Data Sciences Indonesia (DSI)
Data Sciences Indonesia (DSI) adalah jurnal yang memuat hasil penelitian atau kajian ilmu di bidang Ilmu komputer dengan mengambil ranah Data Sciende dan pendukung keilmuan tersebut. Data Sciences Indonesia (DSI) terbit setiap dua kali dalam setahun, yaitu pada bulan Juni dan Desember. Data Sciences Indonesia (DSI) mempublikasikan karya ilmiah terbaik berdasarkan yang berfokus pada penerbitan makalah berkualitas. Artikel yang diserahkan akan ditinjau oleh komite teknis Jurnal. Semua artikel yang dikirimkan harus berupa laporan asli, memiliki nilai kebaruan atau hasil kegiatan yang telah dilakukan sebelumnya, eksperimental atau teoritis, dan akan diulas oleh mitra bestari. Artikel yang dikirim ke jurnal Data Sciences Indonesia (DSI) tidak boleh dipublikasikan di tempat lain. Naskah harus mengikuti pedoman penulis yang disediakan oleh Data Sciences Indonesia (DSI) dan harus ditinjau dan disunting. DSI diterbitkan oleh Information Technology and Science (ITScience), sebuah Lembaga Penelitian di Medan, Sumatera Utara, Indonesia. Aims and Scope Data Science & Analysis Big Data Analytics Business Analysis Business Analytics Business Forecasting Marketing Analytics Business For Decision Making Business Intelligence and Analytics Natural Language Processing Natural Language Analytics Search-Driven Analytics Computational Linguistics Social Media Analysis Data Mining and Data Analytics Data Clustering and Classifications Data Analysis Data Analyticts Data Visualization Information Science Tools and Applications in Data Science Computer Vison Deep Learning Machine Learning
Articles
10 Documents
Search results for
, issue
"Vol. 1 No. 1 (2021): Article Research Volume 1 Issue 1, June 2021"
:
10 Documents
clear
<![CDATA[Model Prediksi Prestasi Mahasiswa Berdasarkan Evaluasi Pembelajaran Menggunakan Pendekatan Data Science ]]>
<![CDATA[Tommy Tommy]]>;
<![CDATA[Amir Mahmud Husein]]>
<![CDATA[ Data Sciences Indonesia (DSI) Vol. 1 No. 1 (2021): Article Research Volume 1 Issue 1, June 2021 ]]>
Publisher : <![CDATA[ITScience (Information Technology and Science) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (906.812 KB)
|
DOI: 10.47709/dsi.v1i1.1168
<![CDATA[Perguruan tinggi merupakan satuan penyelenggara pendidikan tinggi sebagai tingkat lanjut jenjang pendidikan menengah di jalur pendidikan formal. Aspek prestasi belajar merupakan salah satu aspek penilaian keberhasilan perguruan tinggi dalam proses belajar. Dalam makalah ini menyajikan hasil analisis hubungan antara pembelajaran dengan prestasi mahasiswa dimana tahapan yang dilakukan menggunakan pendetakan data science. Berdasarkan Analisis data terdapat tiga indikator penting dalam penilaian prestasi belajar yaitu pedagogi, profesional dan kepribadian. Ketiga fitur digunakan sebagai variabel dependen untuk memprediksi prestasi belajar dimana algoritma DecisionTree menghasilkan akurasi lebih baik dari pada model k-nearest neighbors (KNN), Logistic Regression, Support Vector Machine, Naive Bayes dan dengan tingkat akurasi 68%, kemudian KNN dengan akurasi 66% dan lainnya sebesar 55% pada masing-masing algoritma yang diusulkan.]]>
<![CDATA[Pendekatan Data Science untuk Menemukan Churn Pelanggan pada Sector Perbankan dengan Machine Learning ]]>
<![CDATA[Amir Mahmud Husein]]>;
<![CDATA[Mawaddah Harahap]]>;
<![CDATA[Peter Fernandito]]>
<![CDATA[ Data Sciences Indonesia (DSI) Vol. 1 No. 1 (2021): Article Research Volume 1 Issue 1, June 2021 ]]>
Publisher : <![CDATA[ITScience (Information Technology and Science) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (626.351 KB)
|
DOI: 10.47709/dsi.v1i1.1169
<![CDATA[Peralihan pelanggan merupakan fenomena dimana pelanggan perusahaan berhenti membeli atau berinteraksi sehingga sangat penting bagi perusahaan khususnya perbankan untuk memprediksi kemungkinan churn pelanggan dan hasilnya dapat digunakan untuk membantu retensi pelanggan dan bagian dari strategi perusahaan. Makalah ini menyajikan analisis dan prediksi churn pelanggan dengan menggunakan lima model berbeda yaitu Kneighbors Classifier, Logistic Regression, Linear SVC, Random Tree Classifier dan Random Forest Classifier. Berdasarkan hasil pengujian pendekatan model Random Forest Classifier dan Kneighbors Classifier lebih baik dari pada model lain dengan akurasi sebesar 86% dan 84%. Rekayasa fitur dengan pendekatan Anova dan Chi Square memiliki pengaruh yang signifikan terhadap peningkatan kinerja model prediksi.]]>
<![CDATA[Analisis Wawasan Penjualan Supermarket dengan Data Science ]]>
<![CDATA[Mawaddah Harahap]]>;
<![CDATA[Fachrul Rozi]]>;
<![CDATA[Yennimar Yennimar]]>;
<![CDATA[Saut Dohot Siregar]]>
<![CDATA[ Data Sciences Indonesia (DSI) Vol. 1 No. 1 (2021): Article Research Volume 1 Issue 1, June 2021 ]]>
Publisher : <![CDATA[ITScience (Information Technology and Science) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (771.16 KB)
|
DOI: 10.47709/dsi.v1i1.1173
<![CDATA[Data science atau ilmu data adalah suatu disiplin ilmu yang khusus mempelajari data, khususnya data kuantitatif (data numerik), baik yang terstruktur maupun tidak terstruktur. Pemanfaatkan siklus dalam pengembangan analisis untuk membuat keputusan bisnis yang praktis dan berbasis data, dan menerapkan perubahan berdasarkan keputusan tersebut. Makalah ini menyajikan analisis wawasan yang berguna pada kumpulan transaksi penjualan supermarket selama 3 bulan dari 3 cabang yang berbeda. Berdasarkan hasil analisis nilai rating terting adalah 10, terendah 4 dengan rata-rata rating produk 6.9 dan wanita lebih dominan membeli produk Aksesoris Fashion dan pria Kesehatan & Kecantikan]]>
<![CDATA[Data Science bidang Pemasaran : Analisis Prilaku Pelanggan ]]>
<![CDATA[Mawaddah Harahap]]>;
<![CDATA[Yusniar Lubis]]>;
<![CDATA[Zakarias Situmorang]]>
<![CDATA[ Data Sciences Indonesia (DSI) Vol. 1 No. 1 (2021): Article Research Volume 1 Issue 1, June 2021 ]]>
Publisher : <![CDATA[ITScience (Information Technology and Science) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (647.22 KB)
|
DOI: 10.47709/dsi.v1i1.1194
<![CDATA[Dalam kegiatan pemasaran digital, data Science (DS) memiliki peran penting dalam memahami kinerja industri pemasaran sebelum menerapkan teknik pemasaran digital pada pemasaran produk. Hal ini dikarenakan setiap pelanggan merespons secara berbeda setiap penawaran. Perilaku pelanggan juga berubah berdasarkan waktu karena mereka mungkin memiliki kebutuhan yang berbeda pada situasi yang berbeda. Pada makalah ini fokus menyajikan analisis bisnis dengan penerapan DS untuk mengeksplorasi pola perilaku dan juga memprediksi bagaimana pelanggan akan merespons penawaran yang berbeda. Penerapan analisis data eksplorasi juga diterapkan untuk menjawab beberapa pertanyaan bisnis, dari hasil pengamatan menghasilkan lima kelompok pelanggan yang disajikan dalam bentuk visualisasi dan model Random Forest Classifier memiliki skor akurasi prediksi terbaik sebesar 91%, kemudian K neighbors Classifier dan Logistic Regression.]]>
<![CDATA[Analisis Prediktif untuk Keputusan Bisnis : Peramalan Penjualan ]]>
<![CDATA[Amir Mahmud Husein]]>;
<![CDATA[Fachrul Rozi Lubis]]>;
<![CDATA[Muhammad Khoiruddin Harahap]]>
<![CDATA[ Data Sciences Indonesia (DSI) Vol. 1 No. 1 (2021): Article Research Volume 1 Issue 1, June 2021 ]]>
Publisher : <![CDATA[ITScience (Information Technology and Science) ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (921.35 KB)
|
DOI: 10.47709/dsi.v1i1.1196
<![CDATA[Peramalan penjualan produk adalah aspek utama dari manajemen pembelian, persediaan yang melebihi permintaan atau kekurangan akan berdampak pada manajemen pelayanan maupun secara ekominis. Makalah ini fokus mencoba menyajikan penerapan analisis prediktif dengan mengadopsi kerangka kerja Data Science (ilmu data) untuk menemukan wawasan yang berguna dalam pengambilan keputusan bisnis khususnya tentang peramalan penjualan produk di masa depan. Kerangka CRISP-DM diusulkan dengan tahapan pemahasan bisnis, pemahaman dan persiapan data, exploratory data analysis (EDA) dan pemodelan. Berdasarkan hasil pengujian data penjualan yang dievaluasi berdasarkan RMSE dan MAE, algoritma XGBoost menghasilkan prediksi berada dalam 1,3% kemudian ARIMA sebesar 1.6%, masih lebih baik dibandingkan LinearRegression, RandomForestdan LSTM dengan tingkat kesalahan sebesar 1.81%, 1.97%, 2.21% pada masing-masing algoritma dari data aktual.]]>
<![CDATA[Model Prediksi Prestasi Mahasiswa Berdasarkan Evaluasi Pembelajaran Menggunakan Pendekatan Data Science ]]>
<![CDATA[Tommy, Tommy]]>;
<![CDATA[Husein, Amir Mahmud]]>
<![CDATA[ Data Sciences Indonesia (DSI) Vol. 1 No. 1 (2021): Article Research Volume 1 Issue 1, June 2021 ]]>
Publisher : <![CDATA[Yayasan Cita Cendikiawan Al Kharizmi ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.47709/dsi.v1i1.1168
<![CDATA[Perguruan tinggi merupakan satuan penyelenggara pendidikan tinggi sebagai tingkat lanjut jenjang pendidikan menengah di jalur pendidikan formal. Aspek prestasi belajar merupakan salah satu aspek penilaian keberhasilan perguruan tinggi dalam proses belajar. Dalam makalah ini menyajikan hasil analisis hubungan antara pembelajaran dengan prestasi mahasiswa dimana tahapan yang dilakukan menggunakan pendetakan data science. Berdasarkan Analisis data terdapat tiga indikator penting dalam penilaian prestasi belajar yaitu pedagogi, profesional dan kepribadian. Ketiga fitur digunakan sebagai variabel dependen untuk memprediksi prestasi belajar dimana algoritma DecisionTree menghasilkan akurasi lebih baik dari pada model k-nearest neighbors (KNN), Logistic Regression, Support Vector Machine, Naive Bayes dan dengan tingkat akurasi 68%, kemudian KNN dengan akurasi 66% dan lainnya sebesar 55% pada masing-masing algoritma yang diusulkan.]]>
<![CDATA[Pendekatan Data Science untuk Menemukan Churn Pelanggan pada Sector Perbankan dengan Machine Learning ]]>
<![CDATA[Husein, Amir Mahmud]]>;
<![CDATA[Harahap, Mawaddah]]>;
<![CDATA[Fernandito, Peter]]>
<![CDATA[ Data Sciences Indonesia (DSI) Vol. 1 No. 1 (2021): Article Research Volume 1 Issue 1, June 2021 ]]>
Publisher : <![CDATA[Yayasan Cita Cendikiawan Al Kharizmi ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.47709/dsi.v1i1.1169
<![CDATA[Peralihan pelanggan merupakan fenomena dimana pelanggan perusahaan berhenti membeli atau berinteraksi sehingga sangat penting bagi perusahaan khususnya perbankan untuk memprediksi kemungkinan churn pelanggan dan hasilnya dapat digunakan untuk membantu retensi pelanggan dan bagian dari strategi perusahaan. Makalah ini menyajikan analisis dan prediksi churn pelanggan dengan menggunakan lima model berbeda yaitu Kneighbors Classifier, Logistic Regression, Linear SVC, Random Tree Classifier dan Random Forest Classifier. Berdasarkan hasil pengujian pendekatan model Random Forest Classifier dan Kneighbors Classifier lebih baik dari pada model lain dengan akurasi sebesar 86% dan 84%. Rekayasa fitur dengan pendekatan Anova dan Chi Square memiliki pengaruh yang signifikan terhadap peningkatan kinerja model prediksi.]]>
<![CDATA[Analisis Wawasan Penjualan Supermarket dengan Data Science ]]>
<![CDATA[Harahap, Mawaddah]]>;
<![CDATA[Rozi, Fachrul]]>;
<![CDATA[Yennimar, Yennimar]]>;
<![CDATA[Siregar, Saut Dohot]]>
<![CDATA[ Data Sciences Indonesia (DSI) Vol. 1 No. 1 (2021): Article Research Volume 1 Issue 1, June 2021 ]]>
Publisher : <![CDATA[Yayasan Cita Cendikiawan Al Kharizmi ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.47709/dsi.v1i1.1173
<![CDATA[Data science atau ilmu data adalah suatu disiplin ilmu yang khusus mempelajari data, khususnya data kuantitatif (data numerik), baik yang terstruktur maupun tidak terstruktur. Pemanfaatkan siklus dalam pengembangan analisis untuk membuat keputusan bisnis yang praktis dan berbasis data, dan menerapkan perubahan berdasarkan keputusan tersebut. Makalah ini menyajikan analisis wawasan yang berguna pada kumpulan transaksi penjualan supermarket selama 3 bulan dari 3 cabang yang berbeda. Berdasarkan hasil analisis nilai rating terting adalah 10, terendah 4 dengan rata-rata rating produk 6.9 dan wanita lebih dominan membeli produk Aksesoris Fashion dan pria Kesehatan & Kecantikan]]>
<![CDATA[Data Science bidang Pemasaran : Analisis Prilaku Pelanggan ]]>
<![CDATA[Harahap, Mawaddah]]>;
<![CDATA[Lubis, Yusniar]]>;
<![CDATA[Situmorang, Zakarias]]>
<![CDATA[ Data Sciences Indonesia (DSI) Vol. 1 No. 1 (2021): Article Research Volume 1 Issue 1, June 2021 ]]>
Publisher : <![CDATA[Yayasan Cita Cendikiawan Al Kharizmi ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.47709/dsi.v1i1.1194
<![CDATA[Dalam kegiatan pemasaran digital, data Science (DS) memiliki peran penting dalam memahami kinerja industri pemasaran sebelum menerapkan teknik pemasaran digital pada pemasaran produk. Hal ini dikarenakan setiap pelanggan merespons secara berbeda setiap penawaran. Perilaku pelanggan juga berubah berdasarkan waktu karena mereka mungkin memiliki kebutuhan yang berbeda pada situasi yang berbeda. Pada makalah ini fokus menyajikan analisis bisnis dengan penerapan DS untuk mengeksplorasi pola perilaku dan juga memprediksi bagaimana pelanggan akan merespons penawaran yang berbeda. Penerapan analisis data eksplorasi juga diterapkan untuk menjawab beberapa pertanyaan bisnis, dari hasil pengamatan menghasilkan lima kelompok pelanggan yang disajikan dalam bentuk visualisasi dan model Random Forest Classifier memiliki skor akurasi prediksi terbaik sebesar 91%, kemudian K neighbors Classifier dan Logistic Regression.]]>
<![CDATA[Analisis Prediktif untuk Keputusan Bisnis : Peramalan Penjualan ]]>
<![CDATA[Husein, Amir Mahmud]]>;
<![CDATA[Lubis, Fachrul Rozi]]>;
<![CDATA[Harahap, Muhammad Khoiruddin]]>
<![CDATA[ Data Sciences Indonesia (DSI) Vol. 1 No. 1 (2021): Article Research Volume 1 Issue 1, June 2021 ]]>
Publisher : <![CDATA[Yayasan Cita Cendikiawan Al Kharizmi ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.47709/dsi.v1i1.1196
<![CDATA[Peramalan penjualan produk adalah aspek utama dari manajemen pembelian, persediaan yang melebihi permintaan atau kekurangan akan berdampak pada manajemen pelayanan maupun secara ekominis. Makalah ini fokus mencoba menyajikan penerapan analisis prediktif dengan mengadopsi kerangka kerja Data Science (ilmu data) untuk menemukan wawasan yang berguna dalam pengambilan keputusan bisnis khususnya tentang peramalan penjualan produk di masa depan. Kerangka CRISP-DM diusulkan dengan tahapan pemahasan bisnis, pemahaman dan persiapan data, exploratory data analysis (EDA) dan pemodelan. Berdasarkan hasil pengujian data penjualan yang dievaluasi berdasarkan RMSE dan MAE, algoritma XGBoost menghasilkan prediksi berada dalam 1,3% kemudian ARIMA sebesar 1.6%, masih lebih baik dibandingkan LinearRegression, RandomForestdan LSTM dengan tingkat kesalahan sebesar 1.81%, 1.97%, 2.21% pada masing-masing algoritma dari data aktual.]]>
