Penerapan Metode Particle Swarm Optimization Pada Optimasi Prediksi Pemasaran Langsung

Penerapan Metode Particle Swarm Optimization Pada Optimasi Prediksi Pemasaran Langsung

• By Achyani, Yuni Eka;
• Jurnal Nasional Terakreditasi
• 318
• 1-11

Dalam persaingan ketat saat ini, promosi yang baik dapat memberikan kredibilitas untuk produk baru. Promosi perlu mendapat perhatian lebih dan serius, karena dalam kehidupan sehari-hari timbul produk unggulan, jika tidak mengetahuinya, kemungkinan produk yang ditawarkan kepada konsumen kurang ditanggapi oleh pasar, oleh karena itu perusahaan harus mengupayakan produknya, meyakinkan dan mempengaruhi konsumen untuk menciptakan permintaan akan produk ini. Langkah yang bisa dilakukan oleh perusahaan untuk melakukannya adalah dengan melakukan pemasaran langsung. Peningkatan akurasi prediksi pemasaran langsung dapat dilakukan dengan  cara melakukan seleksi  terhadap  atribut, karena  seleksi atribut mengurangi dimensi dari data sehingga operasi algoritma  data mining dapat berjalan lebih efektif dan lebih cepat. Dalam penelitian ini akan digunakan  metode support vector machine dan akan dilakukan seleksi atribut  dengan  menggunakan particle swarm optimization untuk prediksi pemasaran langsung. Setelah dilakukan pengujian maka hasil yang didapat adalah support vector machine menghasilkan nilai akurasi sebesar 88,71 %, nilai precision 89,47%   dan nilai AUC sebesar 0,896. Kemudian dilakukan seleksi atribut dengan menggunakan  particle swarm optimization dimana atribut yang semula berjumlah  16 variabel prediktor terpilih 12 atribut yang digunakan. Hasil menunjukkan nilai akurasi yang lebih tinggi yaitu sebesar 89,38%,  nilai  precision  89,89%  dan nilai AUC sebesar 0,909 dengan nilai akurasi klasifikasi sangat baik (excellent clasiffication).  Sehingga  dicapai peningkatan akurasi sebesar 0,67 %,  dan peningkatan AUC sebesar 0,013.

• Katakunci Particle Swarm Optimization, Direct Marketing, Selection Attributes.
• URL http://ejournal.bsi.ac.id/ejurnal/index.php/ji/article/view/2736/pdf
• Penerbit ,

REFERENSI

Aydin, I., Karakose, M., & Akin, E. (2011). A multi-objective artificial immune algorithm for parameter optimization in support vector machine. Journal Applied Soft Computing(11), 120-129.

Bellotti, T., & Crook, J. (2007). Support vector machines for credit scoring and discovery of significant features. Expert System with Application: An International Journal(36), 3302-3308.

Dawson, C. W. (2009). Project in Computing and Information System A Student’s Guide. England: Addison-Wesley.

Elsalamony, H. (2014). Bank Direct Marketing Analysis of Data Mining Techniques. International Journal of Computer Applications, 0975-8887 Volume 85 - No. 7.

Elsalamony, H. A., & Elsayad, A. M. (2013, Agustus). Bank Direct Marketing Based on Neural Network and C5.0 Models. IJEAT, II(6), 392-400.

Han, J., & Kamber, M. (2007). Data Mining Concepts and technique. San Francisco, USA: Diane Cerra.

Maimon, O., & & Rokach, L. (2010). Data Mining and Knowledge Discovery Handbook (2nd ed). New York: Springer Dordrecht Heidelberg London.

Moro, S., & Laureano, R. M. (2012). Using Data Mining for Bank Direct Marketing: An application of the CRISP-DM methodology. European Simulation and Modelling Conference, Figure I, 117-121.

UCI. (2012, Februari 14). Retrieved from UCI Machine Learning Repository: https://archive.ics.uci.edu/ml/datasets/bank+marketing

Vercellis, C. (2009). Business Intelegent: Data Mining and Optimization for Decision Making. Southern Gate, Chichester, West Sussex: john Willey & Sons, Ltd.

Yin, H., X., J., Chai, Y., & Fang, B. (2015). Scene classification based on single-layer SAE and SVM. Expert Systems with Applications, 7(42), 3368-3380.

Yusup, N., Zain, A. M., Zaiton, S., & & Hashim, M. (2012). Prosedia Engeneering Overview of PSO for Optimizing Process Parameters of Machining. Elsevier.