Repo Mhs ULM

Penerapan SMOTE untuk Menangani Imbalance Class dalam Klasifikasi Deposito Menggunakan Algoritma Extreme Gradient Boosting

Show simple item record

dc.contributor.author Dina Arifah
dc.date.accessioned 2023-09-21T10:25:25Z
dc.date.available 2023-09-21T10:25:25Z
dc.identifier.uri https://repo-mhs.ulm.ac.id//handle/123456789/41922
dc.description.abstract Deposito menjadi salah satu produk utama dan sumber pendanaan bagi bank dan meningkatkan pemasaran deposito sangat penting. Namun, telemarketing sebagai bentuk pemasaran deposito kurang efektif dan efisien karena mengharuskan memanggil setiap pelanggan untuk penawaran deposit. Oleh karena itu, identifikasi calon nasabah simpanan diperlukan agar telemarketing menjadi lebih efektif dan efisien dengan menyasar nasabah yang tepat, sehingga meningkatkan kinerja pemasaran bank dengan tujuan akhir meningkatkan sumber pendanaan bagi bank. Untuk mengidentifikasi pelanggan, data mining digunakan dengan UCI Bank Marketing Dataset dari lembaga perbankan Portugis. Dataset ini terdiri dari 45.211 record dengan 17 atribut. Algoritma klasifikasi yang digunakan adalah Extreme Gradient Boosting (XGBoost) yang cocok untuk data berukuran besar. Data yang digunakan memiliki ketidakseimbangan kelas tinggi, dengan persentase "ya" dan "tidak" masing-masing 11,7?n 88,3%. Oleh karena itu, solusi yang diusulkan dalam penelitian, yang berfokus pada mengatasi Imbalance Class dalam dataset pemasaran Bank, adalah dengan menggunakan Synthetic Minority Over-sampling (SMOTE) dan metode XGBoost. Hasil penelitian XGBoost adalah akurasi 0,91016, presisi 0,79476, recall 0,72928, F1-Score 0,56198, Area ROC 0,93831, dan AUCPR 0,63886. Setelah SMOTE diterapkan, akurasinya 0,91072, presisi 0,78883, recall 0,75588, F1-Score 0,59153, Area ROC 0,93723, dan AUCPR 0,63733. Hasil penelitian menunjukkan bahwa XGBoost dan SMOTE dapat mengungguli algoritma lain seperti K-Nearest Neighbor, Random Forest, Logistic Regression, Artificial Neural Network, Naïve Bayes, dan Support Vector Machine dalam hal akurasi. Studi ini berkontribusi pada pengembangan model machine learning efektif yang dapat digunakan sebagai sistem pendukung bagi para ahli teknologi informasi di industri keuangan dan perbankan untuk mengidentifikasi calon nasabah yang tertarik untuk berlangganan deposito dan meningkatkan sumber pendanaan bank.
dc.title Penerapan SMOTE untuk Menangani Imbalance Class dalam Klasifikasi Deposito Menggunakan Algoritma Extreme Gradient Boosting


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search DSpace


Browse

My Account