1
BAB I
PENDAHULUAN
1.1. Latar Belakang Masalah
Bank merupakan peranan yang sangat penting dalam menggerakan roda perekonomian nasional. Sebagaimana umumnya negara berkembang, sumber pembiayaan dunia usaha di Indonesia masih didominasi oleh penyaluran deposito perbankan yang diharapkan dapat mendorong pertumbuhan ekonomi (Marcos &
Hidayah, 2014).
Dengan persaingan antar bank dapat dilihat dari berbagai upaya bank dalam mencari nasabah dengan berbagai kegiatan pemasaran agar mendapat nasabah sebanyak-banyaknya. Dahulu para pelaku usaha menawarkan barang atau jasa kepada konsumen dengan cara bertatap muka langsung, sekarang dengan memanfaatkan teknologi yang ada dan canggih bisa menggunakan alat komunikasi jarak jauh seperti telepon dan fax, serta media elektronik lainnya. Strategi telemarketing saat ini yang dilakukan oleh bank-bank untuk menawarkan produknya kepada konsumen (Silalahi, Prihatiningsih, P, Merugikan, & Bank, 2018) .
Sulitnya mengetahui keputusan calon nasabah, telemarketing untuk melakukan deposito pada bank, menyebabkan bank selalu menghadapi ancaman krisis keuangan. Oleh karena itu bank ditekan untuk meningkatkan persyaratan modal dengan menawarkan deposito jangka panjang pada masyarakat.
Telemarketing adalah salah satu cara mempromosikan produk melalui penggunaan telepon dan pusat panggilan untuk menarik prospek, menjual kepada pelanggan
yang telah ada dan menyediakan layanan dengan mengambil pesanan dan menjawab pertanyaan melalui telepon. Seorang telemarketing bank harus dapat membuat target klien, klien mana yang berpotensi untuk melakukan deposito dengan meliat data-data klien yang ada .
Untuk mengetahui keberhasilan telemarketing dalam menjual produk bank, dapat dilakukan dengan penerapan dan pemanfaatan teknik data mining. Data mining adalah proses yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstrasi dan mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari berbagai database besar.
Teknik data mining merupakan suatu proses pendukung pengambilan keputusan dimana kita mencari pola informasi dalam data (Marcos & Hidayah, 2014) .
Salah satu algoritma dalam data mining adalah metode Naive Bayes. Naive Bayes merupakan sebuah pengklasifikasian probabilistik sederhana yang menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan kombinasi nilai dari dataset yang diberikan. Keuntungan penggunaan Naive Bayes yaitu bahwa metode ini hanya membutuhkan jumlah data pelatihan (Training Data) yang kecil untuk menentukan estimasi parameter yang diperlukan dalam proses pengklasifikasian (Saleh, 2015).
Dengan menggunakan algoritma Naive Bayes dapat mengatasi masalah dalam mengambil keputusan klien mana yang akan dihubungi terlebih dahulu dan berminat deposito. Pada penelitian sebelumnya yang dilakukan oleh Moro. S et.al membuat model keberhasilan berlangganan deposito jangka panjang, dengan menggunakan atribut yang dikenal sebelum melakukan panggilan (Moro et al., 2014).
Dalam penelitian ini, penggunaan sistem pendukung keputusan di dasarkan pada model data-driven. Data yang dikumpulkan dari tahun 2008 sampai 2013, sehingga termasuk efek dari krisis keuangan. Peneliti menganalisis 150 fitur terkait dengan nasabah bank, produk, dan atribut sosial ekonomi. Dalam tahap pemodelan, fitur dipilih dan otomatis di eksplorasi , ini dilakukan pada data sebelum juli 2012 dan terjadi pengurangan dan dipilih 22 fitur. Empat model data mining dibandingkan: Logistic regresi, Decision Tree, Neural Network, dan Support Vector Machine dengan menggunakan dua metrik yaitu AUC dan LIFT. Empat model tersebut diuji pada set evaluasi dengan menggunakan data terbaru (setelah juli 2012). Dari hasil evaluasi Neural Nerwork memperoleh hasil terbaik AUC 0,8 DAN LIFT 0,7 dengan tingkat keberhasilan yang diperoleh 79% dari sukses menjual yang dapat dicapai dengan hanya menghubungi setengah dari klien, yang berarti terjadi peningkatan 29% bila dibandingkan dengan praktek perbankan saat ini yang menghubungi semua klien (Moro et al., 2014) .
Berdasarkan pemaparan latar belakang permasalahan, penulis memutuskan menggunakan dataset dengan judul Bank Marketing Data Set yang diungguh di Portuguese banking institution Machine Learning Repository. Maka dalam penelitian ini, data yang didapatkan akan diolah menggunakan teknik klasifikasi data mining algoritma Naive Bayes dengan judul “Penerapan Algoritma Naive Bayes dengan Backward Elimination Untuk Memprediksi Keberhasilan Panggilan Telemarketing Dalam Menjual Produk Bank”.
1.2. Identifikasi Masalah
Berdasarkan masalah yang telah dijelaskan, penulis memberikan identifikasi masalah yang akan dijadikan bahan penelitian dengan rumusan masalah sebagai berikut:
1. Belum diterapkan klasifikasi pada Bank Marketing Data Set dengan menggunakan algoritma Naive Bayes dengan Backward Elimination.
2. Belum diketahui hasil akurasi dari algoritma Naive Bayes dengan Backward Elimination untuk klasifikasi Bank Marketing Data Set.
1.3. Maksud dan Tujuan
Sesuai dengan permasalahan yang telah dirumuskan sebelumnya, penelitian ini bermaksud untuk:
1. Mengetahui cara kerja metode Naive Bayes dengan Backward Elimination dalam memprediksi keberhasilan telemarketing dalam menjual produk bank.
2. Mendapatkan nilai akurasi dari algoritma Naive Bayes dengan Backward Elimination dalam klasifikasi Bank Marketing Data Set.
Sedangkan tujuan utama pembuatan Skripsi ini adalah sebagai salah satu syarat kelulusan pada Program Strata I (S1) Fakultas Teknik Program Studi Sistem Informasi pada Universitas BSI Bandung.
1.4. Metode Penelitian
Teknik pengumpulan data yang digunakan dalam penelitian ini adalah mengambil dataset yang diperoleh dari Portuguese banking institution Machine Learning Repository dengan judul Bank Markerting Data Set. Dataset disediakan oleh Sergio Moro, Paulo Cortez, dan Paulo Rita dari Institusi Bank Portugis, dan
data tersebut disumbangkan untuk UCI Repository pada tahun 2012. Dataset meliputi 4521 instansi dan 17 atribut. Studi pustaka juga didapatkan melalui buku buku, jurnal dan artikel yang berhubungan dengan penyusunan penelitian skripsi.
1.5. Ruang Lingkup
Ruang lingkup atau pembatasan masalah pada penelitian ini sebagai berikut:
1. Algoritma yang digunakan adalah Naive Bayes dengan Backward Elimination untuk klasifikasi prediksi keberhasilan telemarketing dalam menjual produk bank.
2. Data sekunder yang digunakan adalah data publik yang bernama Bank Markerting Data Set tahun 2012.
3. Perangkat lunak data mining yang digunakan untuk eksperimen menggunakan Rapid Minner.
1.6. Hipotesis
Menurut Misbahuddin & Hasan (2013:34) mengatakan bahwa “Hipotesis adalah pernyataan atau dugaan yang bersifat sementara terhadap suatu masalah penelitian yang keberannya masih lemah sehingga harus diuji secara empiris untuk menghasilkan suatu keputusan menerima atau menolak hipotesis tersebut”.
Berikut rumusan hipotesis yang diuji pada penelitian ini:
HO : Diduga algoritma Naive Bayes dengan Backward Elimination dapat memprediksi keberhasilan telemarketing dalam menjual produk bank.
H1 : Diduga algoritma Naive Bayes dengan Backward Elimination tidak dapat memprediksi keberhasilan telemarketing dalam menjual produk bank.
HO : Diduga algoritma Naive Bayes dengan Backward Elimination menghasilkan nilai akurasi tinggi dalam memprediksi keberhasilan telemarketing dalam menjual produk bank.
H1 : Diduga algoritma Naive Bayes menghasilkan nilai akurasi rendah dalam memprediksi keberhasilan telemarketing dalam menjual produk bank.