Analisa Perbandingan Algoritma Metode Klasifikasi Terhadap Nasabah yang Berpotensi Membuka Deposito
Author (Penulis)
YOAN OCTAVIASARI DWI PUTRI LESTARIUniversitas Nusantara PGRI Kediri
Author Identity (NPM)
14.1.03.03.0085Abstract
ABSTRAK
Banyaknya algoritma klasifikasi data mining yang masing-masing mempunyai tingkat ketepatan akurasi yang berbeda-beda antara satu sama lain. Akurasi digunakan untuk mengukur ketepatan dan juga kemiripan pada hasil dengan waktu yang sama dan membandingkan nilai absolut yang jika semakin mendekati ukuran maka akan semakin tinggi juga tingkat akurasinya. Banyaknya data juga mempengaruhi tingkat akurasi tersebut.
Sehingga peneliti mengidentifikasikan tingkat akurasi beberapa algoritma klasifikasi untuk mengetahui peforma akurasinya masing-masing dan membandingkan akurasi 3 algoritma populer decision tree, naive bayes, dan nearest neighbour.
Menggunakan dataset Bank Marketing yang dikeluarkan oleh UCI Machine Learning Repository. Penelitian dilakukan dengan menggunakan metode kausal komperatif dan dilakukan melalui 5 tahap siklus penelitian.
Untuk algoritma decision tree memliki nilai akurasi tertinggi dibandingkan dengan algoritma klasifikasi naive bayes dan nearest neighbour. Sehingga dapat digunakn oleh pihak bank untuk memprediksi nasabah yang berpotensi membuka deposito.
Saran yang dapat direkomendasikan untuk dikembangkannya penelitian dengan menggunakan algoritma lain untuk melakukan perbandingan sehingga dapat diketahui algoritma yang lebih baik performanya
Keyword
aReference
DAFTAR PUSTAKA
(2012, Februari 14). Diambil Kembali Dari UCI Machine Learning Repository: Https://Archive.Ics.Uci.Edu
Adi, S. (2015). Perbandingan Kinerja Algoritma Nbc, Svm, C 4.5 Dan Nearest Neighbor : Kasus Prediksi Status Resiko Pembiayaan Di Bank Syariah. Jurnal Ilmiah DASI, Vol. 16, No. 3, 101-106.
B, S. (2007). Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu.
Buulolo, E. (2013). Implementasi Algoritma Apriori Pada Sistem Persediaan Obat (Studi Kasus : Apotik Rumah Sakit Estomihi Medan). Pelita Informatika Budi Darma, Volume : IV, Nomor : 1, 71-83.
C, D. A., Baskoro, D. A., Ambarwati, L., & Wicaksana, I. S. (2013). Belajar Data MIning dengan Rapid Miner. Jakarta.
F, G. (2011). Data Mining Concepts, Models and Techniques. Chennai, India: Springer.
Hasibuan, Z. A. (2007). Metodologi Penelitian pada Bidang Ilmu Komputer dan Teknologi Informasi. Depok: Fasilkom Universitas Indonesia.
Hastuti, K. (2012). Analisis Komparasi Algoritma Klasifikasi Data Mining Untuk Prediksi Mahasiswa Non Aktif. Seminar Nasional Teknologi Informasi & Komunikasi Terapan 2012 (Semantik 2012), 241-249.
Jananto, A. (2010). Perbandingan Performansi Algoritma Nearest Neighbor dan SLIQ untuk Prediksi Kinerja Akademik Mahasiswa Baru (Studi Kasus : Data Akademik Mahasiswa Fakultas Teknologi Informasi UNISBANK). Teknologi Informasi Dinamik, Vol. XV, No. 2, 157-169.
Khumaidi, A. (2016). Penerapan Case Based Reasoning dan Algortima Nearest Neighbor untuk Penentuan Lokasi Waralaba. Prosiding Annual Research Seminar, Vol. 2, No. 1, 45-51.
Putranto, R. A., Wuryandari, T., & Sudarno. (2015). Perbandingan Analisis Klasifikasi Antara Decision Tree Dan Support Vector Machine Multiclass Untuk Penentuan Jurusan Pada Siswa SMA. Gaussian, Vol. 4, No. 4, 1007-1016.
Sartika, D., & Sensuse, D. I. (2017). Perbandingan Algoritma Klasifikasi Naive Bayes, Nearest Neighbour, dan Decision Tree pada Studi Kasus Pengambilan Keputusan Pemilihan Pola Pakaian. Jatisi, Vol. 1, No.2, 151-161.
Widiastuti, N. A., Santosa, S., & Supriyanto, C. (2014). Algoritma Klasifikasi Data Mining Naïve Bayes Berbasis Particle Swarm Optimization Untuk Deteksi Penyakit Jantung. Pseudocode, Vol. 1, No. 1, 11-14.
Zaki, M. J., & Jr, W. M. (2014). Data Mining and Analysis. British Library.
