Meta-Algorithms untuk Meningkatkan Kinerja Klasifikasi dalam Keberhasilan Telemarketing Perbankan

Muhammad Eka Purbaya; Anggit Ferdita Nugraha; Sapriani Gustina; Muhammad Khusaini Azis

doi:10.33633/tc.v19i4.3725

Meta-Algorithms untuk Meningkatkan Kinerja Klasifikasi dalam Keberhasilan Telemarketing Perbankan

Muhammad Eka Purbaya, Anggit Ferdita Nugraha, Sapriani Gustina, Muhammad Khusaini Azis

Abstract

Banyak bank dan perusahaan asuransi berinteraksi dengan pelanggan mereka menggunakan jasa telemarketing agar dapat lebih meningkatkan pendapatan bank dan mencapai target. Kompetisi yang ketat di industri perbankan membuat tenaga penjualan bank mengejar target terutama menjelang akhir tahun. Pelaku telemarketing atau biasa disebut telemarketer pada perbankan bertugas menghubungi nasabah potensial yang dilakukan secara berkala melalui sambungan telepon. Namun tidak semua nasabah mendapatkan respons yang positif, sering kali telemarketing menemui antipati dari nasabah sebelum proses komunikasi dilakukan. Pendekatan yang diusulkan untuk menemukan nasabah potensial adalah dengan cara klasifikasi data nasabah menggunakan pembelajaran mesin (machine learning). Penggunaan algoritme pembelajaran yang dilakukan secara tunggal memungkinkan untuk dikembangkan menggunakan meta-algorithms sehingga akan memaksimalkan kinerja klasifikasi dalam memprediksi target pelanggan atau nasabah yang sesuai dengan kebutuhan perusahaan agar tujuan pemasaran tercapai. Berdasarkan hasil penelitian yang diperoleh, tindakan pra-pemrosesan dan penggunaan meta-algorithms seperti bagging memberikan kontribusi yang baik untuk proses pembelajaran model decission tree pada data telemarketing dengan hasil akurasi terbaik 98,7%.

Keywords

telemarketing;meta-algoritms; decission tree; bagging

Full Text:

PDF

References

C. S. T. Koumetio, W. Cherif, and S. Hassan, “Optimizing the prediction of telemarketing target calls by a classification technique,” Proc. - 2018 Int. Conf. Wirel. Networks Mob. Commun. WINCOM 2018, no. October, 2019, doi: 10.1109/WINCOM.2018.8629675.

E. M. A. Elsalamony A. Hany, “Bank Direct Marketing Based on Neural Network,” Adv. Energy Mater., vol. 8, no. 25, pp. 1–9, 2018, doi: 10.1002/aenm.201800466.

K. C. Schneider, “Telemarketing as a promotional tool-its effects and side effects,” J. Consum. Mark., vol. 2, no. 1, p. 29, 1985, doi: 10.1108/eb038818.

E. Zeinulla, K. Bekbayeva, and A. Yazici, “Comparative study of the classification models for prediction of bank telemarketing,” IEEE 12th Int. Conf. Appl. Inf. Commun. Technol. AICT 2018 - Proc., pp. 1–5, 2018, doi: 10.1109/ICAICT.2018.8747086.

R. Vaidehi, “Predictive Modeling to Improve Success Rate of Bank Direct Marketing Campaign,” Int. J. Manag. Bus. Stud., vol. 6, no. 1, pp. 22–24, 2016.

S. Moro, P. Cortez, and P. Rita, “A data-driven approach to predict the success of bank telemarketing,” Decis. Support Syst., vol. 62, pp. 22–31, 2014, doi: 10.1016/j.dss.2014.03.001.

V. Yadav, M. Sreelatha, and T. V. Rajinikanth, “Classification of telemarketing data using different classifier algorithms,” Int. J. Innov. Technol. Explor. Eng., vol. 8, no. 12, pp. 1300–1306, 2019, doi: 10.35940/ijitee.L3917.1081219.

J. Asare-Frempong and M. Jayabalan, “Predicting customer response to bank direct telemarketing campaign,” 2017 Int. Conf. Eng. Technol. Technopreneurship, ICE2T 2017, vol. 2017-Janua, pp. 1–4, 2017, doi: 10.1109/ICE2T.2017.8215961.

K. H. Kim, C. S. Lee, S. M. Jo, and S. B. Cho, “Predicting the success of bank telemarketing using deep convolutional neural network,” Proc. 2015 7th Int. Conf. Soft Comput. Pattern Recognition, SoCPaR 2015, pp. 314–317, 2016, doi: 10.1109/SOCPAR.2015.7492828.

W. Jin and Y. He, “Three data mining models to predict bank telemarketing,” IOP Conf. Ser. Mater. Sci. Eng., vol. 490, no. 6, 2019, doi: 10.1088/1757-899X/490/6/062075.

D. Grzonka, G. Suchacka, and B. Borowik, “Application of Selected Supervised Classification Methods to Bank Marketing Campaign,” Inf. Syst. Manag., vol. 5, no. 1, pp. 36–48, 2016.

S. Palaniappan, A. Mustapha, C. F. Mohd Foozy, and R. Atan, “Customer Profiling using Classification Approach for Bank Telemarketing,” JOIV Int. J. Informatics Vis., vol. 1, no. 4–2, p. 214, 2017, doi: 10.30630/joiv.1.4-2.68.

L. Rahman, N. A. Setiawan, and A. E. Permanasari, “Feature selection methods in improving accuracy of classifying students’ academic performance,” in 2017 2nd International conferences on Information Technology, Information Systems and Electrical Engineering (ICITISEE), Nov. 2017, no. 1, pp. 267–271, doi: 10.1109/ICITISEE.2017.8285509.

A. Saifudin and R. S. Wahono, “Penerapan Teknik Ensemble untuk Menangani Ketidakseimbangan Kelas pada Prediksi Cacat Software,” J. Softw. Eng., vol. 1, no. 1, pp. 28–37, 2015.

L. Breiman, “Bagging predictors,” Mach. Learn., vol. 24, no. 2, pp. 123–140, 1996, doi: 10.1007/bf00058655.

Y. Freund and R. E. Schapire, “A Short Introduction to Boosting,” J. Japanese Soc. Artif. Intell., vol. 14, no. 5, pp. 771–780, 1999, [Online]. Available: http://arxiv.org/abs/1508.01136.

V. Estivill-Castro, M. Lombardi, and A. Marani, “Improving binary classification of web pages using an ensemble of feature selection algorithms,” in Proceedings of the Australasian Computer Science Week Multiconference on - ACSW ’18, 2018, pp. 1–10, doi: 10.1145/3167918.3167963.

R. Sikora and O. Al-Laymoun, “A Modified Stacking Ensemble Machine Learning Algorithm Using Genetic Algorithms,” in Artificial Intelligence, IGI Global, pp. 395–405.

M. Mirqotussa’adah, M. A. Muslim, E. Sugiharti, B. Prasetiyo, and S. Alimah, “Penerapan Dizcretization dan Teknik Bagging Untuk Meningkatkan Akurasi Klasifikasi Berbasis Ensemble pada Algoritma C4.5 dalam Mendiagnosa Diabetes,” Lontar Komput. J. Ilm. Teknol. Inf., vol. 8, no. 2, p. 135, 2017, doi: 10.24843/lkjiti.2017.v08.i02.p07.

DOI: https://doi.org/10.33633/tc.v19i4.3725