Claim Missing Document
Check
Articles

Found 2 Documents
Search

PREDIKSI GANGGUAN PANIK MENGGUNAKAN KNOWLEDGE DISCOVERY IN DATABASE DENGAN ALGORITMA GRADIENT BOOSTING Maulizidan, Muammar Ramadhani; Hermanto, Muhammad Lucky; Ardhillah, Onky; Azra, Muhammad Azyumardi; Purba, Kevin Agustin; Zidan, Umar Rahman; Tania, Ken Ditha; Meiriza, Allsella
Jurnal Teknologi Terpadu Vol 13, No 2 (2025): JTT (Jurnal Terpadu Terpadu)
Publisher : Pusat Penelitian dan Pengabdian Kepada Masyarakat

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32487/jtt.v13i2.2518

Abstract

In an effort to enhance the diagnosis and intervention of panic disorder, this study develops a predictive model for determining the severity level of panic disorder using the Knowledge Discovery in Databases (KDD) approach. The dataset comprises variables such as age, gender, personal and family history, current stressors, symptom severity, impact on daily life, demographics, medical history, psychiatric history, substance use, coping mechanisms, social support, and lifestyle factors. The Gradient Boosting algorithm was employed to analyze the data and uncover complex patterns among the variables. The results indicate that the proposed model is capable of classifying the severity of panic disorder with high accuracy, aligning with findings from previous studies that utilized similar approaches. Other research also supports the effectiveness of machine learning algorithms in predicting panic attacks using data from wearable devices and mobile applications. These findings are expected to contribute to the development of decision support systems in the field of mental health. 
Segmentasi Pelanggan Kartu Halo Telkomsel Berbasis K-Means di Wilayah Sumbagsel: K-Means-Based Customer Segmentation of Telkomsel Kartu Halo in the Sumbagsel Samudra, Muhammad Bayu; Shahabiyah, Alifa Putri; Faiza, Aliya; Wicaksono, Edo; Tania, Ken Ditha; Meiriza, Allsella; Rifai, Ahmad
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 2 (2026): MALCOM April 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i2.2607

Abstract

Perusahaan telekomunikasi dalam menjalankan operasionalnya harus mengelola banyak data pelanggan, karena penggunaan layanan digital terus bertambah. Namun, data tersebut biasanya hanya digunakan untuk urusan administratif, sehingga kemampuan untuk menganalisis data guna memahami perilaku pelanggan belum sepenuhnya dimanfaatkan. Penelitian ini secara khusus bertujuan untuk mengelompokkan pelanggan berdasarkan pola penggunaan layanan guna mengidentifikasi karakteristik setiap segmen secara lebih sistematis. Data yang digunakan merupakan data pelanggan pascabayar Kartu Halo wilayah Sumbagsel tahun 2025 yang diperoleh dari PT Telkomsel Smart Office Palembang dengan total 4.645 data. Metode yang digunakan adalah Knowledge Discovery in Databases (KDD), yang terdiri dari beberapa tahap yaitu preprocessing, transformation, dan data mining. Proses pengelompokan dilakukan dengan menggunakan algoritma K-Means, bantuan perangkat lunak RapidMiner. Penelitian menunjukkan bahwa pelanggan bisa dibagi menjadi tiga kelompok dengan kebiasaan menggunakan layanan yang berbeda. Evaluasi menggunakan Davies-Bouldin Index menunjukkan bahwa model clustering memiliki kualitas yang baik dalam memisahkan antarkelompok. Secara ilmiah, penelitian ini membantu dalam penerapan metode clustering untuk membagi pelanggan dalam industri telekomunikasi. Secara nyata, hasil ini bisa dipakai untuk membantu membuat strategi pemasaran yang lebih tepat dan didasarkan pada data.