Investasi dalam bentuk deposito berjangka di bank menawarkan imbal hasil yang stabil. Namun, mengidentifikasi dan menarik pelanggan potensial mempunyai tantangan. Penelitian ini meningkatkan kemampuan prediktif model klasifikasi simpanan dengan mengatasi ketidakseimbangan data dengan kombinasi teknik optimasi XGBoost, ADASYN, dan Random Search. Integrasi ADASYN meningkatkan representasi kelas minoritas, sementara Random Search secara efisien mengoptimalkan parameter model. Temuan kami menunjukkan akurasi yang signifikan sebesar 94,93%, dibandingkan dengan model dasar, sehingga menyoroti efektivitas metode kami dibandingkan dengan pendekatan tradisional. Model hibrid ini memajukan analisis data pelanggan dan mencapai tujuan penelitian kami. Kami membahas tantangan integrasi, termasuk tuntutan komputasi dan pemilihan teknik. Penelitian ini menggarisbawahi penerapan pembelajaran mesin untuk mengatasi masalah industri keuangan, dengan menekankan dampak pra-pemrosesan data dan rekayasa fitur terhadap kinerja. Studi di masa depan mungkin mengeksplorasi AutoML untuk mengurangi kompleksitas lebih lanjut dan meningkatkan skalabilitas model, sehingga menjanjikan lebih banyak inovasi dalam analisis data pelanggan.