Studi Perbandingan Evaluasi Kinerja Metode Pembelajaran Eager Learning versus Lazy Learning

Abstrak

Sebagian besar pendapatan utama sektor perbankan berasal dari nasabah simpanan jangka panjang. Banyak strategi pemasaran telah diterapkan untuk mengkaji karakteristik pengambilan keputusan para nasabah. Dalam hal ini, pembelajaran mesin sebagai cabang ilmu komputasi ilmiah dipergunakan untuk menemukan nasabah potensial yang terbaik terutama dalam melakukan prediksi untuk pengambilan deposito jangka panjang yang akan dilakukan nasabah. Pada penelitian ini dilakukan studi komparasi antara lazy learning dalam bentuk Random Forest (RF) dan easy learning dalam bentuk K-Nearest Neighbors (KNN). Perbedaan di antara keduanya bergantung pada konsep dari sifat komputasi pemrogramannya. Dalam penelitian studi kasus perbankan ini terbukti RF lebih unggul dibandingkan KNN dari segi akurasi yang mencapai 96%, presisi 93% dan F1-score 0.97. Oleh karena itu, performa terbaik RF telah dicapai berdasarkan kemampuannya untuk menangani problem non-linearitas dan ketahanan terhadap overfitting sehingga RF layak diterapkan untuk banyak aplikasi prediktif.