Garuda - Garba Rujukan Digital

INVENTORY CONTROL USING STATISTICS FORECASTING ON MANUFACTURE COMPANY Prasetio, Rizki Tri
Jurnal Informatika Vol 1, No 2 (2014): Jurnal INFORMATIKA
Publisher : LPPM Universitas Bina Sarana Informatika

Abstract - Inventory Control is a main and the most crucial factor for company that can cause an efficient production process. A lot of research use different method to support inventory control. This research use several forecasting method such as, NaÃ¯ve Method, Exponential Smoothing, Exponential Smoothing with Trend, Moving Average, Weighted Moving Average and Linear Regression. Economic Order Quantity is used to calculate raw materials inventory. This research results suggest that company use Linear Regression as it has the smallest MAD and MSE of the six other methods. The company also has to implement Economic Order Quantity to minimalize loss profit due to excess inventory. Keywords : Inventory Control, Forecasting Method, Economic Order Quantity Abstrak - Pengendalian inventory merupakan salah satu faktor utama dan sangat penting bagi perusahaan karena sangat berpengaruh terhadap terciptanya proses produksi yang efisien. Banyak penelitian yang menggunakan beberapa metode guna mendukung pengendalian inventory. Penelitian ini menggunakan beberapa metode peramalan (forecasting method) diantaranya, NaÃ¯ve Method, Exponential Smoothing, Exponential Smoothing with Trend, Moving Average, Weighted Moving Average dan Linear Regression. Serta Economic Order Quantity (EOQ) yang digunakan untuk menghitung persediaan bahan baku yang dibutuhkan dalam proses produksi. Hasil penelitian menghasilkan bahwa metode peramalan Linear Regression memiliki tingkat kesalahan yang dihitung menggunakan MAD dan MSE paling kecil diantara 6 metode lainnya. Serta mengimplementasikan Economic Order Quantity untuk meminimalisir kerugian akibat kelebihan persediaan. Kata Kunci : Pengendalian Persediaan, Metode Peramalan, Economic Order Quantity

Improving Hierarchical Decision Approach for Single Image Classification of Pap Smear Dwiza Riana; Yudi Ramdhani; Rizki Tri Prasetio; Achmad Nizar Hidayanto
International Journal of Electrical and Computer Engineering (IJECE) Vol 8, No 6: December 2018
Publisher : Institute of Advanced Engineering and Science

The single image classification of Pap smears is an important part of the early detection of cervical cancer through Pap smear tests. Unfortunately, most classification processes still require accuracy enhancement, especially to complete the classification in seven classes and to get a qualified classification process. In addition, attempts to improve the single image classification of Pap smears were performed to be able to distinguish normal and abnormal cells. This study proposes a better approach by providing different handling of the initial data preparation process in the form of the distribution for training data and testing data so that it resulted in a new model of Hierarchial Decision Approach (HDA) which has the higher learning rate and momentum values in the proposed new model. This study evaluated 20 different features in hierarchical decision approach model based on Neural Network (NN) and genetic algorithm method for single image classification of Pap smear which resulted in classification experiment using value learning rate of 0.3 and momentum of 0.2 and value of learning rate of 0.5 and momentum of 0.5 by generating classification of 7 classes (Normal Intermediate, Normal Colummar, Mild (Light) Dyplasia, Moderate Dyplasia, Servere Dyplasia and Carcinoma In Situ) better. The accuracy value enhancemenet were also influenced by the application of Genetic Algorithm to feature selection. Thus, from the results of model testing, it can be concluded that the Hierarchical Decision Approach (HDA) method for Pap Smear image classification can be used as a reference for initial screening process to analyze Pap Smear image classification.

Upaya Peningkatan Produktivitas UMKM Melalui Implementasi ICT pada Look At Hijab Bandung Rizki Tri Prasetio; Ade Mubarok; Yudi Ramdhani; Erfian Junianto; Ali Akbar Rismayadi; Iedam Fardian Anshori; Syarif Hidayatulloh; Salman Topiq
Jurnal Abdimas BSI: Jurnal Pengabdian Kepada Masyarakat Vol 1, No 1 (2018): Jurnal Pengabdian kepada Masyarakat
Publisher : LPPM Universitas Bina Sarana Informatika

AbstrakUsaha Mikro Kecil dan Menengah (UMKM) merupakan usaha produktif milik perorangan yang menguasai lebih dari 95% dari jumlah pengusaha di indonesia. Dalam lima tahun terakhir, UMKM telah memberikan kontribusi pada Produk Domestik Bruto (PBD) sebesar 57-60% dan tingkat penyerapan tenaga kerja sekitar 97% dari seluruh tenaga kerja nasional. Dalam upaya pengembangan ekonomi nasional di Indonesia, yang menjadi prioritas utama yaitu UMKM karena menjadi struktur utama ekonomi kerakyatan untuk mengurangi permasalahan kemiskinan. Permasalahan yang dihadapi oleh UMKM dalam meningkatkan kemampuan usaha sangat kompleks yang meliputi berbagai macam indikator diantaranya, kurangnya modal usaha, lemahnya kemampuan manajerial, terbatasnya area pemasaran dan ketersediaan informasi didalam maupun diluar perusahaan. Dalam usaha peningkatan produktivitas UMKM di era teknologi informasi, ketersediaan informasi yang berkualitas memiliki peranan yang sangat penting sehingga UMKM dituntut untuk memperhatikan dan mengelola informasi dengan baik. UMKM Look At Hijab yang bergerak dibidang penjualan hijab memiliki kendala terkait penyebaran informasi produk-produk dan perluasan area pemasaran. Tujuan penelitian ini untuk mendesain sistem informasi yang dapat mendukung dan meningkatkan produktivitas pada UMKM Look At Hijab menggunakan model pengembangan sistem waterfall berdasarkan kebutuhan fungsionalitas UMKM. Hasil penelitian ini diharapkan dapat membantu meningkatkan produktivitas UMKM melalui pengelolaan informasi yang baik. Kata Kunci: UMKM, Produktivitas, ICT AbstractMicro Small and Medium Enterprises (UMKM) is a productive business owned by individuals who control more than 95% of the number of entrepreneurs in Indonesia. In the last five years, UMKM have contributed to the Gross Domestic Product (GDP) of 57-60% and the employment rate of about 97% of the entire national workforce. In the effort of national economic development in Indonesia, which become the main priority that is UMKM because become main structure of people economy to reduce poverty problem. The problems faced by UMKM in improving business capability is very complex which includes various indicators such as lack of business capital, lack of managerial ability, limited marketing area and the availability of information inside and outside the company. In an effort to increase UMKM productivity in the era of information technology, the availability of quality information has a very important role so that UMKM are required to pay attention and manage the information well. Look At Hijab engaged in the sale of hijab have constraints related to the dissemination of information products and the expansion of the marketing area. The purpose of this study is to design information systems that can support and improve productivity at Look At Hijab using a waterfall system development model based on the needs of UMKM functionality. The results of this study are expected to help improve UMKM productivity through good information management. Keywords: UMKM, productivity, ICT

Sistem Informasi Pelayanan Online di Mapolresta Bandung Ade Mubarok; Dwiza Riana; Rangga Sanjaya; Rizki Tri Prasetio; Yudi Ramdhani; Ali Akbar Rismayadi; Syarif Hidayatulloh; Mayya Nurbayanti Shobary; Fitriyani Fitriyani; Toni Arifin; Asti Herliana
Jurnal Abdimas BSI: Jurnal Pengabdian Kepada Masyarakat Vol 1, No 1 (2018): Jurnal Pengabdian kepada Masyarakat
Publisher : LPPM Universitas Bina Sarana Informatika

AbstrakPeranan teknologi sangatlah membantu dalam pekerjaan sehari-hari baik organisasi, perusahaan yang berupa unit kecil ataupun perusahaan besar. Dalam hal ini dikarenakan adanya tuntunan atas pelayanan prima kepada rekan binis atau masyarakat sebagai objek pengguna. Terlepas dari itu yang terjadi di Mapolresta sebagai sarana pelayanan yang dirasa masih perlunya ada perbaikan disetiap unit kerja. Sebagai contoh dalam hal info jadwal SIM keliling dan info kepada masyarakat yang bersifat umum. Karena dengan adanya system informasi berupa website ini sangatlah membantu dari segi waktu serta lebih cepat sampai ke masyarkat.Kata Kunci : Sistem informasi, Pelayanan, SIM Keliling AbstractThe role of technology is very helpful in the daily work of organizations, companies in the form of small units or large companies. In this case due to the guidance of the excellent service to fellow business or community as the user object. Regardless of that happening in Mapolresta as a service facility that still need improvement in every work unit. For example in terms of scheduled mobile SIM info and info to the general public. Because with the information system of this website is very helpful in terms of time and faster to the community.Keywords : Information System, Service, Mobile SIM

Analisis Penerimaan Microsoft Office dengan Pendekatan Technology Acceptance Model pada Warga Desa Karyamukti Kecamatan Cililin Rizki Tri Prasetio; Yudi Ramdhani; Iedam Fardian Anshori; Ali Akbar Rismayadi; Syarif Hidayatulloh; Ade Mubarok
Jurnal Abdimas BSI: Jurnal Pengabdian Kepada Masyarakat Vol 1, No 3 (2018): Jurnal Pengabdian Kepada Masyarakat
Publisher : LPPM Universitas Bina Sarana Informatika

Pembangunan pedesaan mengalami perubahan signifikan seiring pesatnya perkembangan Teknologi Informasi dan Komunikasi. Indeks Pembangunan Teknologi Informasi dan Komunikasi (IP-TIK) dapat digunakan untuk menggambarkan tingkat pembangunan teknologi informasi dan komunikasi suatu wilayah. IP-TIK Jawa Barat mengalami peningkatan pada tahun 2016 hingga 4,51 dari tahun sebelumnya sebesar 4,06. Peningkatan indeks ini termasuk pada wilayah perkotaan dan pedesaan. Desa Karyamukti merupakan salah satu desa yang terletak di Kecamatan Cililin Kabupaten Bandung Barat. Dalam upaya peningkatan indeks IP-TIK pada Kecamatan Cililin, dilakukan Pengabdian Kepada Masyarakat dengan tema pengenalan Microsoft Office pada warga desa. Penelitian ini bertujuan untuk mengetahui tingkat penerimaan teknologi informasi dan komunikasi melalui salah satu perangkat lunak perkantoran yang paling sering digunakan yaitu Microsoft Office. Penelitian ini menggunakan pendekatan Technology Acceptance Model (TAM) dengan tiga konstruk yaitu persepsi kemudahan (perceived ease of use), persepsi kemanfaatan (perceived usefulness) dan sikap terhadap penggunaan (attitude toward using). Sampel dalam penelitian ini adalah warga desa Karyamukti sebanyak 100 orang. Dari hasil analisis jalur, dapat disimpulkan bahwa persepsi kemudahan dan persepsi kemanfaatan berpengaruh signifikan positif terhadap sikap terhadap penggunaan dengan tingkat hubungan sebesar 24%.

Penerapan Inferensi Backward Chaining Pada Sistem Pakar Diagnosa Awal Penyakit Tulang Asti Herliana; Visqia Ade Setiawan; Rizki Tri Prasetio
Jurnal Informatika Vol 5, No 1 (2018): Jurnal INFORMATIKA
Publisher : LPPM Universitas Bina Sarana Informatika

Abstrak Tulang merupakan bagian yang sangat penting di dalam bagian ortopedi manusia. Tulang bukan hanya kerangka penguat tubuh tetapi juga merupakan bagian dari susunan sendi, sebagai pelindung tubuh, tempat melekatnya bagian ujung otot yang melekat pada tulang. Terbatasnya jumlah pakar Penyakit Tulang serta minimnya pengetahuan masyarakat tentang penyakit tulang menjadi kendala mengapa penyakit ini tidak mudah diatasi. Banyaknya gejala yang mirip untuk menentukan suatu penyakit Tulang. Dari masalah diatas maka dibuatlah aplikasi sistem pakar diagnosa awal penyakit tulang. Dari penelitian yang dilakukan menghasilkan sebuah perangkat lunak Sistem Pendukung Keputusan Klinis berbasis web untuk diagnosa Penyakit Tulang. Informasi yang dihasilkan adalah hasil diagnosa penyakit berdasarkan gejala-gejala yang dipilih oleh user. Hasil uji coba menunjukkan bahwa aplikasi ini layak dan dapat digunakan sebagai alat bantu para medis Penyakit Tulang dalam mendiagnosa awal. Kata Kunci : Sistem Pakar, Penyakit Tulang, Diagnosa awal, Backward Chaining , Web Progaming. Abstract Bone was a very important part in the human orthopedics. Bone is not only the body's reinforcement part, but it is also part of the joints, as a protector of the body, where the attachment of the muscle ends attached to the bone. The limited number of experts in Bone Disease and the lack of public knowledge about bone disease is the reason why this disease is not easy to overcome. The number of similar symptoms for a bone disease. From the above problems then made the application of expert systems early diagnosis of bone disease. From research conducted a software Clinical Decision Support System web-based for the diagnosis of Bone Disease. The resulting information is the result of diagnosis of the disease based on the symptoms chosen by the user. The results of the trial show this application is feasible and can be used as a tool of medical ailments of bone disease in early diagnosis. Keyword : Expert System, Bone Disease, Early Diagnose, Backward Chainning, Web Programming

PENERAPAN TEKNIK BAGGING PADA ALGORITMA KLASIFIKASI UNTUK MENGATASI KETIDAKSEIMBANGAN KELAS DATASET MEDIS Rizki Tri Prasetio; Pratiwi Pratiwi
Jurnal Informatika Vol 2, No 2 (2015): Jurnal INFORMATIKA
Publisher : LPPM Universitas Bina Sarana Informatika

ABSTRACT – The class imbalance problems have been reported to severely hinder classiﬁcation performance of many standard learning algorithms, and have attracted a great deal of attention from researchers of different ﬁelds. Therefore, a number of methods, such as sampling methods, cost-sensitive learning methods, and bagging and boosting based ensemble methods, have been proposed to solve these problems. Some medical dataset has two classes has two classes or binominal experiencing an imbalance that causes lack of accuracy in classification. This research proposed a combination technique of bagging and algorithms of classification to improve the accuracy of medical datasets. Bagging technique used to solve the problem of imbalanced class. The proposed method is applied on three classifier algorithm i.e., naïve bayes, decision tree and k-nearest neighbor. This research uses five medical datasets obtained from UCI Machine Learning i.e.., breast-cancer, liver-disorder, heart-disease, pima-diabetes and vertebral column. Results of this research indicate that the proposed method makes a significant improvement on two algorithms of classification i.e. decision tree with p value of t-Test 0.0184 and k-nearest neighbor with p value of t-Test 0.0292, but not significant in naïve bayes with p value of t-Test 0.9236. After bagging technique applied at five medical datasets, naïve bayes has the highest accuracy for breast-cancer dataset of 96.14% with AUC of 0.984, heart-disease of 84.44% with AUC of 0.911 and pima-diabetes of 74.73% with AUC of 0.806. While the k-nearest neighbor has the best accuracy for dataset liver-disorder of 62.03% with AUC of 0.632 and vertebral-column of 82.26% with the AUC of 0.867. Keywords: ensemble technique, bagging, imbalanced class, medical dataset. ABSTRAKSI – Masalah ketidakseimbangan kelas telah dilaporkan sangat menghambat kinerja klasifikasi banyak algoritma klasifikasi dan telah menarik banyak perhatian dari para peneliti dari berbagai bidang. Oleh karena itu, sejumlah metode seperti metode sampling, cost-sensitive learning, serta bagging dan boosting, telah diusulkan untuk memecahkan masalah ini. Beberapa dataset medis yang memiliki dua kelas atau binominal mengalami ketidakseimbangan kelas yang menyebabkan kurangnya akurasi pada klasifikasi. Pada penelitian ini diusulkan kombinasi teknik bagging dan algoritma klasifikasi untuk meningkatkan akurasi dari klasifikasi dataset medis. Teknik bagging digunakan untuk menyelesaikan masalah ketidakseimbangan kelas. Metode yang diusulkan diterapkan pada tiga algoritma classifier yaitu, naïve bayes, decision tree dan k-nearest neighbor. Penelitian ini menggunakan lima dataset medis yang didapatkan dari UCI Machine Learning yaitu, breast-cancer, liver-disorder, heart-disease, pima-diabetes dan vertebral column. Hasil penelitian menunjukan bahwa metode yang diusulkan membuat peningkatan yang signifikan pada dua algoritma klasifikasi yaitu decision tree dengan P value of t-Test sebesar 0,0184 dan k-nearest neighbor dengan P value of t-Test sebesar 0,0292, akan tetapi tidak signifikan pada naïve bayes dengan P value of t-Test sebesar 0,9236. Setelah diterapkan teknik bagging pada lima dataset medis, naïve bayes memiliki akurasi paling tinggi untuk dataset breast-cancer sebesar 96,14% dengan AUC sebesar 0,984, heart-disease sebesar 84,44% dengan AUC sebesar 0,911dan pima-diabetes sebesar 74,73% dengan AUC sebesar 0,806. Sedangkan k-nearest neighbor memiliki akurasi yang paling baik untuk dataset liver-disorder sebesar 62,03% dengan AUC sebesar dan 0,632 dan vertebral column dengan akurasi sebesar 82,26% dengan AUC sebesar 0,867. Kata Kunci: teknik ensemble, bagging, ketidakseimbangan kelas, dataset medis.

Optimasi Klasifikasi Jenis Hutan Menggunakan Deep Learning Berbasis Optimize Selection Rizki Tri Prasetio; Endang Ripandi
Jurnal Informatika Vol 6, No 1 (2019): April 2019
Publisher : LPPM Universitas Bina Sarana Informatika

AbstrakHutan adalah paru-paru dunia, maka menjaga kelestarian hutan merupakan suatu keharusan. Menurut WWF (2015) bahwa lebih dari 170 hektar hutan di seluruh dunia akan menghilang secara pesat hingga tahun 2030 mendatang. Brian Johnson, Ryutaro Tateishi, dan Zhixiao Xie (2010) melakukan penelitian untuk mengklasifikasikan jenis populasi tumbuhan hutan pada hutan Ibraki, Jepang. Algoritma SVM (Support Vector Machine) dan MLP (Multy Layer Perceptron) diterapkan untuk mengklasifikasikan jenis populasi tumbuhan hutan di hutan Ibraki dengan hasil akurasi 85.9%. Hasil Penelitian Brian Johnson dkk, diberi nama Forest Type Mapping Datasets. Hasil akurasi yang diperoleh dari penerapan algoritma SVM dan MLP masih belum mencapai hasil akurasi yang optimal dan masih mungkin untuk ditingkatkan. Untuk dapat meningkatkan hasil akurasi yang optimal terhadap klasifikasi jenis populasi tumbuhan hutan pada Forest Type Mapping Datasets, maka pada penelitian ini diusulkan untuk menerapkan algoritma optimasi fitur Optimize Selection pada algoritma Deep Learning. Hasil penelitian menunjukan bahwa metode yang diusulkan membuat peningkatan akurasi yang signifikan. Nilai akurasi klasifikasi pada jenis populasi tumbuhan hutan yang dihasilkan algoritma Deep Learning dengan optimasi fitur Optimize Selection berhasil meningkat menjadi 96.46%.

Implementasi Algoritma Genetika pada k-nearest neighbours untuk Klasifikasi Kerusakan Tulang Belakang Rizki Tri Prasetio; Ali Akbar Rismayadi; Iedam Fardian Anshori
Jurnal Informatika Vol 5, No 2 (2018): Jurnal INFORMATIKA
Publisher : LPPM Universitas Bina Sarana Informatika

AbstrakKerusakan tulang belakang dialami oleh sekitar dua pertiga orang dewasa serta termasuk ke dalam penyakit yang paling umum kedua setelah sakit kepala. Klasifikasi gangguan tulang belakang sulit dilakukan karena membutuhkan radiologist untuk menganalisa citra Magnetic Resonance Imaging (MRI). Penggunaan Computer Aided Diagnosis (CAD) System dapat membantu radiologist untuk mendeteksi kelainan pada tulang belakang dengan lebih optimal. Dataset vertebral column memiliki tiga kelas sebagai klasifikasi penyakit kerusakan tulang belakang yaitu, herniated disk, spondylolisthesis dan kelas normal yang diambil berdasarkan hasil ekstraksi citra MRI. Dataset akan diolah dalam lima eksperimen berdasarkan validasi dataset menggunakan split validation dengan pembagian data training dan data testing yang bervariasi. Pada penelitian ini diusulkan implementasi algoritma genetika pada algoritma k-nearest neighbours untuk meningkatkan akurasi dari klasifikasi gangguan tulang belakang. Algoritma genetika digunakan untuk fitur seleksi dan optimasi parameter algoritma k-nearest neighbours. Hasil penelitian menunjukan bahwa metode yang diusulkan menghasilkan peningkatan yang signifikan dalam klasifikasi kerusakan pada tulang belakang. Metode yang diusulkan menghasilkan rata-rata akurasi sebesar 93% dari lima eksperimen. Hasil ini lebih baik dari algoritma k-nearest neighbours yang menghasilkan rata-rata akurasi hanya sebesar 82.54%. Kata kunci: algoritma genetika, k-nearest neighbours, kerusakan tulang belakang, vertebral AbstractSpinal disorder is experienced by about two-thirds of adults and is included in the second most common disease after headaches. Classification of spinal disorders is difficult because it requires a radiologist to analyze Magnetic Resonance Imaging (MRI) images. The use of Computer Aided Diagnosis (CAD) System can help radiologists to detect abnormalities in the spine more optimally. The vertebral column dataset has three classes as a classification of spinal disorders, namely, herniated disk, spondylolisthesis and normal classes taken based on MRI Image extraction. The dataset will be processed in five experiments based on dataset validation using split validation with various training data and testing data. In this study proposed the implementation of genetic algorithms in the k-nearest neighbors algorithm to improve the accuracy of the classification of spinal disorders. Genetic algorithms are used for algorithm feature selection and parameter optimization of k-nearest neighbors. The results showed that the proposed method produced a significant increase in the classification of spinal disorder. The proposed method produces an average accuracy of 93% from five experiments. This result is better than the k-nearest neighbors algorithm which produces an average accuracy of only 82.54%. Keywords: genetic algorithm, k-nearest neighbours, spinal disorder, vertebral column.

Penanganan Ketidakseimbangan Data pada Prediksi Customer Churn Menggunakan Kombinasi SMOTE dan Boosting Nana Suryana; Pratiwi Pratiwi; Rizki Tri Prasetio
IJCIT (Indonesian Journal on Computer and Information Technology) Vol 6, No 1 (2021): IJCIT - Mei 2021
Publisher : LPPM Universitas Bina Sarana Informatika

Industri telekomunikasi menghadapi persaingan yang ketat antara penyedia layanan (service provider). Persaingan ini mengakibatkan customer churn atau berpindahnya pelanggan dari satu layanan ke layanan lain. Customer churn menjadi masalah utama karena dapat mempengaruhi pendapatan perusahaan, profitabilitas, serta kelangsungan hidup perusahaan. Oleh karena itu, mengetahui pelanggan yang akan melakukan churn secara dini menjadi salah satu cara yang cukup efektif dilakukan, karena dapat membantu perusahaan dalam membuat rencana yang efektif untuk tetap mempertahankan pelanggannya. Jumlah pelanggan yang mengundurkan diri dari layanannya saat ini biasanya dimiliki perusahaan dalam jumlah yang sedikit. Kondisi kekurangan data ini menyebabkan kesulitan dalam memprediksi customer churn. Tujuan umum dari penelitian ini adalah memprediksi pelanggan yang akan berpindah ke layanan lain atau mengundurkan diri dari layanannya saat ini. Sementara tujuan khusus penelitian Penelitian ini berusaha menangani ketidakseimbangan data dalam prediksi customer churn menggunakan optimasi pada level data melalui metode sampling yaitu Synthetic Minority Over Sampling. Kemudian dikombinasikan dengan optimasi level algoritma melalui pendekatan teknik Boosting. Pada penelitian beberapa algoritma prediksi seperti random forest, naïve bayes, decision tree, k-nearest neighbor dan deep learning yang akan diimplementasikan untuk mengetahui algoritma yang paling baik setelah dilakukan optimasi menggunakan SMOTE dan Boosting. Metode penelitian yang digunakan pada penelitian ini adalah CRISP-DM, yang merupakan kerangka penelitian data mining untuk penelitian lintas industri. Hasil penelitian ini menunjukan bahwa algoritma random forest merupakan algoritma yang menghasilkan akurasi paling optimal setelah dioptimasi menggunakan SMOTE dan Boosting dengan hasil akurasi 89,19%. The telecommunications industry faces stiff competition between service providers. This competition results in customer churn. Customer churn is a major problem because it can affect company revenue, profitability, survival, and service quality of the company. Therefore, knowing which customers will churn in the future early is one of the most effective ways to do it, because it can help companies make an effective plan to keep their customers. The number of customers who withdrew from its current services is usually owned by a small number. This lack of data causes difficulties in predicting customer churn. This problem then becomes a challenging issue in machine learning. The general purpose of this research is to predict customers who will churn. While the specific purpose of this research is to try to deal with data imbalances in predicting customer churn using optimization at the data level through the sampling method, namely Synthetic Minority Over Sampling (SMOTE). Then combined with algorithm level optimization through the Boosting technique approach. In this study, several prediction algorithms like the random forest, naïve Bayes, decision tree, k-nearest neighbor, and deep learning will be implemented to find out the best algorithm after optimization using SMOTE and Boosting. The method used in this study is CRISP-DM, which is a data mining research framework for cross-industry research. The results of this study indicate that the random forest algorithm is an algorithm that produces the most optimal accuracy after being optimized using SMOTE and Boosting with an accuracy of 89.19%.

Title

Found 20 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 20 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 20 Documents
Search