KOMPARASI METODE DATA MINING UNTUK PREDIKSI PEMASARAN BANK SECARA LANGSUNG

Hilda Amalia

Hilda Amalia AMIK BSI Jakarta

Abstract

Setiap bank memiliki banyak produk yang harus ditawarkan ke customer yang bertujuan untuk meningkatkan keuntungan bagi bank. Untuk itu setiap bank harus mampu menjaga hubungan baik dengan customer sehingga mempermudah pemasaran produk baru. Cara yang paling sering digunakan adalah pemasaran langsung yaitu dengan cara menghubungi pelanggang melalui telepon ataupun e-mail. Pemanfaatan data pelanggan yang sangat banyak sangat diperlukan untuk membantu bank melakukan prediksi mengenai tingkat keberhasilan dalam pemasaran produk kepada pelanggan. Sehingga dapat mengefisiensikan biaya pemasaran. Data mining merupakan salah satu teknik yang mampu melakukan prediksi mengenai data pemasaran langsung yang bersumber dari data pelanggan yang dimiliki oleh setiap bank. Metode data mining metode yang bayak dipergunakan adalah algoritma C4.5, nave bayes, neural network dan SVM. Dalam penelitian ini akan dilakukan komparasi akurasi metode data mining, untuk menentukan metode yang memiliki akurasi tertinggi dalam pengolahan data pelanggan untuk penentuan promosi secara langsung kepada cutomer.

Downloads

Download data is not yet available.

References

Elsalamony.H. Hany, Elsayad.M. Alaa (2013), Bank Direct Marketing Based on Neural Network, International Journal of Engineering and Advanced Technology (IJEAT) ISSN: 2249–8958, Volume-2, Issue-6.

Moro. Sérgio, Laureano. Raul, Cortez. Paulo, USING DATA MINING FOR BANK DIRECT MARKETING: AN APPLICATION OF THE CRISP-DM METHODOLOGY, Al-Shayea. Kadhim. Qeethara (2013), Evaluating Marketing
Campaigns of Banking Using Neural Networks, Proceedings of the World Congress on Engineering 2013 Vol II, WCE 2013, July 3-5, , London, U.K.

Khan. Nikhat, Khan. Fozia H, Thakur. G.S, Attribute Grouping Based Classification for Knowledge Discovery in Databases, International Journal of Application or Innovation in Engineering & Management (IJAIEM), Volume 2, Issue 3, March 2013, ISSN 2319–4847

Larose, D. T. (2007). Discovering Knowledge in Databases. New Jersey: John Willey & Sons Inc.Myatt, Glenn J.
Making Sense of Data: A Practical Guide to Exploratory Data Analysis and Data Mining. New Jersey: John Wiley & Sons, Inc.

Vercellis,C (2009), “Business Intelligence : Data Mining and Optimization for Decision Making, Wiley

Maimon, O., Rokach, L., (2010), Data Mining and K nowledge Discovery Handbook 2nd Ed ,Springer, Berlin.

Shukla, A., Tiwari, R., & Kala, R. (2010). Real Life Application of Soft Computing. Taylor and Francis Groups, LLC.

Han,J & Kamber (2007), “Data Mining Concepts, Models and Techniques ”, Second Edition, Morgan

Kaufmann Publisher, Elsevier. Liao. Warren, Triataphyllau. Evangelos. (2007), Recent Advanced in Data Mining of Enterprise Data: Algorithm and Application, Science on Computer and Operation Research Vol.6, World Scientific Publishing Co. Pte. Ltd.Singapore.

Wu, X., & Kumar, V. (2009). The Top Ten Algorithms in Data Mining. Boca Raton: CRC Press.

Bramer. Max(2007), Principles of Data Mining, Undergraduate Topics in Computer Science ISSN 1863-7310, Springer, London

Kusrini, & Luthfi, E. T. (2009).Algoritma Data Mining. Yogyakarta: AndiPublishing.

Shaw. J. Michael , Subramaniam. Chandrasekar, Tan. Woo. Gek, Welge. E. Michael,(2001), Knowledge management and data mining for marketing, Decision Support Systems 127–137, Elevier.