Feature Selection dengan Decision Tree untuk Prediksi Telemarketing Bank

Abstract

Persaingan dalam dunia perbankan membuat pemicu terbentuknya suatu strategi yang dapat menarik nasabah sebanyak-banyaknya. Selain pemasaran dilakukan secara tatap muka kepada calon nasabah, bank dapat menggunakan atau memanfaatkan teknologi untuk melakukan pemasaran dalam jarak jauh seperti menggunakan fax, telepon maupun alat media lain seperti pemasaran lewat telepon (Telemarketing). Oleh karena itu, penting bagi perusahaan untuk memprediksi seberapa tinggi probabilitas para pelanggan agar dapat menerima penjualan atau penawaran berdasarkan jenis karakteristik maupun perilaku calon nasabah selama bertransaksi. Penelitian ini bertujuan untuk meningkatkan akurasi profil nasabah pada suatu perusahaan perbankan melalui klasifikasi serta mengidentifikasi kelompok nasabah yang memiliki probabilitas tinggi untuk berlangganan deposito berjangka panjang dengan menggunakan algoritma Naïve Bayes, Logistic Function dan Decision Tree. Sejumlah 45.211 data dari Bank Marketing Data Set diperoleh dari UCI Machine Learning Repository memiliki atribut sebanyak 17 dan bersifat multivariate diimplementasikan pada metode Feature Selection dengan algoritma Decision Tree. Hasil menunjukkan bahwa algoritma tersebut mampu dengan optimal untuk memprediksi keputusan klien telemarketing bank dengan hasil akurasi sebesar 91,14% dan dapat diterapkan pada atribut klien bank.