cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Arie Vatresia
Contact Email
arie.vatresia@unib.ac.id
Phone
+6282179370950
Journal Mail Official
arie.vatresia@unib.ac.id
Editorial Address
Jalan W.R. Supratman gang Cipta Baru no. 12 RT/RW 19/01 Talang Kering
Location
Kota bengkulu,
Bengkulu
INDONESIA
Jurnal Pseudocode
Published by Universitas Bengkulu
ISSN : 23555920     EISSN : 26551845     DOI : https://doi.org/10.33369
Core Subject : Science, Engineering,
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering
Pseudocodeis a scientific journal in the information science family that contains the results of informatics research, scientific literature on informatics, and reviews of the development of theories, methods, and application of informatics engineering science. Pseudocode is published by the Informatics Study Program, Faculty of Engineering, University of Bengkulu. Editors invite researchers, practitioners, and students to submit article manuscripts in the field of informatics engineering. Pseudocode is published 2 (two) times a year in February and September with p-ISSN 2355-5920 e-ISSN 2655-1845. Jurnal Pseudocode is Accredited by the Ministry for Research, Technology and Higher Education (RISTEKDIKTI) in SINTA 4 No. 36/E/KPT/2019 since 13 December 2019.
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 2 Documents
 1 
Search results for , issue " Vol 1, No 1 (2014): Jurnal Pseudocode" : 2 Documents clear
PENINGKATAN AKURASI ALGORITMA BACKPROPAGATION DENGAN SELEKSI FITUR PARTICLE SWARM OPTIMIZATION DALAM PREDIKSI PELANGGAN TELEKOMUNIKASI YANG HILANG Muzakkir, Irvan; Syukur, Abdul; Dewi, Ika Novita
PSEUDOCODE Vol 1, No 1 (2014): Jurnal Pseudocode
Publisher : Universitas Bengkulu

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (158.564 KB)

Abstract

Telekomunikasi adalah salah satu industri, di mana pelanggan memerlukan perhatian khusus, oleh karena itu, manajemen di sebuah perusahaan telekomunikasi ingin kehilangan pelanggan model prediksi untuk efisien memprediksi berpotensi kehilangan pelanggan. Jaringan syaraf adalah metode yang sering digunakan untuk memprediksi. Teknik yang paling populer dalam metode adalah saraf algoritma jaringan backpropagation. Namun algoritma backpropagation memiliki kelemahan pada kebutuhan untuk data pelatihan besar dan optimasi yang digunakan kurang efisien. Particle Swarm Optimization (PSO) adalah suatu algoritma optimasi yang dapat memecahkan yang efektif masalah pada algoritma neural network umumnya menggunakan algoritma backpropagation. Pengujian model dengan berbasis menggunakan Backpropagation Particle Swarm Optimization menggunakan data pelanggan hilang pada telekomunikasi. Model yang dihasilkan diuji untuk memperoleh akurasi dan nilai-nilai AUC dari masing-masing algoritma untuk mendapatkan tes menggunakan nilai yang diperoleh akurasi Backpropagation adalah 85.48% dan nilai AUC adalah 0.531. Sementara pengujian dengan menggunakan Backpropagation berbasis Particle Swarm Optimization dipilih atribut dan penyesuaian nilai parameter yang diperoleh 86.05% akurasi dan nilai AUC adalah 0,637. Dengan demikian dapat disimpulkan bahwa data pelanggan uji hilang dalam telekomunikasi menggunakan aplikasi Particle Swarm Optimization Backpropagation dan dalam pemilihan atribut diperoleh bahwa metode ini lebih akurat dalam prediksi pelanggan hilang telekomunikasi dibandingkan dengan Backpropagation, ditandai dengan peningkatan akurasi 00:57% dan nilai-nilai AUC dari 0.106, dengan nilai yang dimasukkan ke dalam akurasi klasifikasi cukup.Kata Kunci: Telekomunikasi, Neural Network, Backpropagation, Particle Swarm Optimization.
PENINGKATAN AKURASI ALGORITMA BACKPROPAGATION DENGAN SELEKSI FITUR PARTICLE SWARM OPTIMIZATION DALAM PREDIKSI PELANGGAN TELEKOMUNIKASI YANG HILANG Muzakkir, Irvan; Syukur, Abdul; Dewi, Ika Novita
PSEUDOCODE Vol 1, No 1 (2014): Jurnal Pseudocode
Publisher : Universitas Bengkulu

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Telekomunikasi adalah salah satu industri, di mana pelanggan memerlukan perhatian khusus, oleh karena itu, manajemen di sebuah perusahaan telekomunikasi ingin kehilangan pelanggan model prediksi untuk efisien memprediksi berpotensi kehilangan pelanggan. Jaringan syaraf adalah metode yang sering digunakan untuk memprediksi. Teknik yang paling populer dalam metode adalah saraf algoritma jaringan backpropagation. Namun algoritma backpropagation memiliki kelemahan pada kebutuhan untuk data pelatihan besar dan optimasi yang digunakan kurang efisien. Particle Swarm Optimization (PSO) adalah suatu algoritma optimasi yang dapat memecahkan yang efektif masalah pada algoritma neural network umumnya menggunakan algoritma backpropagation. Pengujian model dengan berbasis menggunakan Backpropagation Particle Swarm Optimization menggunakan data pelanggan hilang pada telekomunikasi. Model yang dihasilkan diuji untuk memperoleh akurasi dan nilai-nilai AUC dari masing-masing algoritma untuk mendapatkan tes menggunakan nilai yang diperoleh akurasi Backpropagation adalah 85.48% dan nilai AUC adalah 0.531. Sementara pengujian dengan menggunakan Backpropagation berbasis Particle Swarm Optimization dipilih atribut dan penyesuaian nilai parameter yang diperoleh 86.05% akurasi dan nilai AUC adalah 0,637. Dengan demikian dapat disimpulkan bahwa data pelanggan uji hilang dalam telekomunikasi menggunakan aplikasi Particle Swarm Optimization Backpropagation dan dalam pemilihan atribut diperoleh bahwa metode ini lebih akurat dalam prediksi pelanggan hilang telekomunikasi dibandingkan dengan Backpropagation, ditandai dengan peningkatan akurasi 00:57% dan nilai-nilai AUC dari 0.106, dengan nilai yang dimasukkan ke dalam akurasi klasifikasi cukup.Kata Kunci: Telekomunikasi, Neural Network, Backpropagation, Particle Swarm Optimization.

Page 1 of 1 | Total Record : 2

 1 

Filter by Year

2014 2014


Reset
Filter By Issues
All Issue Vol 12 No 2 (2025): Volume 12 Nomor 2 September 2025 Vol 12 No 1 (2025): Volume 12 Nomor 1 Februari 2025 Vol 11 No 2 (2024): Volume 11 Nomor 2 September 2024 Vol 11 No 1 (2024): Volume 11 Nomor 1 Februari 2024 Vol 10 No 2 (2023): Volume 10 Nomor 2 September 2023 Vol 10 No 1 (2023): Volume 10 Nomor 1 Februari 2023 Vol 9 No 2 (2022): Volume 9 Nomor 2 September 2022 Vol 9 No 1 (2022): Volume 9 Nomor 1 Februari 2022 Vol 9, No 1 (2022): Volume 9 Nomor 1 Februari 2022 Vol 8, No 2 (2021): Volume 8 Nomor 2 September 2021 Vol 8, No 1 (2021): Volume 8 Nomor 1 Februari 2021 Vol 7, No 2 (2020): Volume 7 Nomor 2 September 2020 Vol 7, No 1 (2020): Volume 7 Nomor 1 Februari 2020 Vol 6, No 2 (2019): Volume 6 Nomor 2 September 2019 Vol 6, No 1 (2019): Volume 6 Nomor 1 Februari 2019 Vol 5, No 2 (2018): Volume 5 Nomor 2 September 2018 Vol 5, No 1 (2018): Volume 5 Nomor 1 Februari 2018 Vol 4, No 2 (2017): Volume 4 Nomor 2 September 2017 Vol 4, No 1 (2017): Volume 4 Nomor 1 Februari 2017 Vol 3, No 2 (2016): Volume 3 Nomor 2 September 2016 Vol 3, No 1 (2016): Volume 3 Nomor 1 Februari 2016 Vol 2, No 2 (2015) Vol 2, No 1 (2015) Vol 1, No 2 (2014) Vol 1, No 1 (2014) Vol 1, No 1 (2014): Jurnal Pseudocode More Issue