<![CDATA[Konsumen atau nasabah dalam bisnis adalah aset berharga untuk keberlanjutan bisnis di masa depan. Memperoleh kepercayaan dan meningkatkan loyalitas nasabah memerlukan perhatian dan kepedulian yang tulus. Kemajuan teknologi telah membuat persaingan bisnis lebih ketat, meningkatkan potensi churn atau penghentian penggunaan produk oleh nasabah. Salah satu upaya untuk mengatasi penurunan loyalitas adalah dengan melakukan klasifikasi loyalitas nasabah bank menggunakan teknik machine learning. Penelitian ini bertujuan untuk membandingkan algoritma Random Forest, Decision Tree, dan Artificial Neural Network yang dioptimasi dengan metode boosting Particle Swarm Optimization (PSO) pada dataset nasabah bank XYZ yang diperoleh dari situs www.kaggle.com. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki nilai akurasi tertinggi sebesar 86,34%, nilai AUC sebesar 0,854, rata-rata precision sebesar 83,55%, dan rata-rata recall sebesar 70,42%. Atribut yang paling signifikan dalam Random Forest adalah Geography, Gender, Tenure, dan Estimated Salary. Pada Decision Tree, atribut signifikan adalah Tenure dan Estimated Salary, sementara pada Artificial Neural Network, atribut signifikan adalah Geography, Has Card, dan Estimated Salary.]]>
Copyrights © 2024
