Claim Missing Document
Check
Articles

Found 3 Documents
Search

PREDIKSI LOYALITAS PELANGGAN INDIHOME DENGAN METODE K-NEAREST NEIGHBOR Ivo Colanus Rally Drajana
Simtek : jurnal sistem informasi dan teknik komputer Vol 4 No 2 (2019): Oktober 2019
Publisher : STMIK Catur Sakti Kendari

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (204.872 KB) | DOI: 10.51876/simtek.v4i2.56

Abstract

Perusahaan informasi serta komunikasi penyedia jasa dan jaringan telekomunikasi lengkap di Indonesia adalah Telkom. Telkom merupakan perusahaan yang menyedia[1]kan jasa dalam bidang telekomunikasi terkemuka diindonesia, dengan demikian Telkom wajib memberikan layanan terbaik kepada pelanggannya agar tetap loyal menggunakan produk dari Telkom, salah satunya indihome. Salah satu permasalahan yang dihadapi yang bergerak dibidang penjualan jasa adalah mempertahankan loyalitas pelanggannya Loyalitas pelanggan perlu diprediksi dengan akurat agar dapat membantu dalam proses pengambilan keputusan. Metode yang digunakan untuk memprediksi loyalitas pelanggan adalah metode K-Nearest Neighbor (K-NN). Tujuan dari algoritma KNN adalah mengklasifikasikan objek baru berdasarkan atribut dan training data. Prediksi Loyalitas Pelanggan Indihome berdasarkan data Pelanggan algoritma K-NN telah selesai dilakukan. Pada eksperimen algoritma K-NN model terbaik dilihat berdasarkan nilai error terkecil yaitu 0.100, variabel periode 3, validation 10 dan nilai k 9.
METODE SUPPORT VECTOR MACHINE DAN FORWARD SELECTION PREDIKSI PEMBAYARAN PEMBELIAN BAHAN BAKU KOPRA Ivo Colanus Rally Drajana
ILKOM Jurnal Ilmiah Vol 9, No 2 (2017)
Publisher : Teknik Informatika Fakultas Ilmu Komputer Univeristas Muslim Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33096/ilkom.v9i2.134.116-123

Abstract

Telah banyak peneliti-peneliti termotivasi dalam meningkatkan kinerja performa prediksi. Support Vector Machine (SVM) metode yang berlandaskan pada teori pembelajaran statistic dan memberi hasil yang menjanjikan akan lebih baik dibanding metode lain. SVM bekerja juga dengan baik terhadap data yang berdimensi tinggi dengan menggunakan teknik kernel. Penentuan variabel yang relevan sangat dibutuhkan untuk dapat memberikan kinerja performa lebih efektif lagi pada suatu model. Pada penelitian ini bermaksud untuk mengembangkan model prediksi dengan mengkombinasikan algoritma Support Vector Machine dengan Feature Selection, khususnya forward selection dalam memprediksi pembayaran pembelian bahan baku kopra. Model yang diusulkan dievaluasi menggunakan data time pembelian bahan baku kopra. Hasil eksperimen penelitian ini menunjukan dimana series pembayaran algoritma SVM dan Forward Selection memberikan kinerja performa yang terbaik dibandingkan SVM, SVM dan Backward Elimination serta BPNN dan Feature Selection.
Prediksi Jumlah Produksi Coconut Oil Menggunakan k-Nearest Neighbor dan Backward Elimination Ivo Colanus Rally Drajana
JURNAL TECNOSCIENZA Vol. 3 No. 1 (2018): TECNOSCIENZA
Publisher : JURNAL TECNOSCIENZA

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (374.099 KB)

Abstract

Hampir keseluruhan tanaman pohon kelapa memiliki banyak bagiannya yang dimanfaatkan oleh manusia, sehingga tumbuhan ini dianggap tumbuhan serbaguna. Minyak kelapa (coconut oil) dihasilkan oleh buah pohon kelapa. Produksi jumlah coconut oil menjadi bagian penting disetiap perusahaan yang bergerak di bidang produksi coconut oil dengan tujuan mencapai target hasil produksi. Produksi minyak setiap hari mengalami perubahan fluktuatif. Untuk memenuhi permintaan sales order dari customer perusahaan, pengembangan system perusahaan sangat diperlukan untuk prediksi jumlah produksi coconut oil. Penelitian ini k-Nearrest Neighbor dengan feature selection digunakan untuk memprediksi jumlah produksi coconut oil berdasarkan data time series Sales Order (SO). Metode yang sering digunakan dalam prediksi adalah metode time series, dimana nilai masa mendatang dilihat berdasarkan rentet waktu pengamatan. Performa metode time series sangatlah unggul dengan melihat nilai-nilai di masa lalu. Algoritma k-Nearest Neighbor merupakan metode non-parametrik yang digunakan untuk klasifikasi dan regresi. k-Nearest Neighbor menghitung jarak datanya pada semua sampel. Jarak Euclidean lebih sering digunakan. Algoritma k-Nearest Neighbor adalah metode penerapan algoritma supervised di mana algoritma ini terbagi menjadi dua bagian yaitu supervised learning dan unsupervised learning. Feature selection yakni Backward Elimination meningkatkan performa yang lebih baik. Backward Elimination diterapkan untuk mengeliminasi atribut atau variabel yang anggap tidak relevan, variabel yang tidak berpengaruh serta tidak signifikan dalam model dihapuskan dari dalam model. Algoritma k-Nearest Neighbor dihasilkan model terbaik yang dilihat berdasarkan nilai error terkecil yaitu 0.111. Kemudian algoritma k-Nearest Neighbor menggunakan Backward Elimination dihasilkan model terbaik yang dilihat berdasarkan nilai error terkecil yaitu 0.109. Seleksi fitur yaitu Backward Elimination menghasilkan kinerja lebih baik. Kata kunci: Metode k-Nearest Neigbor; Backward Elimination; Data Mining; Produksi Coconut Oil