Pemasaran
adalah suatu proses tentang pengembangan produk, periklanan, distribusi dan
penjualan (Zhang, 2008) .Proses pemasalan sangan erat kaitannya dengan peran
telemarketing. Telemarketing merupakan sebuah cara baru dalam bidang pemasaran
yang menggunakan teknologi telekomunikasi sebagai bagian dari pemasaran yang
teratur dan terstuktur. Telemarketing (pemasaran jarak jauh) adalah penggunaan
telepon dan pusat panggilan untuk menarik prospek, menjual kepada pelanggan
yang telah ada dan menyediakan layanan dengan mengambil pesanan dan menjawab
pertanyan melalui telepon. Telemarketing membantu perusahaan dalam meningkatkan
pendapatan, mengurangi biaya penjualan, meningkatkan kepuasan pelanggan,
Penawaran melalui jalur Telemarketing memberikan solusi bagi nasabah yang
memiliki keterbatasan jarak serta waktu untuk tetap dapat melakukan transaksi
atas program perlindungan yang dibutuhkan baik perlindungan bagi nasabah
sendiri ataupun anggota keluarga. Dukungan data mining pada pemasaran adalah
pada marketing research dan Business Intelligence. Dalam mengoptimasisasi
proses pemasaran diperlukan suatu strategi sehingga dapat digunakan untuk
meningkatkan keunggulan kompetetif, Data mining dalam strategi pemasaran
menggunakan salah satunya menggunakan database marketing untuk melakukan proses
pencarian pengetahuan baru guna mendukung pengambilan keputusan, Oleh karena
itu, penelitian inifokus pada pemanfaatan data mining untuk memprediksi tingkat
keberhasilan telemarketing bank dalam mencari calon nasabah bank dari berbagai
produk layanan perbankan, sehingga dapat diketahui apakah calon nasabah yang
bersangkutan merupakan nasabah yang berpotensi menjadi nasabah kredit yang
produktif atau tidak di liat dari penelitian sebelumnya algoritma yang di pakai
adalah Decision Tree di gunakan untuk memecahkan masalah tersebut , oleh karna
itu penulis ingin menguji algoritma klasifikasi lain apakah tingkat akurasinya
lebih baik atau di bawah nilai dari decesion tree.Untuk menangani permasalahan
tersebut, maka akan dibandingkan beberapa algoritma yaitu pohon keputusan C4.5,
naive bayes, neural network, Logistic Regreesion dan K-NN untuk mengetahui
algoritma mana yang lebih akurat dalam memprediksi tingkat keberhasilan
telemarketing dalam layanan produk perbankan.
1. Neural
Network
Neural Network (Jaringan
Saraf Tiruan) adalah prosesor tersebar paralale yang sangat besar dan memiliki
kecenderungan untuk menyimpan pengetahuan yang bersifat pengalaman dan
membuatnya siap untuk digunakan (puspitaningrum, 2006). NN ini merupakan sistem
adaptif yang dapat merubah strukturnya untuk memecahkan masalah berdasarkan
informasi eksternal maupun internal yang mengalir melalui jaringan tersebut.
Secara sederhana NN adalah sebuah alat pemodelan data statistik non-linear. NN
dapat digunakan untuk memodelkan hubungan yang kompleks antara input dan output
untuk menemukan pola-pola pada data. Neuron juga terdiri dari satu output.
Outputnya adalah terbentuk dari pengolahan dari beberbagai input oleh
neuron-neuron (shukla, 2010).
2. Decision
Tree
Decision
tree sendiri merupakan metode klasifikasi dan prediksi yang sangat kuat dan
banyak di minati (Wu, 2009) . Dalam decision tree ini data yang berupa fakta
dirubah menjadi sebuah pohon keputusan yang berisi aturan dan tentunya dapat
lebih mudah dipahami dengan bahasa alami. Model pohon keputusan banyak
digunakan pada kasus data dengan output yang bernilai diskrit . Walaupun tidak
menutup kemungkinan dapat juga digunakan untuk kasus data dengan atribut
numeric.
3. Naive
Bayes
Naïve
Bayes merupakan sebuah model klasifikasi statistik yang dapat digunakan untuk
memprediksi probabilitas keanggotaan suatu kelas. Naïve Bayes didasarkan pada
teorema bayes yang memiliki kemampuan klasifikasi serupa dengan decision tree
dan neural network. Teknik Naïve Bayes (NB) adalah salah satu bentuk sederhana
dari Bayesian yang jaringan untuk klasifikasi. Sebuah jaringan Bayes dapat
dilihat sebagai diarahkan sebagai tabel dengan distribusi probabilitas gabungan
lebih dari satu set diskrit dan variabel stokastik (Liao, 2007).Metode ini
penting karena beberapa alasan, termasukberikut. Hal ini sangat mudah untuk
membangun, tidak perlu ada yang rumit Parameter estimasi skema berulang. Ini
berarti dapat segera diterapkan untuk besar Data set. Sangat mudah untuk
menafsirkan, sehinggapengguna tidak terampil dalam teknologi classifier dapat
memahami mengapa itu adalah membuat klasifikasi itu membuat. Dan, sangat
penting, hal itu sering sangat baik: Ini mungkin bukan classifier terbaik dalam
setiap diberikan aplikasi, tetapi biasanya dapat diandalkan untuk menjadi kuat
dan melakukan dengan sangat baik (Wu, 2009).
4. Logistic
Regreesion.
Regresi
logistik (Logistic regression) adalah bagian dari analisis regresi yang
digunakan ketika variabel dependen (respon) merupakan variabel dikotomi.
Variabel dikotomi biasanya hanya terdiri atas dua nilai (Santosa, 2007) yang
mewakili kemunculan atau tidak adanya suatu kejadian yang biasanya diberi angka
0 atau 1. Tidak seperti regresi linier biasa, regresi logistik tidak
mengasumsikan hubungan antara variabel independen dan dependen secara linier.
Ada beberapa penelitian yang menggunakan komparasi algoritma klasifikasi untuk
mengukur akurasi terhadap dataset marketing bankRBFNN), SVM, CBR, dan pohon
keputusan (DTs). Dari semua model ternyata tingkat klasifikasi akurasi yang
mengungguli adalah Decision trees, DTs tidak hanya mengklasifikasikan lebih
baik dari model yang lain tapi juga memiliki pengetahuan dalam membentuk aturan
yang mudah ditafsirkan, masukakal dalam menjelaskan tentang alasan penolakan
pinjaman.
Comparing decision trees with logistic regression for credit risk analysis
(Satchidananda & Simha, 2006. Penelitian ini membandingkan dua model
algoritma untuk analisa resiko kredit, yaitu Pohon Keputusan dan Regresi
Logistik. Data diambil dari dua bank yang berbeda, kemudian untuk
mengelompokkan kasus positif dan negatif maka dilakukan klustering data dengan
menggunakan k-means. Hasil analisa dari masing-masing model dikomparasi dan
kemudian diukur,kemudian didapatkan bahwa algoritma pohon keputusan mempunyai
tingkat akurasi yang tinggi dibandingkan algoritma regresi logistik
5. K-Nearest
Neighbor
Algoritma k-nearest neighbor (k-NN atau KNN) adalah sebuah metode untuk
melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang
jaraknya paling dekat dengan objek tersebut, Ketepatan algoritma k-NN ini
sangat dipengaruhi oleh ada atau tidaknya fitur-fitur yang tidak relevan, atau
jika bobot fitur tersebut tidak setara dengan relevansinya terhadap
klasifikasi. Riset terhadap algoritma ini sebagian besar membahas bagaimana
memilih dan memberi bobot terhadap fitur, agar performa klasifikasi menjadi
lebih baik,menurut (Wu, 2009) KNN juga merupakan contoh teknik lazy learning,
yaitu teknik yang menunggu sampai pertanyaan (query) datang agar sama dengan
data training.
Sumber
:
http://ejournal.nusamandiri.ac.id/ejurnal/index.php/techno/article/view/266
Tidak ada komentar:
Posting Komentar