PENERAPAN NAÏVE BAYES DENGAN BALANCING DATA SMOTE UNTUK PENINGKATAN PREDIKSI NASABAH DEPOSITO BANK

Melan DumasarI Gultom; Rani Dwi Destianti; Gina  Noviamanti

Authors

Melan DumasarI Gultom POLITEKNIK GEOLOGI DAN PERTAMBANGAN AGP, Indonesia
Rani Dwi Destianti POLITEKNIK GEOLOGI DAN PERTAMBANGAN AGP, Indonesia
Gina Noviamanti POLITEKNIK GEOLOGI DAN PERTAMBANGAN AGP, Indonesia

Keywords:

Klasifikasi Deposito, Algoritma Naïve Bayes, Strategi Pemasaran Berbasis Data

Abstract

Permasalahan Klasifikasi nasabah potensial yang membuka deposito bank. Tantangan ini muncul karena pendekatan manual yang sering memakan waktu, kurang efisien, dan tidak akurat dalam menangkap pola kompleks dalam data nasabah. Metode Sebagai solusi, penelitian ini menggunakan algoritma Naïve Bayes yang diterapkan melalui proses Knowledge Discovery in Databases (KDD). Data yang digunakan berasal dari dataset Bank Marketing dengan 41.188 entri dan 17 atribut, mencakup informasi demografi, riwayat kampanye pemasaran, dan hasil target. Proses penelitian melibatkan tahapan seleksi data, praproses data, transformasi data, pelatihan model, dan evaluasi performa. Hasil penelitian menunjukkan bahwa algoritma Naïve Bayes mampu mencapai akurasi sebesar 78.10%, dengan presisi sebesar 72.42% dan recall sebesar 75.76% untuk kelas nasabah yang membuka deposito. Teknik balancing dataset menggunakan SMOTE terbukti meningkatkan sensitivitas model terhadap kelas minoritas. Analisis confusion matrix mengungkapkan adanya 238 prediksi positif palsu dan 200 prediksi negatif palsu, yang menunjukkan area untuk perbaikan lebih lanjut dalam pengembangan model. Tujuan Penelitian ini memberikan implikasi penting bagi sektor perbankan, terutama dalam mengoptimalkan strategi pemasaran berbasis data. Dengan model yang dihasilkan, bank dapat mengalokasikan sumber daya pemasaran lebih efisien, mengidentifikasi nasabah potensial secara akurat, dan meningkatkan efektivitas operasional

References

Agung, A., Wahyu, G., Erlangga, S., Gede, I., Gunadi, A., Made, I., & Sunarya, G. (2020). Kombinasi Oversampling dan Undersampling dalam Menangani Class Imbalanced dan Overlapping pada Klasifikasi Data Bank Marketing. https://s.id/jurnalresistor

Arya Pramudya, R., Mutiarachim, A., & Setya Sunarka, P. (2024). Klasifikasi Pola Pembelian Kendaraan Bermotor Untuk Merancang Strategi Promosi Terarah Menggunakan Algoritma Logistic Regression. Indo-Fintech Intellectuals: Journal of Economics and Business, 4(5), 2549–2557. https://doi.org/10.54373/ifijeb.v4i5.212

Astofa, A., & Sutono, E. (2024). Implementasi Algoritma Nave Bayes Untuk Memprediksi Kelayakan Kredit Nasabah. https://journal.mediapublikasi.id/index.php/logic

Aulia, R., & Fadli, M. (2023). Perbandingan Algoritme C5.0 dan Random Forest menggunakan Data Bank Marketing. In JUTIF: Jurnal Teknologi Informasi (Vol. 1, Issue 1).

Dwi, E., Aini, N., Khasanah, R. A., Ristyawan, A., Diniati, E., Nusantara, U., & Kediri, P. (2024). Penggunaan Data Mining untuk Prediksi tingkat Obesitas di Meksiko Menggunakan Metode Random Forest. In Agustus (Vol. 8). Online.

Dwi Handayani. (2020). Analisis Prediksi Nasabah yang Berpotensi Membuka Deposito pada Bank Umum di Bekasi Menggunakan Algoritma C4.5 dan Naive Bayes. Jurnal Ilmiah Komputasi, 19(3). https://doi.org/10.32409/jikstik.19.3.66

Fikri Eina, M., & Herry Chrisnanto, Y. (2024). KLASIFIKASI TELEMARKETING MENGGUNAKAN NAÏVE BAYES CLASSIFICATION DAN WRAPPER SEQUENTIAL FEATURE SELECTION TELEMARKETING CLASSIFICATION USING NAÏVE BAYES CLASSIFICATION AND WRAPPER SEQUENTIAL FEATURE SELECTION. Journal of Information Technology and Computer Science (INTECOMS), 7(4).

Homepage, J., Kenia, S., Loka, P., & Marsal, A. (2023). MALCOM: Indonesian Journal of Machine Learning and Computer Science Comparison Algorithm of K-Nearest Neighbor and Naïve Bayes Classifier for Classifying Nutritional Status in Toddlers Perbandingan Algoritma K-Nearest Neighbor dan Naïve Bayes Classifier Untuk Klasifikasi Status Gizi Pada Balita. 3, 8–14.

Koklu, N., & Sulak, S. A. (2024). Using Artificial Intelligence Techniques for the Analysis of Obesity Status According to the Individuals’ Social and Physical Activities. Sinop Üniversitesi Fen Bilimleri Dergisi, 9(1), 217–239. https://doi.org/10.33484/sinopfbd.1445215

Leonard, B., Panggabean, E., Klasifikasi, :, Potensial, N., Aziz, F., Komputer, J. I., Mipa, F., & Pancasakti, U. (2023). Klasifikasi Nasabah Potensial menggunakan Algoritma Ensemble Least Square Support Vector Machine dengan AdaBoost. 8(3).