<![CDATA[Dalam era digital, sektor perbankan menghadapi tantangan kompleks dalam mengelola data transaksi dan pengambilan keputusan strategis. Bank XYZ, seperti banyak bank lain, mengumpulkan banyak data transaksi harian yang mencakup volume, waktu, jenis transaksi, dan profil pelanggan. Meskipun data ini memiliki potensi besar untuk memberikan wawasan berharga, seringkali belum dimanfaatkan optimal untuk mendukung pengambilan keputusan yang lebih cerdas dan responsif. Penelitian ini membahas keefektifan tiga metode prediksi dalam analisis transaksi perbankan, yaitu Simple Linear Regression, Polynomial Regression, dan K-Nearest Neighbors (KNN). Data transaksi dikumpulkan dan diproses melalui data cleaning. Setelah itu, model prediksi dibangun dan diuji menggunakan data training dan testing data. Hasil prediksi dari ketiga model dibandingkan menggunakan Root Mean Square Error (RMSE) untuk menentukan model dengan performa terbaik. Berdasarkan hasil pengujian ketiga metode menunujkan bahwa metode Polynomial Regression memiliki hasil yang lebih baik untuk nilai RMSE 0,1724, sedangkan untuk metode Simple Linear Regression mendapatkan nilai RMSE 0,1844, dan metode K-Nearest Neighbors (KNN) mendapatkan nilai RMSE 0,1739. Kesimpulan nya adalah berdasarkan nilai RMSE 3 metode diatas, Polynomial Regression lebih unggul dibandingkan metode Simple Linear Regression dan K-Nearest Neighbors (KNN).Kata Kunci: Simple Linear Regression, Polynomial Regression, K-Nearest Neighbors (KNN), Prediksi, Data Cleaning, RMSE]]>
Copyrights © 2025
