Teknik Machine Learning untuk Bank Marketing Dataset

  • Fahmi Izhari UNIVERSITAS PEMBANGUNAN PANCABUDI MEDAN
Abstract viewed = 0 times
PDF (Bahasa Indonesia) downloaded = 0 times

Abstract

Peneliti melakukan penelitian ini agar dapat memprediksi manakah klien yang telah berlangganan deposito berjangka dengan baik atau macet agar dapat mempermudah pihak bank dalam mengetahui keakurasian data dengan melihat tingkat akurasi dan tingkat error berdasarkan Coinfussion Matrix. Pada penelitian ini, untuk mengetahui kinerja dari Algoritma NN, SVM, Decision Tree, Rules Based, Fuzzy Logic, Regression Model, KNN, Random Forest, Naïve Bayes maka digunakan data observasi berupa dataset UCI Bank Marketing yang berasal dari (http://archive.ics.uci.edu/ml). Data Bank Marketing ini melibatkan 45212 sampel dengan 16 faktor serta 2 label kelas meliputi: apakah klien telah berlangganan deposito berjangka? ('yes', 'no'). penelitian ini mendapatkan hasil akurasi dengan algoritma NN sebesar 87.54%, SVM sebesar 73.45%, Decision Tree sebesar 75.64%, Rules Based sebesar 65.32%, Fuzzy Logic sebesar 71.34%, Regression Model sebesar 82.32%, KNN sebesar 62.54%, Random Forest sebesar 68.77%, Naïve Bayes  sebesar 83.78%.

References

[1] Dai Qin-yun,. Zang Chun-Ping., Wu Hao. 2016. Research of Decision tree Classification Algorithm in Data Mining. Dept. of Electric and Electronic Engineering, Shijiazhuang Vocational and Technology Institute. China
[2] Kotu, V. & Deshpande, B. 2015. Predictive Analytics and Data Mining. Morgan Kaufmann Publisher: San Francisco.
[3] Sahu, Mridu., Nagwani. N.K., Verma Shrish., Shirke. Saransh. 2015. Performance Evaluation of Different Classifier for Eye State Prediction Using EEG Signal. International Journal of Knowledge Engineering, Volume.1, No.2.
[4] Sharma, R., Purushottam, Saxena, K. 2016. Efficient Heart Disease Prediction System using Decision Tree. International Conference on Computing, Communication and Automation (ICCCA), Noida, India, 15-16 May. 72-77. DOI: 10.1109/CCAA.2015.7148346
[5] Sivapriya, T. R., Nadira, B. K. 2013.Hybrid Feature Selection for Enhanced Classification of High Dimensional Medical Data.International Conference on Computational Intelligence and Computing Research, pp. 1-4.
Published
2021-06-21
How to Cite
IZHARI, Fahmi. Teknik Machine Learning untuk Bank Marketing Dataset. Seminar Nasional Informatika (SENATIKA), [S.l.], p. 393-397, june 2021. Available at: <https://www.ejournal.pelitaindonesia.ac.id/ojs32/index.php/SENATIKA/article/view/1187>. Date accessed: 28 july 2021.
Section
Articles