Comparison of Potential Telemarketing Customers Predictions with a Data Mining Approach using the MLPNN and RBFNN Methods

Puteri, Annisa Nurul; Dewiani,; Tahir, Zulkifli

doi:10.1109/icoiact46704.2019.8938496

Cited by 7 publications

(5 citation statements)

References 10 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…: negative data are classified as positive data False Negative (FN) : positive data that is classified as negative data Accuracy is the degree of closeness between actual data and predictive data. Accuracy can also be defined as the ratio of the data amount correctly classified by the system [22,23]. The level of accuracy can be calculated using the formula (5).…”

Section: Performance Evaluationmentioning

confidence: 99%

Support Vector Machine for Predicting Candlestick Chart Movement on Foreign Exchange

Puteri,

Syamsu,

Putra

et al. 2023

matrik

View full text Add to dashboard Cite

Foreign Exchange, commonly called Forex, is a form of investment in the non-real sector in great demand. Forex is a marketplace that specializes in foreign exchange trading. Technology advancements have made it easy to monitor investment conditions in real time and present them in an easyto - understand graphical form. As a result, predictions are closely related to investment, starting from market sentiment and economic conditions to technical matters. One of the Artificial Intelligence methods that can be used in classifying is the Support Vector Machine (SVM). SVM is a machine learning classification method based on the Structural Risk Minimization (SRM) principle to find the best hyperplane that separates two classes in the input space that determines the classification decision function by minimizing empirical risk. This study used candlestick patterns to predict foreign exchange chart movements using the Support Vector Machine (SVM) classification method. The purpose of this study was to measure the accuracy of the Support Vector Machine method in making predictions using candlestick patterns so that it can assist traders in making decisions in forex trading. The accuracy level obtained from the data classification results reached 90.72% with a precision of 87.69%. With a relatively good level of accuracy, the Support Vector Machine (SVM) method can be used to predict chart movements in foreign exchange using candlesticks to indicate the current trend’s direction.

show abstract

Section: Performance Evaluationmentioning

confidence: 99%

Support Vector Machine for Predicting Candlestick Chart Movement on Foreign Exchange

Puteri,

Syamsu,

Putra

et al. 2023

matrik

View full text Add to dashboard Cite

show abstract

“…Hasil dari pengujian data menunjukkan bahwa Correlation-based feature selection yang dikolaborasikan dengan algoritma C4.5 menghasilkan nilai akurasi yang lebih tinggi, yakni sebesar 76.92%. Penelitian [9] juga melakukan penelitian untuk memperoleh informasi baru yang memiliki makna dari data perbankan. Seleksi fitur dilakukan menggunakan Information Gain untuk menyeleksi data yang tidak relevan dan redundan.…”

Section: Pendahuluanunclassified

“…Dalam tiap-tiap layer, input-input ditransformasikan ke dalam layer secara nonlinear oleh elemen-elemen proses dan kemudian diproses maju ke lapis berikutnya. Akhirnya, nilai-nilai output Y(X), yang dapat berupa nilai-nilai scalar atau vector, dihitung pada output layer [9]. Nilai-nilai respon atau output Y(X) pada metode ini dihitung dengan persamaan (3).…”

Section: Gambar 2 Arsitektur Multilayer Perceptron Neural Networkunclassified

“…True Positive (TP) merupakan data positif yang terdeteksi benar sebagai data positif, sedangkan True Negative (TN) adalah data positif yang terdeteksi sebagai data negatif. Tingkat kedekatan data antara data yang dipredikasi dengan data sebenarnya atau rasio jumlah data yang diklasifikasikan dengan benar disebut tingkat akurasi [9]. Tingkat akurasi dapat didefinisikan dalam persamaan (5.:…”

Section: Evaluasi Kinerjaunclassified

“…Data yang dapat diolah adalah dataset dengan 21 atribut dan total 41.118 data. Akan tetapi, merujuk pada [9] penelitian ini menggunakan data dengan jumlah 15.713 data karena adanya selisih jumlah data yang signifikan antara data pada target deposit pelanggan yang berlangganan dengan data pada target pelanggan yang tidak berlangganan. Data ini dibagi menjadi 70% data latih dan 30% data uji.…”

Section: Hasil Dan Analisisunclassified

See 2 more Smart Citations

Feature Selection Correlation-Based pada Prediksi Nasabah Bank Telemarketing untuk Deposito

Puteri¹,

Arizal²,

Achmad

2021

matrik

Self Cite

View full text Add to dashboard Cite

Pre-processing merupakan tahap yang penting dalam melakukan klasifikasi data. Pre-processing berguna untuk mempersiapkan data sehingga teknik klasifikasi yang diterapkan menghasilkan pola yang berkualitas dan akurat. Salah satu teknik data pre-processing yang sering digunakan untuk mengetahui atribut yang paling berpengaruh pada sebuah dataset adalah feature selection. Data yang digunakan dalam penelitian ini adalah customer data collection dari a Portuguese banking institution in UCI Machine Learning Repository. Penelitian ini menggunakan metode feature selection correlation-based yang dikombinasikan dengan metode klasifikasi Multilayer Perceptron Neural Networks. Tujuan penelitian ini untuk mengidentifikasi atribut yang paling relevan dan berpengaruh dari dataset dalam memprediksi nasabah yang potensial untuk penawaran deposito berjangka. Penelitian ini menghasilkan 10 atribut yang memiliki ranking teratas. Atribut-atribut tersebut adalah duration, previous, contact, cons.price.idx, month, cons.cof.idx, age, job, marital, dan housing. Hasil klasifikasi dari atribut yang terpilih memiliki tingkat akurasi tertinggi sebesar 80.5% dan tingkat akurasi terendah 79.1%.

show abstract

The Optimal Stopping Criteria for a Customer Contact Strategy in Targeted Marketing

Ramoudith

Hosein

Rahaman

2022

Operations Research and Enterprise Systems

View full text Add to dashboard Cite

Comparison of Potential Telemarketing Customers Predictions with a Data Mining Approach using the MLPNN and RBFNN Methods

Cited by 7 publications

References 10 publications

Support Vector Machine for Predicting Candlestick Chart Movement on Foreign Exchange

Support Vector Machine for Predicting Candlestick Chart Movement on Foreign Exchange

Feature Selection Correlation-Based pada Prediksi Nasabah Bank Telemarketing untuk Deposito

The Optimal Stopping Criteria for a Customer Contact Strategy in Targeted Marketing

Contact Info

Product

Resources

About