BAB 1

PENDAHULUAN

1.1 Latar Belakang

Bank disebutkan sebagai badan usaha yang menghimpun dana dari masyarakat
dalam bentuk simpanan dan menyalurkannya kepada masyarakat dalam bentuk kredit
dan atau bentuk-bentuk lainnya dalam rangka meningkatkan taraf hidup masyarakat
⁠[1]. Kegiatan usaha yang dilaksanakan oleh Bank meliputi Memberikan kredit,
Menerbitkan surat pengakuan utang, Membeli, menjual, atau menjamin atas risiko
sendiri maupun untuk kepentingan dan atas perintah nasabahnya, Menghimpun dana
dari masyarakat dalam bentuk simpanan berupa giro, sertifikat deposito, tabungan, dan
deposito berjangka.
Setiap bank memiliki tekanan besar dalam persaingan internal dan menghadapi
krisis keuangan bank mengharuskan meningkatkan aset keuangan. Untuk mengatasi
masalah ini, salah satu strategi yang diterapkan bank adalah menawarkan deposito
jangka panjang yang menarik dengan suku bunga yang baik. Kegiatan usaha yang
dilaksanakan oleh bank yang terkait akan tidak akan berjalan kecuali ada 2 pendekatan
terhadap klien yaitu melalui kampanye massal, menargetkan publik tanpa pandang bulu
atau pemasaran langsung, menargetkan serangkaian kontak tertentu ⁠[2]. Pemasaran
langsung adalah kegiatan komunikasi secara langsung terhadap individu yang
ditargetkan dengan teliti untuk mendapatkan tanggapan langsung dan membangun
hubungan pelanggan yang berjangka panjang ⁠[3]. Kegiatan pemasaran langsung
biasanya dilakukan dengan berkomunikasi secara langsung melalui perangkat
telekomunikasi kepada klien yang berpotensi.
Deposito berjangka adalah satu bentuk simpanan bank yang penempatan
dananya memiliki jangka waktu tertentu sebagai batas akhir berlakunya deposito [4].
Untuk mengurangi biaya dan waktu ada keharusan untuk meningkatkan efisiensi yaitu
mengurangi kontak klien agar lebih sedikit, serta menghitung, dan menyimpan
perkiraan klien yang berhasil berlangganan deposito maupun yang tidak berlangganan
deposito [2]⁠. Data yang disimpan oleh pemasar seiring berjalannya waktu akan

12
berkembang menjadi sebuah big data. Big data merupakan data yang melebihi
kapasitas pemrosesan sistem database konvensional [5].
Untuk mendapatkan nilai, hasil, dan makna yang dibutuhkan sesuai dengan
tujuan yang dimiliki dari big data diperlukan adanya cara memproses data ini. Data
Mining merupakan salah satu cara yang tepat untuk mendapatkan hal tersebut. Data
mining adalah analisis (seringkali besar) kumpulan data observasional untuk
menemukan hubungan yang tidak terduga dan untuk meringkas data dengan cara baru
yang dapat dimengerti dan berguna bagi pemilik data [6]. Data mining meliputi
keseluruhan proses dimulai dari komunikasi masalah bisnis melalui pengumpulan dan
pengelolaan data, pra pemrosesan data, pembuatan model, evaluasi model dan
akhrinya penerapan model.
Data pemasaran bank ini dapat dianalisis menggunakan teknik data mining
sehingga kemungkinan klien yang melakukan deposito berjangka klien dapat
ditentukan sebelumnya. Diharapkan kemungkinan deposito berjangka yang
diputuskan oleh klien pada tahap awal membantu sektor bank untuk melihat masalah
ini dari perspektif yang berbeda untuk menarik klien ke skema deposito berjangka
mereka. Salah satu tugas yang dapat dilakukan dengan data mining adalah klasifikasi.
Klasifikasi berdasarkan kamus oxford adalah sebuah aksi atau proses
meletakkan orang atau sesuatu kedalam grup atau kelas. Dalam klasifikasi ada
variabel kategori target. Klasifikasi sangat penting digunakan dengan adanya Big
Data di berbagai bidang diantara lain e-commerce, medical, tourism, game dan hingga
ke bidang lainnya. Metode yang di yang sering digunakan dalam memecahkan
masalah klasifikasi dalam adalah machine learning diantaranya Decision Tree,
Artificial Network,Naive Bayes, Random Forest, dan lain-lain. Machine Learning
adalah sarana penting untuk mensintesis dan menafsirkan hubungan mendasar antara
pola data dan tugas pengoptimalan secara aktif [7]⁠.
Machine learning dapat digunakan sebagai alat untuk meningkatkan penjualan
melalui operasi telemarketing [8]⁠. Algoritma machine learning dapat memproses data
telemarketing secara otomatis untuk menemukan pola dan tren yang tersembunyi,
sehingga dapat memprediksi kemungkinan sukses panggilan telemarketing kepada

13
pelanggan potensial. Selain itu, machine learning juga dapat membantu meningkatkan
efisiensi dalam mengontak pelanggan yang lebih mungkin tertarik pada produk atau
layanan yang ditawarkan, serta meningkatkan personalisasi panggilan telemarketing
dengan memanfaatkan data pelanggan yang tersedia. Dengan demikian, perusahaan
dapat meningkatkan tingkat penjualan melalui telemarketing dengan cara yang lebih
efektif dan efisien.
Data yang dikumpulkan telah dilakukan oleh Moro pada 17 kali kampanye
telemarketing diantara bulan mei 2008 dan November 2010, koresponden yang
terkumpul sebanyak 79354 kontak dari semua data yang terkumpul
kemungkinan klien yang sukses untuk mengambil deposito berjangka sebesar 8% atau
sebanyak 6499 dari keseluruhan [2]⁠.
Dalam penelitian acuan yang dilakukan oleh Siregar A.M. E.t al. Melakukan
penelitian dengan menggunakan metode deep learning artificial neural network
dengan menginisialisasi 16 neuron input layer, dan 2 neuron pada output layer sesuai
dengan ke 17 attribut secara keseluruhan dalam memprediksi nasabah berlangganan
deposito berjangka. Penelitian ini menghasilkan nilai presisi 64.975%, nilai recall
69.935 %, nilai F1-Score 67.36382%, akurasi yang didapatkan sebesar 80% [9].
Penelitian yang lain yang dilakukan oleh Dana Bani-Hani e.t al. Melakukan klasifikasi
dengan menggunakan metode Recursive General Regression Neural Network yang
merupakan variasi jenis metode artificial neural network perbedaannya adalah metode
ini bersifat rekursif yang artinya dapat menggunakan outputnya sendiri sebagai input
untuk pemrosesan lebih lanjut. Hasil yang didapatkan pada penelitian ini nilai presisi
78.52%, nilai Recall 83.44%, nilai F1-Score 80.90%, akurasi yang didapatkan sebesar
82.09% [10].

Pada penelitian acuan dan menggunakan Artificial Neural Network dan

sejenisnya sebagai metode utamanya. Metode ini mampu melakukan tugas yang sangat
kompleks seperti klasifikasi dan pemahaman pola [9], [10]⁠.Namun, metode ini
memiliki kekurangan yang utamanya yaitu memiliki sifat “black box” yang artinya
sulit mengidentifikasi kemungkinan sebab dan akibat, kemudian pengembangan model

14
ini bersifat empiris, dan banyak masalah metodologis yang harus diselesaikan yang
artinya tidak memiliki acuan pasti [11], dan juga metode ini membutuhkan data yang
banyak karena metode ini perlu mempelajari fitur secara langsung melalui proses end-
to-end [12].
Kelemahan dari dari metode tersebut dapat ditangani oleh metode Gradient
Boosting yang mampu memberikan mengidentifikasikan sebab akibat pada suatu data
dan tahan terhadap fitur yang tidak relevan. Metode gradient boosting merupakan
algoritma machine learning berbasis ensemble yang pertama kali diusulkan oleh
Friedman. Algoritma bekerja secara iterasi atau berulang dengan memanfaatkan nilai
residu pada pohon di tiap iterasinya kemudian digabungkan setiap weak learner
menjadi sebuah algoritma yang kuat [13]⁠. Algoritma ini menjadi satu pilihan dalam
menangani proses klasifikasi yang berdimensi tinggi [14], Algoritma ini mampu
memodelkan relasi yang sangat kompleks pada suatu data yang artinya algoritma ini
memiliki cakupan yang sangat luas dalam berbagai bidang [15].
Dalam beberapa studi. Penelitian, optimalisasi hyperparameter berperan
penting untuk meningkat akurasi dengan mendapatkan komposisi-komposisi
parameter model yang lebih optimal [16], [17]. Penelitian yang dilakukan oleh Schartz
Patrick e.t al. Telah melakukan pengujian menggunakan model machine learning
dengan optimalisasi hyperparameter mendeteksi Diplodia sapine [18]⁠.
Dalam penelitian acuan yang telah dilakukan, masih diperlukan peningkatan
pada F1-Score nya hal ini disebabkan karena nilai presisi dan nilai recall dikatakan
belum maksimal. Oleh karena itu penelitian ini berfokus dalam meningkatkan akurasi
dari penelitian sebelumnya. permasalahan yang dihadapi adalah F1-score yang belum
maksimal. Maka dari itu judul yang tepat yang diajukan oleh penulis yaitu “Prediksi
Nasabah Berpotensi untuk Deposito Berjangka Menggunakan Algoritma Gradient
Boosting dengan Optimalisasi Hyperparameter”

15
1.2 Rumusan Masalah
Berdasarkan kajian dan pembahasan literatur dan hipotesa serta kontribusi yang telah
dipaparkan pada bab pendahuluan maka dapat dirumuskan masalah penelitian, sebagai
berikut :
1. Bagaimana meningkatkan hasil F1-score memanfaatkan metode Gradient Boosting
dengan optimalisasi Hyperparameter
2. Bagaimana model Gradient Boosting dengan optimalisasi Hyperparameter yang
digunakan saat ini dapat memperbaiki hasil dari model sebelumnya?

1.3. Tujuan Penelitian

Tujuan penelitian ini untuk meningkatkan performa model dengan hasil yang
lebih baik dari penelitian sebelumnya dengan cara meningkatkan F1-score
menggunakan metode Gradient Boosting dengan Optimalisasi Hyperparameter

1.4 Batasan Masalah

Untuk memfokuskan penelitian dan memperjelas penyelesaian sehingga mudah
dipahami dan penyusunannya lebih terarah, maka dilakukan pembatasan masalah
sebagai berikut:
1. Teknik optimalisasi Hyperparameter digunakan sebagai metode untuk
mengoptimalkan performa model pembelajaran mesin yang diusulkan
2. Dataset yang digunakan dalam penelitian ini merupakan dataset asli dari kampanye
marketing bank.
3. Dataset yang digunakan sebanyak 45211 data dan memiliki 16 atribut.
4. Dataset dibagi menjadi data training dan data test dengan pembagian 80:20
5. Menggunakan Bahasa pemrograman python.

16