Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal Prosiding Seminar Nasional CORISINDO
Amin, Farda Milanda
Unknown Affiliation
Computer Science & IT

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Penerapan Logistic Regression dan SMOTE untuk Memprediksi Atrisi Karyawan pada Imbalanced Data Vidiasari, Viviana Herlita; Hairani, Hairani; Santoso, Heroe; Amin, Farda Milanda
CORISINDO 2025 Vol. 1 (2025): Prosiding Seminar Nasional CORISINDO 2025
Publisher : CORISINDO 2025

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/corisindo.v1.5245

Abstract

Atrisi karyawan merupakan tantangan bagi perusahaan karena berdampak langsung pada meningkatnya biaya pelatihan, hilangnya pengetahuan, serta menurunnya produktivitas dan stabilitas tim. Penelitian ini bertujuan untuk membangun model prediksi atrisi karyawan menggunakan pendekatan machine learning. Dataset yang digunakan terdiri dari 1.470 data karyawan, yang telah melalui tahap preprocessing, termasuk penanganan nilai kategorikal, normalisasi, serta seleksi fitur menggunakan Recursive Feature Elimination (RFE). Untuk mengatasi ketidakseimbangan data antara kelas tidak resign dan resign, digunakan teknik SMOTE. Model logistic regression dipilih untuk mendapatkan performa terbaik. Hasil evaluasi menunjukkan bahwa model mampu memberikan hasil yang baik dengan akurasi sebesar 0.74, ROC AUC sebesar 0.82, dan recall 0.79 pada kelas minoritas. Temuan ini diharapkan dapat digunakan oleh perusahaan sebagai alat bantu dalam pengambilan keputusan untuk mengelola risiko atrisi secara lebih efektif.
Optimalisasi Hybrid Sampling pada SVM dan Ensemble Learning untuk Prediksi Churn Wijaya, Hartono; Hairani, Hairani; Vidiasari, Viviana Herlita; Amin, Farda Milanda
CORISINDO 2025 Vol. 1 (2025): Prosiding Seminar Nasional CORISINDO 2025
Publisher : CORISINDO 2025

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/corisindo.v1.5246

Abstract

Churn merupakan kondisi ketika pelanggan menghentikan penggunaan produk atau layanan suatu perusahaan, yang secara langsung berdampak terhadap penurunan pendapatan dan peningkatan biaya akuisisi pelanggan baru. Ketidakmampuan model pembelajaran mesin dalam mengenali pelanggan yang berisiko churn akibat ketidakseimbangan data menjadi tantangan utama dalam sistem prediksi churn. Penelitian ini bertujuan untuk mengembangkan model prediksi churn yang lebih akurat dan sensitif dengan mengombinasikan algoritma Support Vector Machine (SVM) dan metode ensemble (Bagging dan Stacking), disertai penerapan teknik hybrid sampling seperti SMOTE. Metode penelitian meliputi pengumpulan data, preprocessing data, pembagian data, pelatihan model dan evaluasi . Hasil penelitian menunjukkan bahwa model Stacking memberikan performa terbaik dengan akurasi dan F1-score mencapai 86%, serta nilai AUC sebesar 0,93. Fitur products number, age, dan active member teridentifikasi sebagai variabel paling berpengaruh terhadap churn. Batasan utama penelitian ini terletak pada keterbatasan sumber data dan belum dilakukannya tuning parameter secara mendalam. Penelitian ini juga memberikan kontribusi praktis bagi strategi retensi pelanggan dan dapat dikembangkan lebih lanjut dengan validasi pada dataset lintas industri dan tuning parameter yang lebih luas.
Penerapan Algoritma Hybrid Sampling SMOTE-TomekLink dan Random Forest untuk Klasifikasi Penyakit Diabetes Amin, Farda Milanda; Dinika, Qalbi Ala
CORISINDO 2025 Vol. 1 (2025): Prosiding Seminar Nasional CORISINDO 2025
Publisher : CORISINDO 2025

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/corisindo.v1.5247

Abstract

Ketidakseimbangan data pada dataset sering kali menjadi kendala dalam meningkatkan akurasi klasifikasi pada data medis, termasuk penyakit diabetes. Penelitian ini bertujuan untuk mengatasi permasalahan tersebut dengan menerapkan algoritma hybrid sampling, yaitu kombinasi metode SMOTE (Synthetic Minority Over-sampling Technique) dan TomekLink, serta memanfaatkan algoritma Random Forest sebagai model klasifikasi. Dataset yang digunakan berasal dari Kaggle, berisi 768 data pasien dengan ketidakseimbangan antara kelas negatif dan positif. Metode SMOTE digunakan untuk menyeimbangkan kelas minoritas, sedangkan TomekLink membantu mengurangi data noise dari kelas mayoritas. Hasil evaluasi menunjukkan bahwa kinerja model Random Forest meningkat secara signifikan setelah diterapkan metode Smote-TomekLink, dengan akurasi mencapai 86,4%, sensitivitas 88,2%, dan spesifisitas 81%. Peningkatan ini membuktikan bahwa kombinasi teknik sampling tersebut efektif dalam menangani masalah data tidak seimbang dan meningkatkan performa klasifikasi pada diagnosis penyakit diabetes.
Co-Authors Dinika, Qalbi Ala Hairani Hairani Hartono Wijaya Santoso, Heroe Vidiasari, Viviana Herlita