KAKIFIKOM (Kumpulan Artikel Karya Ilmiah Fakultas Ilmu Komputer)

Implementasi Algoritma C4.5 untuk memprediksi Penjualan Paket Internet

2024-09-09T11:52:34+02:00

Kebutuhan paket internet akan semakin meningkat seiring dengan perkembangan teknologi yang semakin pesat. Hal ini membuat perusahaan telekomunikasi seperti telkomsel menghadapi tantangan dalam memprediksi penjualan paket internet. Prediksi yang akurat dapat membantu perusahaan dalam menyusun strategi pemasaran dan penyediaan paket stok yang efektif. Penelitian ini dilakukan untuk memprediksi penjualan paket internet berdasarkan data penjualan dari PT. Golden Communication di kota Binjai.

Preoses penelitian ini menggunakan algoritma C4.5 untuk membentuk pohon keputusan (Decision Tree) yang menghasilkan perhitungan entropy dan gain dari berbagai variabel seperti Paket, Harga, Masa Aktif dan Terjual. Hasil dari penelitian ini menunjukkan bahwa algoritma C4.5 mampu memprediksi penjualan paket internet menggunakan aplikasi RapidMiner dengan tingkat akurasi sebesar 94,5 % dengan 200 data pengujian. Berdasarkan analisis yang dilakukan faktor-faktor yang paling berpengaruh terhadap penjualan paket internet adalah masa aktif,paket dan harga. Paket dengan masa aktif yang lebih pendek dan harga yang lebih murah cenderung lebih diminati konsumen.

Analisis dan Prediksi Persentase Angka Kemiskinan di Indonesia menggunakan Metode Regresi Linier Berganda

2024-12-03T21:45:03+01:00

Kemiskinan adalah masalah kompleks yang dipengaruhi oleh berbagai faktor ekonomi, sosial, dan demografi yang saling berkaitan. Sudah menjadi tugas kebijakan ekonomi yang signifikan, oleh karena itu, dalam hal tersebut, untuk mengidentifikasi segala faktor yang relevan dan signifikan serta menguraikan efeknya terhadap tingkat kemiskinan, kita menggunakan data sekunder yang diperoleh dari Badan Pusat Statistik dan sumber-sumber kemiskinan lainnya yang memengaruhi periode penelitian yang spesifik. Variabel independen yang digunakan dalam analisis meliputi tingkat pengangguran, tingkat pendidikan, tingkat inflasi, pertumbuhan ekonomi, dan variabel lain yang relevan yang diduga memengaruhi angka kemiskinan. Menggunakan metode regresi linier berganda, peneliti mengembangkan model yang memprediksi angka kemiskinan dengan tingkat keakuratan tertentu. Hasil analisis menunjukkan bahwa variabel-variabel tersebut berpengaruh signifikan pada angka kemiskinan dan beberapa faktor memiliki korelasi positif sedangkan beberapa korelasi memiliki korelasi negatif. Misalnya, tingkat pengangguran dan inflasi berkorelasi positif dan hubungannya bidireksional dengan angka kemiskinan, sedangkan tingkat pendidikan dan pertumbuhan ekonomi negatif. Model termasuk validasi yang baik, yang diberikan oleh tingkat koefisien determinasi. Inhalasi penelitian juga membahas implikasi hasil temuan dalam konteks kebijakan publik. Hasil temuan penelitian ini dapat digunakan sebagai landasan pengetahuan untuk membantu mereformasi kebijakan publik.

Perbandingan Peramalan Penerimaan Calon Mahasiswa Baru menggunakan Naïve Bayes dan Support Vector Machine

2024-12-04T04:37:19+01:00

Penelitian ini dilakukan untuk melihat perbandingan peramalan penerimaan calon mahasiswa baru menggunakan Naïve Bayes dan Support Vector Machine. Analisis menunjukkan bahwa model Naïve Bayes menghasilkan akurasi moderat sebesar 50% pada data uji dan memprediksikan jumlah pendaftar tetap berada pada kategori Tinggi dengan estimasi rata-rata sekitar 1542,5. Akurasi yang dihasilkan tergolong cukup rendah, tetapi Naïve Bayes dapat bekerja dengan baik pada prediksi berbasis kategori. Sebaliknya, model SVM yang diterapkan dalam bentuk Support Vector Regression (SVR) juga menunjukkan akurasi 50%, namun memberikan prediksi numerik yang lebih rinci, dengan estimasi jumlah pendaftar tetap sebesar 1883. SVM menunjukkan potensi yang lebih besar dalam menangani data dengan pola tren yang meningkat. Perbandingan antara kedua metode ini menunjukkan bahwa Naïve Bayes lebih cocok untuk prediksi kategori, sedangkan SVM lebih tepat untuk prediksi numerik yang lebih akurat.

Efektivitas Metode Gap Statistic dan X-Means dalam Menentukan Jumlah Cluster Optimal pada K-Means Clustering

2024-12-17T04:55:02+01:00

Penentuan jumlah cluster optimal merupakan langkah penting dalam analisis data menggunakan algoritma K-Means Clustering. Dua metode yang umum digunakan untuk tujuan ini adalah Gap Statistic dan X-Means. Penelitian ini bertujuan untuk mengeval_uasi efektivitas kedua metode dalam menentukan jumlah cluster optimal, serta menganalisis kinerja K-Means berdasarkan hasil tersebut. Studi ini menggunakan dataset Iris dan Wine untuk menguji akurasi serta efisiensi waktu kedua metode.

Pada dataset Iris, Gap Statistic mengidentifikasi jumlah cluster optimal sebesar 3, sesuai dengan label asli, dengan nilai Silhouette Score 0,67 dan Davies-Bouldin Index 0,38. Sebaliknya, X-Means menghasilkan 4 cluster dengan Silhouette Score 0,64 dan Davies-Bouldin Index 0,42. Pada dataset Wine, Gap Statistic menentukan 3 cluster dengan Silhouette Score 0,56 dan Davies-Bouldin Index 0,45, sementara X-Means menghasilkan 5 cluster dengan Silhouette Score 0,52 dan Davies-Bouldin Index 0,51. Selain itu, waktu komputasi menunjukkan bahwa Gap Statistic membutuhkan waktu lebih lama dibandingkan X-Means karena proses simulasi data acak untuk setiap nilai K.

Hasil penelitian menunjukkan bahwa Gap Statistic lebih akurat dalam menentukan jumlah cluster optimal yang sesuai dengan label asli, namun membutuhkan waktu komputasi yang lebih lama. Di sisi lain, X-Means lebih efisien secara waktu, meskipun memiliki kinerja clustering yang sedikit lebih rendah pada beberapa metrik eval_uasi. Studi ini memberikan wawasan bagi praktisi dalam memilih metode yang sesuai untuk kebutuhan spesifik dalam aplikasi clustering.