Penerapan Algoritma Decision Tree untuk Mengidentifikasi Karakteristik Nasabah yang Cenderung Berlangganan Deposito Berjangka

Ananda Rizky Nur Putra Wahyudi

Sari


Penelitian ini mengkaji penerapan Algoritma Decision Tree untuk mengidentifikasi karakteristik kunci nasabah bank yang menunjukkan kecenderungan tinggi untuk berlangganan produk deposito berjangka. Dalam industri perbankan yang kompetitif, pemahaman mendalam tentang profil nasabah potensial sangat penting untuk mengoptimalkan strategi pemasaran dan meningkatkan akuisisi produk. Dengan menganalisis data historis nasabah, termasuk informasi demografi, riwayat transaksi keuangan, dan interaksi produk sebelumnya, model Decision Tree dibangun untuk memprediksi probabilitas berlangganan deposito berjangka. Algoritma Decision Tree dipilih karena kemampuannya dalam memodelkan hubungan non-linier dan menghasilkan aturan-aturan keputusan yang mudah diinterpretasi oleh pihak manajemen. Hasil analisis menunjukkan bahwa variabel seperti usia, tingkat pendapatan, durasi hubungan nasabah dengan bank, dan kepemilikan produk investasi lain merupakan karakteristik signifikan yang memengaruhi keputusan nasabah untuk berinvestasi dalam deposito berjangka. Model klasifikasi yang dikembangkan berhasil mencapai akurasi sebesar XX% dalam memprediksi nasabah potensial. Implikasi dari temuan ini memungkinkan bank untuk merancang kampanye pemasaran yang lebih terarah, penawaran produk yang dipersonalisasi, dan alokasi sumber daya yang lebih efisien untuk menarik segmen nasabah yang tepat, pada akhirnya meningkatkan penetrasi pasar deposito berjangka dan profitabilitas bank.

Kata kunci— Decision Tree, Deposito Berjangka, Klasifikasi Nasabah, Data Mining, Perbankan, Karakteristik Pelanggan.

Teks Lengkap:

PDF

Referensi


S. Yang and T. Chen, “Uncertain decision tree for bank marketing classification,” Journal of Computational and Applied Mathematics, vol. 371, p. 112710, 2020.

O. Xhoxhi, Z. Sinaj, and L. Ismaili, “Exploring Profitability in Albanian Banks through Decision Tree Analysis,” Theoretical and Practical Research in Economic Fields, vol. 15, no. 3, 2024.

Rusito and M. T. Firmansyah, “Implementasi Metode Decision Tree Dan Algoritma C4.5 Untuk Klasifikasi Data Nasabah Bank,” INFOKAM, no. I Th. XII, Maret 2016.

L. J. Li and K. Y. Junn, “Decision Tree with Genetic Algorithm for Bank Customer Churn Prediction,” in Conference Paper, 2023.

E. Akkaya and S. Turgay, “Unveiling the Power: A Comparative Analysis of Data Mining Tools through Decision Tree Classification on the Bank Marketing Dataset,” WSEAS TRANSACTIONS on COMPUTERS, vol. 23, no. 9, 2024.

F. Safarkhani and S. Moro, “Improving the Accuracy of Predicting Bank Depositor's Behavior Using a Decision Tree,” Appl. Sci., vol. 11, no. 9016, 2021.

F. Shahbazi, “Using Decision Tree Classification Algorithm to Design and Construct the Credit Rating Model for Banking Customers,” IOSR Journal of Business and Management, vol. 21, no. 3, pp. 24–28, 2020.

E. I. Gubin and Y. Jin, “Comparing Decision Tree and Random Forest Data Mining Methods, The Impact on The Prediction Results of Bank Customer Credit Classification,” in Conference Proceedings, Tomsk Polytechnic University, 2022, pp. 251-252.

L. G. Kabari and E. O. Nwachukwu, “Credit Risk Evaluating System Using Decision Tree - Neuro Based Model,” International Journal of Engineering Research & Technology (IJERT), vol. 2, no. 6, 2013.

L. G. Kabari and E. O. Nwachukwu, “Decision Support System Using Decision Tree and Neural Networks,” Computer Engineering and Intelligent Systems, vol. 4, no. 7, 2013.

M. Mohankumar, S. Amuthakkani, and G. Jeyamala, “Comparative Analysis of Decision Tree Algorithms for the Prediction of Eligibility of a Man For Availing Bank Loan,” International Journal of Advanced Research in Biology Engineering Science and Technology (IJARBEST), vol. 2, no. 15, 2016.

F. M. Basysyar, A. R. Dikananda, and D. A. Kurnia, “Prediction of Bank Customer Potential Using Creative Marketing Based on Exploratory Data Analysis and Decision Tree Algorithm,” Ingénierie des Systèmes d'Information, vol. 27, no. 4, pp. 597–604, 2022.

L. Guo et al., “Bank Credit Risk Early Warning Model Based on Machine Learning Decision Trees,” Journal of Economic Theory and Business Management, vol. 1, no. 3, 2024.

Q. Xin et al., “Enhancing Bank Credit Risk Management Using the C5.0 Decision Tree Algorithm,” Journal of Computer Technology and Applied Mathematics, vol. 1, no. 4, 2024.


Refbacks

  • Saat ini tidak ada refbacks.


EJECTS: Jurnal Computer, Technology, and Informations System

Gedung Fakultas Ilmu Komputer, Universitas Darwan Ali, JL. Batu Berlian, No. 10, Sampit, Kabupaten Kotawaringin Timur, Provinsi Kalimantan Tengah, 74322

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

View My Stats