Prediksi Keputusan Nasabah dalam Berlangganan Deposito Berjangka Menggunakan Algoritma Naive Bayes Classifier

Dewi Eka Putri; Eka Praja Wiyata Mandala

doi:10.55382/jurnalpustakadata.v6i4.2276

Penulis

Dewi Eka Putri Universitas Putra Indonesia YPTK Padang
Eka Praja Wiyata Mandala Universitas Putra Indonesia YPTK Padang

DOI:

https://doi.org/10.55382/jurnalpustakadata.v6i4.2276

Kata Kunci:

naive bayes classifier, prediksi deposito, klasifikasi nasabah, data mining, machine learning

Abstrak

Persaingan industri perbankan yang semakin ketat menuntut bank untuk mampu mengidentifikasi nasabah yang berpotensi berlangganan deposito berjangka secara tepat. Proses penentuan target pemasaran yang masih dilakukan secara konvensional seringkali menyebabkan promosi kurang efektif karena tidak semua nasabah memiliki minat yang sama terhadap produk deposito. Tujuan penelitian ini adalah membangun model prediksi keputusan nasabah terhadap produk deposito berjangka menggunakan algoritma Naive Bayes Classifier. Dataset yang digunakan terdiri dari 515 data nasabah perbankan yang telah disesuaikan dengan kondisi perbankan di Kota Padang. Variabel yang digunakan meliputi saldo_tabungan, pekerjaan, usia, status_perkawinan, pendidikan_terakhir, kredit_rumah, kredit_pribadi, tunggakan, durasi_panggilan, dan hasil_kampanye_sebelumnya, dengan keputusan_deposito sebagai variabel target. Tahapan penelitian meliputi pengumpulan data, seleksi data, preprocessing, transformasi data, pembagian data, penerapan algoritma Naive Bayes Classifier, serta pengujian dan evaluasi model. Dataset dibagi menjadi data training sebesar 80% dan data testing sebesar 20%. Hasil pengujian menunjukkan bahwa model Naive Bayes Classifier mampu menghasilkan akurasi sebesar 89,32% dalam memprediksi keputusan nasabah berlangganan deposito berjangka. Hasil penelitian menunjukkan bahwa algoritma Naive Bayes Classifier dapat digunakan sebagai metode klasifikasi yang efektif untuk membantu pihak perbankan dalam menentukan target pemasaran deposito secara lebih tepat sasaran.

Unduhan

Data unduhan belum tersedia.

Referensi

I. Indrastata, “Strategi Promosi Perbankan dengan Analisis dan Implementasi Algoritma Random Forest,” AnoaTIK J. Teknol. Inf. dan Komput., vol. 1, no. 2, pp. 54–58, 2023, doi: 10.33772/anoatik.v1i2.8.

M. R. A. Riyyasy, W. N. Aghniya, dan H. Tantyoko, “Penerapan Algoritma Machine Learning Untuk Memprediksi Term Deposit Nasabah Perbankan,” LEDGER J. Inform. Inf. Technol., vol. 2, no. 3, pp. 145–156, 2023, doi: 10.20895/ledger.v2i3.1416.

H. E. Prayoga, D. R. I. M. Setiadi, dan H. Kurniawan, “Penerapan Machine Learning dan Deep Learning untuk Memprediksi Langganan Produk Keuangan Berdasarkan Fitur Pelanggan,” J. Inovtek Polbeng - Seri Inform., vol. 10, no. 2, pp. 670–681, 2025, doi: 10.35314/cyvzwk14.

Aurelia dan L. Hiryanto, “Sistem Rekomendasi Deposito Berjangka Menggunakan Metode Random Forest: Studi Kasus pada Bank Marketing UCI,” Comput. J. Comput. Sci. Inf. Syst., vol. 9, no. 1, pp. 1–8, 2025, doi: 10.24912/computatio.v9i1.32667.

A. N. Puteri, Arizal, dan A. D. Achmad, “Feature Selection Correlation-Based pada Prediksi Nasabah Bank Telemarketing untuk Deposito,” Matrik J. Manajemen, Tek. Inform. dan Rekayasa Komput., vol. 20, no. 2, pp. 335–342, 2021, doi: 10.30812/matrik.v20i2.1183.

M. N. Tentua, Turiyan, dan K. Nurbagja, “Komparasi Metode Naïve Bayes dan C45 pada Prediksi Pelanggan Deposito Berjangka,” J. Din. Inform., vol. 11, no. 1, pp. 92–99, 2022, [Daring]. Tersedia pada: https://jdi.upy.ac.id/index.php/jdi/article/view/136.

A. Mutiarachim dan J. S. P. Tyoso, “Optimasi Prediksi Pemasaran Nasabah Deposito Bank dengan Metode Klasifikasi Logistic Regression,” J. Cakrawala Inf. J., vol. 4, no. 1, pp. 20–28, 2024, doi: 10.54066/jci.v4i1.390.

M. T. Syofyan, N. Amalita, D. Vionanda, dan D. Fitria, “Comparison of Distance Function in K-Nearest Neighbor Algorithm to Predict Prospective Customers in Term Deposit Subscriptions,” UNP J. Stat. Data Sci., vol. 1, no. 3, pp. 105–111, 2023, doi: 10.24036/ujsds/vol1-iss3/47.

B. L. E. Panggabean dan F. Aziz, “Klasifikasi Nasabah Potensial menggunakan Algoritma Ensemble Least Square Support Vector Machine dengan AdaBoost,” J. Inform. J. Pengemb. IT, vol. 8, no. 3, pp. 269–274, 2023, doi: 10.30591/jpit.v8i3.5675.

M. H. Saputra, H. Kurniawan, dan R. A. Andini, “Prediksi Nasabah Potensial Deposito Berjangka Menggunakan Regresi Logistik dan Support Vector Machine,” JOISTICS J. Inf. Syst. Data Anal., vol. 1, no. 1, pp. 1–12, 2025, [Daring]. Tersedia pada: https://journal.uyr.ac.id/index.php/JOISTICS/article/view/821/0.

P. Mangande dan E. H. Parmadi, “Klasifikasi Data Nasabah yang Berpotensi Membuka Simpanan Deposito Menggunakan Algoritme Naive Bayes,” in Prosiding Seminar Nasional Teknologi dan Sains, 2025, vol. 4, pp. 108–117, doi: 10.29407/8xyzw712.

M. D. Gultom, R. D. Destianti, dan G. Noviamanti, “Penerapan Naïve Bayes dengan Balancing Data Smote untuk Peningkatan Prediksi Nasabah Deposito Bank,” J. Comput. Sci. Artif. Intell., vol. 2, no. 1, pp. 1–8, 2025, [Daring]. Tersedia pada: https://ruangjurnal.or.id/index.php/jcsai/article/view/121.

M. A. Christian, “Komparasi Model Machine Learning untuk Prediksi Penerimaan Deposito Berjangka pada Kampanye Telemarketing Bank,” in Prosiding Seminar Nasional Indonesia, 2026, vol. 4, no. 1, pp. 28–37, doi: 10.5281/zenodo.20309740.

F. Izma dan H. Firmansyah, “Penerapan Algoritma Naive Bayes untuk Memprediksi Keputusan Berlangganan Deposito Berjangka pada Kampanye Pemasaran Langsung,” J. Din. Inform., vol. 15, no. 1, pp. 140–148, 2026, doi: 10.31316/jdi.v15i1.427.

A. R. N. P. Wahyudi, “Penerapan Algoritma Decision Tree untuk Mengidentifikasi Karakteristik Nasabah yang Cenderung Berlangganan Deposito Berjangka,” EJECTS J. Comput. Technol. Informations Syst., vol. 5, no. 1, pp. 7–12, 2025, [Daring]. Tersedia pada: https://jurnal.unda.ac.id/index.php/ejects/article/view/556.

R. Wahyudi, K. I. Manik, M. Alfin, J. B. Henrydunan, Arnita, dan F. Ramadhani, “Analisis Faktor Keputusan Nasabah Berlangganan Term Deposit: Perbandingan Random Forest dan XGBoost,” JATI (Jurnal Mhs. Tek. Inform., vol. 9, no. 4, pp. 5600–5607, 2025, doi: 10.36040/jati.v9i4.13881.