PENGEMBANGAN MODEL GRADIENT BOOSTING MACHINE (GBM) DENGAN SMOTE OVERSAMPLING UNTUK KLASIFIKASI NASABAH POTENSIAL DALAM PEMBUKAAN REKENING

Sektor perbankan memiliki peran krusial dalam mendorong pertumbuhan ekonomi melalui aktivitas intermediasi dana antara pihak yang kelebihan dan kekurangan modal.
Seiring kemajuan teknologi informasi, penerapan metode machine learning semakin meluas di dunia perbankan, salah satunya untuk meningkatkan ketepatan dalam memprediksi nasabah potensial. Mengetahui faktor-faktor yang memengaruhi keputusan nasabah dalam membuka rekening membantu bank menyusun strategi pemasaran yang
lebih tepat sasaran serta meningkatkan efektivitas layanan. Penelitian ini bertujuan untuk mengembangkan model klasifikasi nasabah potensial dengan memanfaatkan algoritma Gradient Boosting Machine (GBM) yang dikombinasikan dengan teknik SMOTE guna mengatasi permasalahan ketidakseimbangan data. Dataset yang digunakan bersumber dari UCI Machine Learning Repository, dan performa model dievaluasi berdasarkan
metrik accuracy, precision, recall, dan f1-score. Hasil penelitian menunjukkan bahwa penerapan SMOTE secara signifikan meningkatkan performa model, khususnya dalam
mengidentifikasi kelas minoritas. Algoritma GBM memberikan hasil paling optimal dengan nilai accuracy sebesar 90%, precision 0.93, recall 0.81, dan f1-score 0.86, yang
mencerminkan keseimbangan baik antara prediksi positif dan keseluruhan hasil klasifikasi. Selain itu, penerapan SMOTE juga meningkatkan nilai f1-score pada model Decision Tree, meskipun pada Random Forest masih ditemukan ketidakseimbangan antara precision dan recall. Temuan dalam penelitian ini memberikan kontribusi teoritis
terhadap metode penanganan data tidak seimbang, sekaligus manfaat praktis bagi industri perbankan dalam mengelola dan mengembangkan strategi pemasaran berbasis data.