Anda di halaman 1dari 3

1

Penerapan Metode C.45 Untuk Prediksi Minat Nasabah


Berlangganan Deposito Berjangka Pada Bank
1 2 3
Fauzi Ahmad Kamil , Jamaludin , M Rangga Ramadhan S

Universitas Bina Sarana Informatika


e-mail: lppm.amik.sukabumi@bsi.ac.id

Abstract
Every company needs a way for what they try to get optimal and time-efficient results, one of
them is the bank. Promotion is done so that banks can provide the latest information to
customers and attract customers to participate. With the large amount of customer data, it will
take a long time to complete everything. Existing data must be sorted first by predicting which
customers might be interested and who are not. In banks, the prediction of customers' interest
in subscribing to time deposits is expected to improve time so that the bank can provide its
services optimally.
The use of the data mining classification algorithm approach will be applied to predict the
interest of customers to subscribe to time deposits. C4.5 algorithm is used to predict customer
customers' interest in subscribing to time deposits in accordance with variable inputs including
age, job, capital, education, default, balance, housing, loan, contact, day, month, duration,
campaign, pdays, previous, poutcome and the output variable is 'y'.
The experimental and evaluation results show that an accurate Decision Tree C4.5 algorithm is
applied to determine the prediction of customer interest in subscribing to time deposits with
banks with an accuracy rate of 88.10%, precision value of 37.68%, recall of 4.99% and AUC
0.760.

Keywords: Classification, C4.5 algorithm, Banks.

mengikuti prosedur yang telah ditetapkan.


1. Pendahuluan Salah satu tugas dari bank adalah untuk
Menurut (Swarasmaradhana, memberikan pelayanan keuangan.
Mukid, & Rusgiyono, 2014) Algoritma C4.5 Pelayanan keuangan dapat meliputi
adalah salah satu metode untuk membuat peminjaman kredit, atau menabung berupa
decision tree berdasarkan training data deposito.
yang telah disediakan. Penggunaan Untuk memperkenalkan pelayanan
Algoritma C4.5 memiliki beberapa pada sebuah bank, diperlukan adanya
keunggulan yaitu mampu mengatasi nilai suatu promosi atau kampanye kepada
yang hilang (missing value), mengatasi masyarakat. Menurut Kotler dan Keller
data bertipe kontinu dan melakukan (2007:24 ) dalam (Lasander, 2013) Promosi
pemangkasan pohon. Metode ini cocok adalah cara yang digunakan perusahaan
digunakan untuk mengolah berbagai jenis untuk mengkomunikasikan produk dan
data dan sumber data, baik sumber data manfaatnya kepada masyarakat/konsumen.
primer seperti data penyakit, data Berbagai strategi dilakukan dengan tujuan
pelayanan, data transaksi, dan lain-lain. menarik perhatian klien agar menjadi
Sebuah bank dalam menjalankan sistem nasabah. Kampanye dapat berupa
operasional diharuskan mengelola sebuah penyebaran pamflet dan brosur,
data yang bertujuan untuk meningkatkan pemasangan banner, atau iklan di website
pelayanan. Salah satunya yaitu data dan media sosial.
nasabah yang akan berlangganan deposito Tidak terkecuali juga kampanye
berjangka ataupun tidak. pemasaran pada lembaga perbankan di
Menurut (Prasanjaya & Ramantha, Portugis. Kampanye dilakukan dengan cara
2013) Bank adalah suatu badan keuangan menelepon langsung kepada klien untuk
yang dibawah naungan Undang-Undang menawarkan produk deposito berjangka
suatu Negara yang berkekuatan hukum, dengan harapan klien dapat berlangganan.
sehingga bank diwajibkan mentaati dan
2

Berdasarkan pertimbangan diatas, Tabel 1 Performance Vector C4.5


pendekatan datamining dengan penerapan
algoritma Decision Tree C4.5 akan True no True yes Class
dilakukan untuk memprediksi minat precision
nasabah berlangganan deposito berjangka Pred. no 3957 495 88.88%
pada bank dengan beberapa input variable Pred. 43 26 37.68%
dan satu output variable yang telah yes
ditentukan . Class 98.92% 4.99%
recall
2. Metode Penelitian
Dalam penelitian ini metode yang Pada perhitungan nilai AUC
diketahui adalah studi literatur yang didapatkan sebesar 0,760 (Gambar 3)
diperoleh dari sumber-sumber resmi, seperi dengan demikian maka klasifikasi
perpustakaan, serta situs-situs di internet. keakuratan tes diagnostiknya termasuk
Studi kasus ini juga akan didukung dengan dalam kategori baik.
pemrograman pembentukan pohon
keputusan C4.5 dari data sample dengan 4. Kesimpulan
menggunakan software Rapid Miner dan Dengan adanya penerapan
Microsoft Excel. Pengolahan klasifikasi Decision Tree C4.5 diharapkan mampu
didalam software Rapid Miner memberikan kemudahan khususnya bagi
menggunakan Information Gain yang dapat marketing perbankan dalam memprediksi
menunjukan kontruksi pohon keputusan minat calon nasabah.
algoritma C4.5 serta dapat menunjukan Namun terdapat beberapa hal yang
akurasi klasifikasi. Adapun langkah-langkah perlu penulis sarankan bagi pengembangan
untuk mencapai tujuan penelitian ini adalah penelitian ini antara lain, seperti dilakukan
sebagai berikut: perbandingan dengan metode algoritma
1. Menganalisa data yang didapatkan lain yang mendukung pengujian data yang
dari UCI Machine Learning Repository ada, sehingga bisa didapat tingkat akurasi
2. Mengkontruksikan pohon keputusan yang lebih baik lagi.
Algoritma C4.5 menggunakan data
penelitian yang telah didapat Referensi
3. Melakukan analisis terhadap hasil Lasander, C. (2013). CITRA MEREK,
keputusan yang terbentuk dan KUALITAS PRODUK, DAN PROMOSI
menghitung nilai akurasi pohon PENGARUHNYA TERHADAP
4. Mengidentifikasi data nasabah yang KEPUASAN KONSUMEN PADA
berlangganan deposito berjangka atau MAKANAN TRADISIONAL, 1(3), 284–
tidak 293.
Prasanjaya, Y., & Ramantha, I. W. (2013).
3. Hasil dan Pembahasan Analisis pengaruh rasio car, bopo, ldr
Data sample yang diperoleh dari dan ukuran perusahaan terhadap
UCI Machine Learning Repository yakni profitabilitas bank yang terdaftar di
Bank Marketing, dengan input variable bei, 1, 230–245.
yang terdiri dari age, job, marital, education, Swarasmaradhana, B., Mukid, M. A., &
defaults, balance, housing, loan, contact, Rusgiyono, A. (2014). IDENTIFIKASI
day, month, duration, campaign, days, LAMA STUDI BERDASARKAN
previous, dan poutcome. Serta output KARAKTERISTIK MAHASISWA
variable adalah variable ‘y’. MENGGUNAKAN ALGORITMA C4.5,
Pengujian data sample 3(2002), 595–604.
menggunakan Algoritma C4.5 di aplikasi
Rapid Miner menghasilkan performance
vector seperti yang terlihat dalam tabel 1.
Menampilkan akurasi 88,10% (Gambar 1),
Didapatkan bentuk pohon (Gambar 2),
serta nilai precision dan recall berturut-
turut: 37,68% dan 4,99%
3

Gambar 1 Hasil perhitungan akurasi pohon keputusan

Gambar 2 Pohon keputusan

Gambar 3 Curva ROC