Perbandingan Metode Random Forest Dan Naïve Bayes Dalam Prediksi Keberhasilan Klien Telemarketing

##plugins.themes.academic_pro.article.sidebar##

Published Oct 1, 2020
Download
PDF
Statistic
Vol. 3 No. 2 (2020): Jutikomp Volume 3 Nomor 2 Oktober 2020

##plugins.themes.academic_pro.article.main##

Ricky Leonardo
Universitas Prima Indonesia
Janis Pratama
Universitas Prima Indonesia
Chrisnatalis Chrisnatalis
Universitas Prima Indonesia

Abstract

Telemarketing adalah salah satu metode promosi menggunakan media media telepon. Salah satu contoh dari penggunaan telemarketing ada pada bank seperti   promosi deposito. Perlu dilakukan prediksi terhadap keputusan klien terhadap telemarketing untuk membantu kinerja telemarketing. Pada penelitian ini, data yang digunakan pada penelitian ini adalah data sekunder yang berasal dari website Machine Learning UCI. Metode yang digunakan dalam penelitian ini adalah Naïve Bayes, dan Random Forest. Sebelum melakukan pelatihan dan pengujian, dilakukan praproses data terhadap data-data tersebut. Metode praproses yang digunakan adalah normalisasi data, pengubahan data kategori. Setelah melakukan pengujian, dapat disimpulkan bahwa Algoritma Random Forest lebih tepat digunakan untuk kasus prediksi keputusan klien. Hal ini terlihat dimana akurasi yang didapatkan adalah 90%, dimana  lebih tinggi 5% dibandingkan algoritma Naïve Bayes. Nilai dari AUC dari algoritma Random Forest adalah 0.97 dimana lebih tinggi 1,3 dibandingkan algoritma Naïve Bayes.

##plugins.themes.academic_pro.article.details##

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

References

  1. J. A. Monareh, A. Fauzi, and I. P. Nuralam, “PENGARUH TELEMARKETING TERHADAP KEPUTUSAN PEMBELIAN ( Survei Online pada Pelanggan Produk Multiguna Astra Credit Companies Priority di PT Astra Sedaya Finance ),” J. Adm. Bisnis, vol. 58, no. 2, 2018.
  2. E. P. Saputra, “PREDIKSI KEBERHASILAN TELEMARKETING BANK UNTUK MENCARI ALGORITMA DENGAN PERFORMA TERBAIK,” J. Ilmu Pengetah. Dan Teknol. Komput., vol. 2, no. 2, pp. 66–72, 2017.
  3. S. Syarli and A. Muin, “Metode Naive Bayes Untuk Prediksi Kelulusan (Studi Kasus: Data Mahasiswa Baru Perguruan Tinggi),” J. Ilm. Ilmu Komput., vol. 2, no. 1, pp. 22–26, 2016.
  4. M. Guntur, J. Santony, and Y. Yuhandri, “Prediksi Harga Emas dengan Menggunakan Metode Naïve Bayes dalam Investasi untuk Meminimalisasi Resiko,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 2, no. 1, pp. 354–360, 2018, doi: 10.29207/resti.v2i1.276.
  5. N. R. Indraswari and Y. I. Kurniawan, “Aplikasi Prediksi Usia Kelahiran Dengan Metode Naive Bayes,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 9, no. 1, pp. 129–138, 2018, doi: 10.24176/simet.v9i1.1827.
  6. A. Primajaya and B. N. Sari, “Random Forest Algorithm for Prediction of Precipitation,” Indones. J. Artif. Intell. Data Min., vol. 1, no. 1, p. 27, 2018, doi: 10.24014/ijaidm.v1i1.4903.
  7. V. W. Siburian and I. E. Mulyana, “Prediksi Harga Ponsel Menggunakan Metode Random Forest,” Pros. Annu. Res. Semin., vol. 4, no. 1, pp. 144–147, 2018.
  8. I. M. Budi Adnyana, “Prediksi Lama Studi Mahasiswa Dengan Metode Random Forest (Studi Kasus : Stikom Bali),” CSRID (Computer Sci. Res. Its Dev. Journal), vol. 8, no. 3, pp. 201–208, 2016, doi: 10.22303/csrid.8.3.2016.201-208.
  9. S. N. Edusaintek, B. Bawono, R. Wasono, and U. M. Semarang, “Perbandingan Metode Random Forest Dan Naïve Bayes Untuk Klasifikasi Debitur Berdasarkan Kualitas Kredit,” Fmipa Unimus, pp. 343–348, 2019.
  10. T. Pranckevičius and V. Marcinkevičius, “Comparison of Naive Bayes, Random Forest, Decision Tree, Support Vector Machines, and Logistic Regression Classifiers for Text Reviews Classification,” Balt. J. Mod. Comput., vol. 5, no. 2, 2017, doi: 10.22364/bjmc.2017.5.2.05.
  11. A. P. Wibawa et al., “Naïve Bayes Classifier for Journal Quartile Classification,” Int. J. Recent Contrib. from Eng. Sci. IT, vol. 7, no. 2, p. 91, 2019, doi: 10.3991/ijes.v7i2.10659.