KLASIFIKASI PEMASARAN BANK PORTUGAL MENGGUNAKAN METODE LOGISTIC REGRESSION
Article Sidebar
Read Counter : 1
Download : 1
Main Article Content
Abstract
The research discusses the utilization of three different classification methods: Logistic Regression, Random Forest, and Decision Trees, in the context of a marketing strategy implemented by a bank in Portugal. The aim is to categorize bank customers into two groups, those who subscribe (1) and those who do not subscribe (0) to the products or services offered by the bank. The data used in this study comprises various customer attributes, including their age, account balance, the duration of the last contact in the marketing campaign, the outcomes of previous campaigns, and other relevant attributes. The research commences with data preprocessing, which involves handling missing values, transforming categorical variables, and splitting the data into training and testing sets. Subsequently, the three classification methods, namely Logistic Regression, Random Forest, and Decision Trees, are implemented and tested on the training data. The results are evaluated using various evaluation metrics, including accuracy, precision, recall, and F1-score.
Article Details
Section
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Menawarkan akses terbukaReferences
[1] Santoso, A. K. S., Noviriandini, A., Kurniasih, A., Wicaksono, B. D., & Nuryanto, A. (2021). Klasifikasi Persepsi Pengguna Twitter Terhadap Kasus Covid-19 Menggunakan Metode Logistic Regression. Jurnal Informatika Kaputama (JIK), 5(2), 234-241.
[2] Achmad, A. D. (2022). Klasifikasi Breast Cancer Menggunakan Metode Logistic Regression. JTRISTE, 9(1), 143-148.
[3] Suprihati, F. R. (2021). Analisis Klasifikasi SMS Spam Menggunakan Logistic Regression. Jurnal Sistem Cerdas, 4(3), 155-160.
[4] Achmad, B. D. M., Slamat, F., & ITATS, F. T. I. (2012). Klasifikasi data karyawan untuk menentukan jadwal kerja menggunakan metode decision tree. Jurnal Iptek, 16(1).
[5] Tangkelayuk, A. (2022). Klasifikasi Kualitas Air Menggunakan Metode KNN, Naïve Bayes, dan Decision Tree. JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), 9(2), 1109- 1119.
[6] Hafizan, H., & Putri, A. N. (2020). Penerapan Metode Klasifikasi Decision Tree Pada Status Gizi Balita Di Kabupaten Simalungun. Kesatria: Jurnal Penerapan Sistem Informasi (Komputer dan Manajemen), 1(2), 68-72.
[7] Adrian, M. R., Putra, M. P., Rafialdy, M. H., & Rakhmawati, N. A. (2021). Perbandingan Metode Klasifikasi Random Forest dan SVM Pada Analisis Sentimen PSBB. Jurnal Informatika Upgris, 7(1).
[8] Religia, Y., Nugroho, A., & Hadikristanto, W. (2021). Analisis Perbandingan Algoritma Optimasi pada Random Forest untuk Klasifikasi Data Bank Marketing. Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi), 5(1), 187-192.
[9] Erdiansyah, U., Lubis, A. I., & Erwansyah, K. (2022). Komparasi Metode K-Nearest Neighbors dan Random Forest Dalam Prediksi Akurasi Klasifikasi Pengobatan Penyakit Kutil. Jurnal Media Informatika Budidarma, 6(1), 208-214.
[10] Pamungkas, F. S., Prasetya, B. D., & Kharisudin, I. (2020, March). Perbandingan Metode Klasifikasi Supervised Learning pada Data Bank Customers Menggunakan Python. In PRISMA, Prosiding Seminar Nasional Matematika (Vol. 3, pp. 692-697).
[11] Wibisono, A. B., & Fahrurozi, A. (2020). Perbandingan Algoritma Klasifikasi Dalam Pengklasifikasian Data Penyakit Jantung Koroner. jurnal ilmiah teknologi dan rekayasa, 24(3), 161-170.
[12] Depari, D. H., Widiastiwi, Y., & Santoni, M. M. (2022). Perbandingan Model Decision Tree, Naive Bayes dan Random Forest untuk Prediksi Klasifikasi Penyakit Jantung. Informatik: Jurnal Ilmu Komputer, 18(3), 239-248.
[13] Sotarjua, L. M., & Santoso, D. B. (2022). Perbandingan Algoritma KNN, Decision Tree dan Random Forest Pada Data Imbalanced Class Untuk Klasifikasi Promosi Karyawan. Jurnal INSTEK (Informatika Sains dan Teknologi), 7(2), 192-200.
[14] Guan, K., Wu, J., Kimball, J. S., Anderson, M. C., Frolking, S., Li, B., ... & Lobell, D. B. (2017). The shared and unique values of optical, fluorescence, thermal and microwave satellite data for estimating large-scale crop yields. Remote sensing of environment, 199, 333-349.
[15] Budiarti, L., Tarno, T., & Warsito, B. (2013). Analisis Intervensi Dan Deteksi Outlier Pada Data Wisatawan Domestik (Studi Kasus Di Daerah Istimewa Yogyakarta). Jurnal Gaussian, 2(1), 39-48.
[16] Ramadhy, I. F., & Sibaroni, Y. (2022). Analisis Trending Topik Twitter dengan Fitur Ekspansi FastText Menggunakan Metode Logistic Regression. JURIKOM (Jurnal Riset Komputer), 9(1), 1- 7.
[17] Primajaya, A., & Sari, B. N. (2018). Random forest algorithm for prediction of precipitation. Indonesian Journal of Artificial Intelligence and Data Mining, 1(1), 27-31.
[18] Achmad, B. D. M., Slamat, F., & ITATS, F. T. I. (2012). Klasifikasi data karyawan untuk menentukan jadwal kerja menggunakan metode decision tree. Jurnal Iptek, 16(1).
[19] Faruk, F. M., Doven, F. S., & Budyanra, B. (2019). Penerapan Metode Regresi Logistik Biner Untuk Mengetahui Determinan Kesiapsiagaan Rumah Tangga Dalam Menghadapi Bencana Alam. In Seminar nasional official statistics (Vol. 2019, No. 1, pp. 379-389).
[20] Daga, E. K. N., & Suryowati, K. (2017). Penerapan Metode Regresi Logistik Ordinal dan Regresi Probit Ordinal untuk Mengestimasi Probabilitas Lama Masa Studi Mahasiswa IST AKPRIND Yogyakarta. Jurnal Statistika Industri dan Komputasi, 2(02), 104-114.