Deposito menjadi salah satu produk utama dan sumber pendanaan bagi bank dan
meningkatkan pemasaran deposito sangat penting. Namun, telemarketing sebagai
bentuk pemasaran deposito kurang efektif dan efisien karena mengharuskan
memanggil setiap pelanggan untuk penawaran deposit. Oleh karena itu, identifikasi
calon nasabah simpanan diperlukan agar telemarketing menjadi lebih efektif dan
efisien dengan menyasar nasabah yang tepat, sehingga meningkatkan kinerja
pemasaran bank dengan tujuan akhir meningkatkan sumber pendanaan bagi bank.
Untuk mengidentifikasi pelanggan, data mining digunakan dengan UCI Bank
Marketing Dataset dari lembaga perbankan Portugis. Dataset ini terdiri dari 45.211
record dengan 17 atribut. Algoritma klasifikasi yang digunakan adalah Extreme
Gradient Boosting (XGBoost) yang cocok untuk data berukuran besar. Data yang
digunakan memiliki ketidakseimbangan kelas tinggi, dengan persentase "ya" dan
"tidak" masing-masing 11,7% dan 88,3%. Oleh karena itu, solusi yang diusulkan
dalam penelitian, yang berfokus pada mengatasi Imbalance Class dalam dataset
pemasaran Bank, adalah dengan menggunakan Synthetic Minority Over-sampling
(SMOTE) dan metode XGBoost. Hasil penelitian XGBoost adalah akurasi 0,91016,
presisi 0,79476, recall 0,72928, F1-Score 0,56198, Area ROC 0,93831, dan AUCPR
0,63886. Setelah SMOTE diterapkan, akurasinya 0,91072, presisi 0,78883, recall
0,75588, F1-Score 0,59153, Area ROC 0,93723, dan AUCPR 0,63733. Hasil
penelitian menunjukkan bahwa XGBoost dan SMOTE dapat mengungguli algoritma
lain seperti K-Nearest Neighbor, Random Forest, Logistic Regression, Artificial
Neural Network, Naïve Bayes, dan Support Vector Machine dalam hal akurasi. Studi
ini berkontribusi pada pengembangan model machine learning efektif yang dapat
digunakan sebagai sistem pendukung bagi para ahli teknologi informasi di industri
keuangan dan perbankan untuk mengidentifikasi calon nasabah yang tertarik untuk
berlangganan deposito dan meningkatkan sumber pendanaan bank.