Abstrak

Pesatnya perkembangan teknologi mendorong setiap orang untuk
menggunakan layanan bank sebagai sarana penyimpanan uang, hal ini menjadi peluang
bagi pihak bank untuk bersaing menarik perhatian calon nasabah, dan calon nasabah
pun berhak menentukan bank mana yang mereka pilih untuk digunakan serta dapat
dengan bebas beralih ke pilihan bank yang lain. Peralihan keputusan nasabah
(Customer Churn) salah satunya dapat terjadi dikarenakan ketidak puasan satu dan lain
hal terkait kebijakan yang diberikan pihak bank. Oleh karena itu pihak bank harus
mengantisipasi agar tidak kehilangan nasabahnya. Tujuan dari penelititan ini untuk
membuat model Machine Learning dan mengetahui model klasifikasi yang lebih baik
dari segi tingkat overall akurasinya. Dalam penelitian ini penulis menggunakan data
dari Kaggle yang terdiri dari 10.000 baris data dan 14 kolom dengan kolom Exited
sebagai variable target yang dikalsifikasikan menggunakan Logistic Regression dan
Decission Tree. Hasil dari penelitian ini memperoleh bahwa overall akurasi dari model
klasifikasi Logistic Regression sebesar 68% dan overall akurasi model klasifikasi
Decission Tree sebesar 88%.