3.3.7 Penelitian dalam bidang Pemasaran
Kim 2006 melakukan penelitian untuk memprediksi apakah seorang pelanggan yang diberikan mail atau katalog suatu produk akan menanggapi atau tidak, berdasarkan
database informasi demografi pelanggan dan sejarah pembelian, menggunakan support vector regression.
Sebuah model respon, mengingat kampanye surat, memprediksi apakah setiap pelanggan akan merespon atau berapa banyak setiap pelanggan akan menghabiskan uang
berdasarkan database informasi demografi pelanggan dan atau sejarah pembelian. Pemasar akan mengirimkan mail atau katalog kepada pelanggan yang diperkirakan akan
merespon atau untuk menghabiskan uang dalam jumlah besar. Berbagai metode telah digunakan untuk respon pemodelan seperti teknik statistik
Bentz dan Merunka, 2000, teknik pembelajaran mesin, Wang et al, 2005. Dan jaringan saraf NN Potharst et al., 2000. Sejauh ini, model respon telah biasanya
dirumuskan sebagai kation biner, masalah diklasifikasikan karena keterusterangan nya. Para pelanggan dibagi menjadi dua kelas, responden dan non-responden. Sebuah
Classifier dibangun untuk memprediksi apakah seorang pelanggan yang diberikan akan merespon atau tidak.
Dalam penelitian ini, diterapkan SVR untuk pemodelan respon untuk memprediksi jumlah total uang yang dihabiskan masing-masing responden. Seperti
disebutkan sebelumnya, respon tunggal model yang didasarkan pada metode kation yang mendapat skor cenderung untuk menanggapi setiap pelanggan. Namun, pemasar
langsung ingin tahu tidak hanya responden tetapi juga pelanggan yang akan menghabiskan uang lebih dari yang lain. Oleh karena itu, setelah memprediksi responden
oleh model kation maka respon diklasifikasikan, kemunduran model diperlukan untuk memprediksi jumlah total uang yang dihabiskan masing-masing responden.
Pola Seleksi untuk SVR, waktu pelatihan kompleksitas SVR adalah O N3. Jika jumlah pelatihan pola meningkat, waktu pelatihan meningkat lebih radikal, yaitu dalam
kubik proporsi. Database pemasaran biasanya terdiri lebih dari satu juta pelanggan dan ratusan variabel input. Oleh karena itu, dibutuhkan waktu terlalu lama untuk melatih SVR
Universitas Sumatera Utara
langsung ke Dataset pemasaran. Penelitian ini menerapkan metode seleksi pola dari penelitian sebelumnya. Minat dalam penelitian ini, kami berasumsi bahwa ada model
respon yang ideal dibangun dengan algoritma kation diklasifikasikan yang bisa mengambil responden semua tanpa akseptasi palsu. Oleh karena itu, kami memilih
dataset baru terdiri dari 4.000 pelanggan. Untuk evaluasi kinerja, dataset itu dibagi menjadi pelatihan dan tes set. Setengah dari pelanggan secara acak ditugaskan untuk
training set sementara separuh lainnya ke set uji.
Hasil Penelitian: Sebuah model respon, mengingat kampanye surat, memprediksi apakah setiap
pelanggan akan merespon atau berapa banyak setiap pelanggan akan menghabiskan uang berdasarkan database informasi demografi pelanggan dan atau sejarah pembelian.
Pemasar akan mengirimkan mail atau katalog kepada pelanggan yang diperkirakan akan merespon atau untuk menghabiskan uang dalam jumlah besar.
Hasil eksperimen menbandingkan dua metode SVR yaitu SVR-PS pattern
selection dan SVR-100 with all data yaitu: SVR-PS memerlukan hanya 16 dari
waktu pelatihan sedangkan SVR-100 sebesar 25, maka SVR-PS lebih effisien dibandingkan dengan SVR-100.
Universitas Sumatera Utara
BAB IV
ANALISIS TEKNIK SUPPORT VECTOR REGRESSION DAN DECISION TREE C4.5
4.1 Penelitian dalam bidang Pengembangan Ilmu Pengetahuan