Analisis Metode Klasifikasi Nasabah Potensial dalam Membuka Deposito Jangka Panjang Melalui Telemarketing Menggunakan Metode Gradient Boosting Classifier
Downloads
Penelitian ini bertujuan untuk melihat klasifikasi nasabah dalam membuka sebuah deposito jangka panjang. Penelitian ini akan menggunakan algoritma Machine Learning, yaitu Gradient Boosting Classifier. Dataset yang digunakan diambil dari arsip dataset UC Irvine Machine Learning Repository yang mencangkup 41.188 sampel dengan 20 variabel. Dataset Kampanye bank di Portugal menggunakan metode penawaran dilakukan secara jarak jauh atau tidak langsung yang biasa disebut dengan Telemarketing. Nasabah dalam dataset terdiri dari berbagai latar belakang. Penelitian memberikan hasil baik dalam klasifikasi menggunakan metode Gradient Boosting Classifier, metode ini dikombinasikan dengan teknik random oversamping untuk mengatasi data imbalance. Penelitian menghasilkan nilai ROC-AUC sebesar 0.81. Hasil penelitian juga memberikan informasi yang dapat digunakan dalam pengambilkan Keputusan terkait dengan kampanye telemarketing selanjutnya. Penelitian ini merekomendasikan penerapan model ini untuk meningkatkan efisiensi telemarketing dengan menargetkan nasabah berpotensi, sekaligus mengurangi biaya operasional.
Adani, Y., Studi, P., Informasi, S., & Bayes, A. N. (2018). Penerapan Algoritma Naive Bayes Untuk Memprediksi. Jurnal Instrumentasi Dan Teknologi Informasi (JITI), 8(1), 13–24.
Airlangga, G., Katolik, U., & Atma, I. (2024). Enhancing Medical Diagnostics with Ensemble Machine Learning?: A Comparative Study of Gradient Boosting , XGBoost , LightGBM , and Blended Models. 9, 1118–1132.
Alsolami, F. J., Saleem, F., & Al-Malaise Al-Ghamdi, A. (1441). Predicting the Accuracy for Telemarketing Process in Banks Using Data Mining. JKAU: Comp. IT. Sci, 9(2), 69–83. https://doi.org/10.4197/Comp.
Budiman, I., Prahasto, T., & Christyono, Y. (2014). Data Clustering Menggunakan Metodologi CRISP-DM Untuk Pengenalan Pola Proporsi Pelaksanaan Tridharma. Jurnal Sistem Informasi Bisnis, 1(3), 129–134. https://doi.org/10.21456/vol1iss3pp129-134
Guo, M., Wang, Y., Yang, Q., Li, R., Zhao, Y., Li, C., Zhu, M., Cui, Y., Jiang, X., Sheng, S., Li, Q., & Gao, R. (2023). Normal Workflow and Key Strategies for Data Cleaning Toward Real-World Data: Viewpoint. Interactive Journal of Medical Research, 12, e44310. https://doi.org/10.2196/44310
Hasanah, M. A., Soim, S., & Handayani, A. S. (2021). Implementasi CRISP-DM Model Menggunakan Metode Decision Tree dengan Algoritma CART untuk Prediksi Curah Hujan Berpotensi Banjir. Journal of Applied Informatics and Computing, 5(2), 103–108. https://doi.org/10.30871/jaic.v5i2.3200
Huang, S. (2024). A Comparative Analysis of Machine Learning Algorithms for Predicting the Telemarketing Campaigns of Portuguese Banking Institutions. Advances in Economics, Management and Political Sciences, 94(1), 44–53. https://doi.org/10.54254/2754-1169/94/2024ox0132
Istyaningsih, R. (2015). Studi Perilaku tentang Pengaruh Karakteristik Nasabah Bank dalam Memilih Deposito Berjangka. Jurnal Ilmiah CIVIS, 5(1), 752–759.
Moro, S., Cortez, P., & Rita, P. (2014). A data-driven approach to predict the success of bank telemarketing. Decision Support Systems, 62(351), 22–31. https://doi.org/10.1016/j.dss.2014.03.001
Muneeb Asif. (2018). Predicting the Success of Bank Telemarketing using various Classification Algorithms. 14–18.
Ristyawan, A., Nugroho, A., & Amarya, T. K. (2025). Optimasi Preprocessing Model Random Forest Untuk Prediksi Stroke. 12(1).
Simarmata, K. B., Hartomo, K. D., & Hartomo, K. D. (2022). Analisa Rekomendasi Fitur Persetujuan Pinjaman Perusahaan Financial Technology Menggunakan Metode Random Forest. JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), 9(3), 2055–2070. https://doi.org/10.35957/jatisi.v9i3.2258
Vongchalerm, L. (2022). Analysis of predicting the success of the banking telemarketing campaigns by using machine learning techniques.
Copyright (c) 2025 Michael Richard Takakobi, Kristoko Dwi Hartomo
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution-ShareAlike 4.0 International (CC-BY-SA). that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work.
