediksi pada kelas minoritas. Terakhir, studi lanjutan bisa fokus pada analisis perilaku nasabah di daerah lain di Indonesia untuk mengidentifikasi faktor lokal yang memengaruhi keputusan berlangganan deposito berjangka.

  1. ANALISIS FAKTOR KEPUTUSAN NASABAH BERLANGGANAN TERM DEPOSIT: PERBANDINGAN RANDOM FOREST DAN XGBOOST |... ejournal.itn.ac.id/index.php/jati/article/view/13881ANALISIS FAKTOR KEPUTUSAN NASABAH BERLANGGANAN TERM DEPOSIT PERBANDINGAN RANDOM FOREST DAN XGBOOST ejournal itn ac index php jati article view 13881
  2. Klasifikasi Nasabah Potensial menggunakan Algoritma Ensemble Least Square Support Vector Machine dengan... ejournal.poltekharber.ac.id/index.php/informatika/article/view/5675Klasifikasi Nasabah Potensial menggunakan Algoritma Ensemble Least Square Support Vector Machine dengan ejournal poltekharber ac index php informatika article view 5675
  3. Feature Selection Correlation-Based pada Prediksi Nasabah Bank Telemarketing untuk Deposito | MATRIK... journal.universitasbumigora.ac.id/index.php/matrik/article/view/1183Feature Selection Correlation Based pada Prediksi Nasabah Bank Telemarketing untuk Deposito MATRIK journal universitasbumigora ac index php matrik article view 1183
Read online
File size445.01 KB
Pages11
DMCAReport

Related /

ads-block-test