Rancang Bangun System Predictive Lead Scoring (PROSPECTA) untuk Menentukan Prospek Nasabah Deposito Berjangka Menggunakan Next.js

Azizun Fathin Wahyu Lestari; Firdhaus Hari S A H; Diyah Ruswanti

doi:10.30591/smartcomp.v15i3.10353

Rancang Bangun System Predictive Lead Scoring (PROSPECTA) untuk Menentukan Prospek Nasabah Deposito Berjangka Menggunakan Next.js

Azizun Fathin Wahyu Lestari, Firdhaus Hari S A H, Diyah Ruswanti

Abstract

Perkembangan teknologi informasi di sektor perbankan mendorong pemanfaatan data nasabah secara optimal untuk mendukung pengambilan keputusan berbasis data. Salah satu permasalahan yang dihadapi adalah kondisi lead overload, di mana jumlah calon nasabah tidak sebanding dengan kemampuan tim sales dalam melakukan tindak lanjut, sehingga pemasaran menjadi kurang efektif. Penelitian ini bertujuan untuk mengembangkan sistem Predictive Lead Scoring (PROSPECTA) berbasis web yang mampu membantu proses prioritas prospek nasabah deposito berjangka. Metode penelitian yang digunakan meliputi observasi, studi literatur, dan metode pengembangan sistem Waterfall. Proses pengolahan data dilakukan menggunakan preprocessing Robust Scaler untuk menstabilkan skala data, serta penerapan algoritma Random Forest dalam membangun model prediksi. Sistem diimplementasikan dalam bentuk dashboard menggunakan Next.js yang menyajikan hasil prediksi probabilitas secara informatif. Hasil pengujian menunjukkan bahwa model memiliki tingkat akurasi sebesar 93%, serta seluruh fitur berjalan dengan baik berdasarkan pengujian blackbox dan API menggunakan Postman. Dengan demikian, prospecta mampu mendukung efektivitas kerja tim sales dalam menentukan prioritas prospek serta meningkatkan efisiensi pemasaran berbasis data

Keywords

Predictive Lead Scoring; Machine Learning; Random Forest; Dashboard; Perbankan

Full Text:

References

M. Rasikh, A. Riyyasy, W. Nouval Aghniya, and H. Tantyoko, “LEDGER: Journal Informatic and Information Technology Penerapan Algoritma Machine Learning Untuk Memprediksi Term Deposit Nasabah Perbankan,” 2023.

M. Pamuk and M. Schumann, “Towards AI Dashboards in Financial Services: Design and Implementation of an AI Development Dashboard for Credit Assessment,” Mach. Learn. Knowl. Extr., vol. 6, no. 3, pp. 1720–1761, Sep. 2024, doi: 10.3390/make6030085.

E. A. Apriadi and M. Bisri, “Bank Customer Decision Prediction on Term Deposit Products Using Random Forest Algorithm on Bank Marketing Campaign Data,” Journal of Computer Networks, Architecture and High Performance Computing, vol. 7, no. 2, pp. 534–543, May 2025, doi: 10.47709/cnahpc.v7i2.5801.

A. Jadli, M. Hain, and A. Hasbaoui, “Artificial intelligence-based lead propensity prediction,” IAES International Journal of Artificial Intelligence, vol. 12, no. 3, pp. 1281–1290, Sep. 2023, doi: 10.11591/ijai.v12.i3.pp1281-1290.

A. M. Zaki, N. Khodadadi, W. H. Lim, and S. K. Towfek, “Predictive Analytics and Machine Learning in Direct Marketing for Anticipating Bank Term Deposit Subscriptions,” American Journal of Business and Operations Research, vol. 11, no. 1, pp. 79–88, 2024, doi: 10.54216/AJBOR.110110.

M. Wu, P. Andreev, and M. Benyoucef, “Association for Information Systems Association for Information Systems Smart Sales: Amplifying the Power of Predictive Lead Scoring in Smart Sales: Amplifying the Power of Predictive Lead Scoring in B2B Sales B2B Sales,” 2024. [Online]. Available: https://aisel.aisnet.org/pacis2024

Sindhu, “Stacking Ensemble Learning : Combining XGBoost, LightGBM, CatBoost, and AdaBoost with Random Forest Meta Model,” Oct. 30, 2025. doi: 10.21203/rs.3.rs-7944070/v1.

I. I. Deshmukh and A. Ansari, “International Journal of Innovative Research in Science Engineering and Technology (IJIRSET) Intelligent Marketing Campaign Response Prediction: A Comparative Evaluation of Logistic Regression, Random Forest, and XG Boost with SMOTE Augmentation,” Certified Journal |, vol. Volume 15, Mar. 2026, doi: 10.15680/IJIRSET.2026.1503259.

T. Gori, A. Sunyoto, and H. Al Fatta, “Preprocessing Data dan Klasifikasi untuk Prediksi Kinerja Akademik Siswa,” Jurnal Teknologi Informasi dan Ilmu Komputer, vol. 11, no. 1, pp. 215–224, Feb. 2024, doi: 10.25126/jtiik.20241118074.

N. Nuraeni, “Klasifikasi Data Mining untuk Prediksi Potensi Nasabah dalam Membuat Deposito Berjangka Data Mining Classification for Predicting Customer Potential in Making Term Deposits,” Jurnal Ilmiah Intech : Information Technology Journal of UMUS, vol. 3, no. 01, pp. 65–75, 2021.

D. Susilo, Diyah Ruswanti, Supriyanta, and Wawan Nugroho, “COMPARISON OF PRINCIPAL COMPONENT ANALYSIS AND RANDOM FOREST ALGORITHM FOR PREDICTING HOUSING PRICES,” JITK (Jurnal Ilmu Pengetahuan dan Teknologi Komputer), vol. 11, no. 2, pp. 353–361, Nov. 2025, doi: 10.33480/jitk.v11i2.7256.

W. C. F. Saputri, H. Khusnuliawati, and F. Fitriyadi, “Pembangunan Sistem Forecasting Berbasis Web Menggunakan Metode Holt-Winters Exponential Smoothing Untuk Meningkatkan Akurasi Kebutuhan Jumlah Panen Bunga Potong (Studi Kasus: Shenda Florist Surabaya),” 2024. [Online]. Available: http://dx.doi.org/

A. Nurseptaji, “IMPLEMENTASI METODE WATERFALL PADA PERANCANGAN SISTEM INFORMASI PERPUSTAKAAN,” Jurnal Dialektika Informatika (Detika), vol. 1, no. 2, pp. 49–57, May 2021, doi: 10.24176/detika.v1i2.6101.

DOI: https://doi.org/10.30591/smartcomp.v15i3.10353