Optimasi Model CatBoost dengan Feature Selection dan Hyperparameter Tuning untuk Prediksi Nasabah Bank Potensial

Abstract

Persaingan ketat di industri perbankan menuntut kemampuan memprediksi nasabah potensial deposito secara akurat dan efisien. Penelitian ini bertujuan meningkatkan akurasi prediksi nasabah potensial deposito dengan mengurangi kompleksitas komputasi dan dimensionalitas data, terutama pada penanganan fitur kategorik. Metode yang diusulkan menggunakan algoritma CatBoost yang mampu menangani data kategorik secara efisien tanpa memerlukan one-hot encoding. Feature selection berbasis feature importance diaplikasikan untuk memilih fitur paling relevan, sementara hyperparameter tuning dengan Hyperopt digunakan untuk mengoptimalkan parameter model CatBoost. Eksperimen pada dataset Bank Marketing dengan 45.211 baris data dan 16 fitur menunjukkan kombinasi CatBoost, feature selection, dan hyperparameter tuning mampu mencapai akurasi 92,8%, sensitivitas 91,0%, dan spesifisitas 94,8% dalam memprediksi nasabah potensial deposito. Pendekatan ini terbukti efektif mengurangi kompleksitas komputasi sekaligus meningkatkan akurasi prediksi nasabah potensial deposito.