STRATEGI PROMOSI PERBANKAN DENGAN ANALISIS DAN IMPLEMENTASI ALGORITMA RANDOM FOREST

Ilham Indrastata

doi:10.33772/anoatik.v1i2.8

Penulis

Ilham Indrastata Universitas Mercu Buana

DOI:

https://doi.org/10.33772/anoatik.v1i2.8

Abstrak

Penelitian ini bertujuan untuk menganalisis dan mengimplementasikan algoritma Random Forest dalam konteks perbankan untuk menentukan strategi promosi yang efektif. Strategi promosi yang tepat sangat penting bagi lembaga keuangan seperti bank, karena dapat meningkatkan loyalitas nasabah, meningkatkan basis nasabah, dan mencapai pertumbuhan bisnis yang berkelanjutan. Pada tahap analisis, sejarah promosi dan respon pelanggan dari periode sebelumnya akan digunakan untuk membangun model. Algoritma Random Forest digunakan untuk mengidentifikasi variabel yang paling berpengaruh dalam menentukan efektivitas promosi. Penelitian ini diharapkan dapat memberikan wawasan baru bagi industri perbankan dalam menentukan strategi promosi yang lebih efektif dan menghasilkan pengelolaan sumber daya yang lebih efisien. Dengan memanfaatkan algoritma Random Forest, diharapkan bank dapat meningkatkan tingkat keberhasilan promosi, mengurangi biaya yang rumit, dan mencapai tujuan bisnis yang lebih baik. Namun, penelitian ini juga menyadari bahwa faktor lain seperti ekonomi makro, tren pasar, dan kebijakan perusahaan juga perlu diperhatikan dalam merumuskan strategi promosi yang komprehensif.

Kata Kunci:

promosi, perbankan, random forest, algoritma

Unduhan

Data unduhan belum tersedia.

Referensi

V. K. Gupta, A. Gupta, D. Kumar, and A. Sardana, “Prediction of COVID-19 confirmed, death, and cured cases in India using random forest model,” Big Data Mining and Analytics, vol. 4, no. 2, pp. 116–123, Jun. 2021, doi: 10.26599/BDMA.2020.9020016.

A. U. Zailani and N. L. Hanun, “PENERAPAN ALGORITMA KLASIFIKASI RANDOM FOREST UNTUK PENENTUAN KELAYAKAN PEMBERIAN KREDIT DI KOPERASI MITRA SEJAHTERA,” Infotech: Journal of Technology Information, vol. 6, no. 1, pp. 7–14, Jun. 2020, doi: 10.37365/jti.v6i1.61.

H. Leidiyana, “PENERAPAN ALGORITMA K-NEAREST NEIGHBOR UNTUK PENENTUAN RESIKO KREDIT KEPEMILIKAN KENDARAAN BEMOTOR,” 2013.

R. Supriyadi, W. Gata, N. Maulidah, A. Fauzi, I. Komputer, and S. Nusa Mandiri Jalan Margonda Raya No, “Penerapan Algoritma Random Forest Untuk Menentukan Kualitas Anggur Merah,” vol. 13, no. 2, pp. 67–75, 2020, [Online]. Available: http://journal.stekom.ac.id/index.php/E-Bisnis■page67

U. Khultsum and A. Subekti, “Penerapan Algoritma Random Forest dengan Kombinasi Ekstraksi Fitur Untuk Klasifikasi Penyakit Daun Tomat,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 5, no. 1, p. 186, Jan. 2021, doi: 10.30865/mib.v5i1.2624.

M. Rivki and A. M. Bachtiar, “IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOR DALAM PENGKLASIFIKASIAN FOLLOWER TWITTER YANG MENGGUNAKAN BAHASA INDONESIA,” Jurnal Sistem Informasi, vol. 13, no. 1, p. 31, May 2017, doi: 10.21609/jsi.v13i1.500.

M. Khalilia, S. Chakraborty, and M. Popescu, “Predicting disease risks from highly imbalanced data using random forest,” BMC Med Inform Decis Mak, vol. 11, no. 1, 2011, doi: 10.1186/1472-6947-11-51.

O. Kherif, Y. Benmahamed, M. Teguar, A. Boubakeur, and S. S. M. Ghoneim, “Accuracy Improvement of Power Transformer Faults Diagnostic using KNN Classifier with Decision Tree Principle,” IEEE Access, 2021, doi: 10.1109/ACCESS.2021.3086135.

M. Pal and S. Parija, “Prediction of Heart Diseases using Random Forest,” in Journal of Physics: Conference Series, Mar. 2021, vol. 1817, no. 1. doi: 10.1088/1742-6596/1817/1/012009.

L. Makurumidze, W. S. Manjoro, and W. Makondo, “Implementing Random Forest to Predict Churn,” International Journal of Computer Science and Mobile Computing, vol. 11, no. 2, pp. 75–84, Feb. 2022, doi: 10.47760/ijcsmc.2022.v11i02.009.