Novita, Karina Dwi (2022) PREDIKSI TIME DEPOSIT DENGAN MACHINE LEARNING. Diploma thesis, Universitas YARSI.
|
Text
1. Cover_Skripsi_1402018066_KarinaDwi.pdf Download (41kB) | Preview |
|
|
Text
Lembar Pengesahan.pdf Download (317kB) | Preview |
|
|
Text
lembar pernyataan.pdf Download (208kB) | Preview |
|
|
Text
3. Abstrak_Skripsi_1402018066_KarinaDwi.pdf Download (8kB) | Preview |
|
|
Text
12. BAB 1.pdf Download (282kB) | Preview |
|
|
Text
18. Daftar Pustaka.pdf Download (154kB) | Preview |
|
![[img]](http://digilib.yarsi.ac.id/style/images/fileicons/text.png) |
Text
13. BAB 2.pdf Restricted to Registered users only Download (131kB) |
|
|
Text
14. BAB 3.pdf Restricted to Registered users only Download (409kB) |
|
|
Text
15. BAB 4.pdf Restricted to Registered users only Download (699kB) |
|
|
Text
16. BAB 5.pdf Restricted to Registered users only Download (218kB) |
|
|
Text
17. BAB 6.pdf Restricted to Registered users only Download (23kB) |
Abstract
Investasi merupakan hal yang sudah banyak dilakukan pada masyarakat di era teknologi saat ini, jenis investasi sendiri dapat berupa tanah, emas, rumah, deposito, dll. Bank mempunyai program atau produk-produk layanan yang akan ditawarkan kepada calon nasabah, dengan banyaknya program tersebut bank melakukan persaingan dengan berbagai strategi pemasaran langsung yang efisien. Pada penelitian ini penulis menerapkan model machine learning untuk memprediksi apakah nasabah akan membuka simpanan deposito atau tidak, dengan tujuan untuk meningkatkan performa pada perusahaan bank dan membantu pemasaran dalam memprediksi nasabah yang potensial untuk penawaran program deposito. Metode yang digunakan pada penelitian ini untuk memecahkan masalah ketidakseimbangan pada dataset menggunakan teknik Synthetic Minority Oversampling Technique (SMOTE). Algoritma machine learning yang digunakan adalah Linear Discriminant Analysis, K-Nearest Neighbors, Gaussian Naïve Bayes, Support Vector Classifier, Decision Tree, Random Forest, dan Xtreme Gradient Boosting (XGBoost). Hasil eksperimen menunjukan bahwa algoritma Random Forest memberikan performa yang lebih baik dibandingkan dengan algoritma lainnya, dengan hasil akurasi sebesar 90.41% dan sebaliknya algoritma Gaussian Naïve Bayes memberikan performa terendah dengan hasil akurasi sebesar 75.68%. Diharapkan dengan adanya penelitian ini dapat memberikan kontribusi dalam bidang perbankan dan industrial financial dalam memprediksi calon nasabah pada program deposito.
| Item Type: | Thesis (Diploma) |
|---|---|
| Additional Information: | S-857-FTI |
| Uncontrolled Keywords: | Deposito, Machine Learning, SMOTE, Random Forest, Gaussian Naïve Bayes |
| Subjects: | H Social Sciences > HG Finance Q Science > QA Mathematics > QA75 Electronic computers. Computer science Q Science > QA Mathematics > QA76 Computer software T Technology > T Technology (General) |
| Depositing User: | Karina Novita |
| Date Deposited: | 02 Apr 2024 06:43 |
| Last Modified: | 02 Apr 2024 06:43 |
| URI: | http://digilib.yarsi.ac.id/id/eprint/11618 |
Actions (login required)
 |
View Item |