KNNDT Analisis Perbandingan Kinerja Model K-Nearest Neighbors dan Decision Tree untuk Prediksi Pengeluaran Nasabah

Abstract

Customer expenditure prediction is a crucial aspect of financial data analysis, helping banking institutions better understand consumer behavior. This study compares the performance of two machine learning algorithms, K-Nearest Neighbors (KNN) and Decision Tree, in predicting customer expenditures. The dataset used consists of 2,567 transaction records from a single customer at Bank BCA. The performance of both models is evaluated using three key metrics: Mean Absolute Error (MAE), Mean Squared Error (MSE), and Root Mean Squared Error (RMSE). The results show that the KNN algorithm outperforms the Decision Tree by producing lower prediction errors across all evaluation metrics, making it more effective for this predictive task.Prediksi pengeluaran nasabah merupakan aspek krusial dalam analisis data keuangan guna membantu institusi perbankan memahami pola perilaku konsumen. Penelitian ini membandingkan kinerja dua algoritma pembelajaran mesin, yaitu K-Nearest Neighbors (KNN) dan Decision Tree, dalam memprediksi pengeluaran nasabah. Sampel yang digunakan berupa data transaksi seorang nasabah pada Bank BCA dengan total 2.567 transaksi. Evaluasi dilakukan menggunakan tiga metrik utama, yakni Mean Absolute Error (MAE), Mean Squared Error (MSE), dan Root Mean Squared Error (RMSE). Hasil penelitian menunjukkan bahwa algoritma KNN menghasilkan tingkat kesalahan prediksi yang lebih rendah dibandingkan Decision Tree pada seluruh metrik evaluasi, sehingga dinilai lebih efektif dalam tugas prediksi ini.