Perbandingan Teknik Klasifikasi Dalam Data Mining Untuk Bank Direct Marketing-猫眼课题宝

Perbandingan Teknik Klasifikasi Dalam 数据挖掘 Untuk Bank Direct Marketing

DOI：

10.25126/jtiik.201855958

发表时间：

2018

期刊：

Jurnal Teknologi Informasi dan Ilmu Komputer

影响因子：

通讯作者：

中科院分区：

文献类型：

作者：

Irvi Oktanisa;A. A. Supianto

Klasifikasi merupakan Teknik dalam数据挖掘untuk mengelompokan data berdasarkan keterikatan data terhadap。Pada Penelitian ini，kami Melakukan Perbaningan 9 Teknik Klasifikasi untuk mengklasifikasi Responon Pelanggan Pada数据集库直接营销。Dalam Teknik klasifikasi ini diakukan untuk mengetahudalam Teknik klasifikasi ang pping efektif untuk mengklasifikasi目标pada数据集库直接营销支持向量机，AdaBoost，朴素贝叶斯，常量，KNN，树，随机森林，随机梯度下降，丹CN2规则。PROSES Klasifikasi diawali dengan数据预处理数据恢复缺少值Dan Pemilihan Fitur Pada数据集。Pada tahap评估Digunakan Teknik10倍交叉验证。Setelah diakukan企鹅，didapatkan bahwa hasil klasifikasi menunjukkan akurasi terbai k diperoleh Oleh模型树，常量，朴素贝叶斯，丹随机心跳下降。Kemudian Diikuti Oleh模型随机森林、K最近邻、CN-2规则、AdaBoost丹支持向量机。Dari keempat模型Yang menunjukkan Hasil akurasi terbai，untuk kasus ini随机梯度下降terpilih sebagai模型Yang meiliki akurasi terbai k dengan Nilai akurasi sebear 0,972 Dan Hasil Visalisasi Yang dihasilkan lebih jelas untuk mengklasifikasi目标pada数据集银行直接营销 AbstractClassification是一种数据挖掘技术，基于数据与样本数据的附件对数据进行分类。在本文中，我们比较了9种分类技术在银行直销数据集上对客户反应的分类。在用于对银行直销数据集进行目标分类的分类技术中，找出有效性模型的技术。使用的技术有支持向量机、AdaBoost、朴素贝叶斯、常量、KNN、树、随机森林、随机梯度下降和CN2规则。分类过程开始于对数据进行预处理，以对数据集执行缺失值省略和特征选择。评价阶段采用交叉验证技术，k值为10。经过测试发现，树模型、常量贝叶斯模型、朴素贝叶斯模型和随机梯度下降模型的分类效果最好。接着介绍了随机森林模型、K-近邻、CN-2规则、AdaBoost和支持向量机。在四个精度较高的模型中，随机梯度下降模型被选为精度最高的模型，准确率为0.972，可视化效果更好，用于银行直销数据集上的目标分类。

Klasifikasi merupakan teknik dalam data mining untuk mengelompokkan data berdasarkan keterikatan data terhadap data sampel. Pada penelitian ini, kami melakukan perbandingan 9 teknik klasifikasi untuk mengklasifikasi respon pelanggan pada dataset Bank Direct Marketing. Perbandingan teknik klasifikasi ini dilakukan untuk mengetahui model dalam teknik klasfikasi yang paling efektif untuk mengklasifikasi target pada dataset Bank Direct Marketing. Teknik klasifikasi yang digunakan yaitu Support Vector Machine, AdaBoost, Naïve Bayes, Constant, KNN, Tree, Random Forest, Stochastic Gradient Descent, dan CN2 Rule. Proses klasifikasi diawali dengan preprocessing data untuk melakukan penghilangan missing value dan pemilihan fitur pada dataset. Pada tahap evaluasi digunakan teknik 10 fold cross validation. Setelah dilakukan pengujian, didapatkan bahwa hasil klasifikasi menunjukkan akurasi terbaik diperoleh oleh model Tree, Constant, Naive Bayes, dan Stochastic Gardient Descent. Kemudian diikuti oleh model Random Forest, K-Nearest Neighbor, CN-2 Rule, AdaBoost dan Support Vector Machine. Dari keempat model yang menunjukkan hasil akurasi terbaik, untuk kasus ini Stochastic Gradient Descent terpilih sebagai model yang memiliki akurasi terbaik dengan nilai akurasi sebesar 0,972 dan hasil visualisasi yang dihasilkan lebih jelas untuk mengklasifikasi target pada dataset Bank Direct Marketing. AbstractClassification is a technique in data mining to classify data based on the attachment of data to the sample data.. In this paper, we present the comparison of 9 classification techniques performed to classify customer response on the dataset of Bank Direct Marketing. The techniques performed to find out the effectiveness model in the classification technique used to classify targets on the dataset of Bank Direct Marketing. The techniques used are Support Vector Machine, AdaBoost, Naïve Bayes, Constant, KNN, Tree, Random Forest, Stochastic Gradient Descent, and CN2 Rule. The classification process begins with preprocessing data to perform missing value omissions and feature selection on the dataset. Cross validation technique, with k value is 10, used in the evaluation stage. After testing, it was found that the classification results showed the best accuracy obtained when using the Tree model, Constant, Naive Bayes and Stochastic Gradient Descent. Afterwards the Random Forest model, K-Nearest Neighbor, CN-2 Rule, AdaBoost, and Support Vector Machine are followed. Of the four models with the high accuracy results, in this case Stochastic Gradient Descent was selected as the best accuracy model with an accuracy value of 0.972 and resulting visualization more clearly to classify targets on the dataset of Bank Direct Marketing.

Perbandingan Teknik Klasifikasi Dalam Data Mining Untuk Bank Direct Marketing

Perbandingan Teknik Klasifikasi Dalam 数据挖掘 Untuk Bank Direct Marketing

文献摘要

被引文献

相似文献