Pengaruh Dimensionality Reduction Menggunakan Self-Organizing Maps terhadap Klasifikasi Naive Bayes pada Data Kampanye Pemasaran

Abstract

Penelitian ini bertujuan untuk mengevaluasi performa algoritma Naive Bayes dalam memprediksi keberhasilan kampanye pemasaran bank, baik dengan maupun tanpa pengurangan dimensi menggunakan Self-Organizing Maps (SOM). Dataset yang digunakan berasal dari UCI Machine Learning Repository, mencakup atribut target "y" dan atribut prediktor seperti usia, pekerjaan, pendidikan, serta status kredit macet. Proses penelitian mencakup pembersihan data, transformasi atribut, dan normalisasi, diikuti dengan dua pendekatan utama: (1) penerapan langsung Naive Bayes tanpa SOM dan (2) penggunaan SOM untuk mereduksi dimensi sebelum penerapan Naive Bayes. Hasil menunjukkan bahwa model tanpa SOM mencapai akurasi 80,95%, dengan nilai AUC 0,850. Namun, precision untuk prediksi kelas "yes" hanya sebesar 34,63%. Sebaliknya, pendekatan dengan SOM menghasilkan precision yang lebih tinggi (63,24%) untuk kelas "yes", tetapi akurasi dan recall menurun menjadi masing-masing 62,10% dan 57,80%, dengan AUC 0,667. Analisis lebih lanjut mengidentifikasi adanya trade-off antara akurasi keseluruhan dan ketepatan prediksi positif, yang bergantung pada tujuan kampanye. Visualisasi menggunakan scatter plot SOM membantu mengungkap pola distribusi data yang kompleks dan potensi tumpang tindih antar kelas. Penelitian ini memberikan wawasan tentang manfaat dan keterbatasan reduksi dimensi menggunakan SOM dalam meningkatkan efisiensi model klasifikasi berbasis probabilistik.