Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pemeliharaan kapal merupakan salah satu kegiatan galangan yang mengalami peningkatan seiring dengan jumlah transportasi laut nasional yang terus meningkat. Namun, peningkatan ini tidak diimbangi dengan peningkatan kapasitas galangan nasional sehingga menjadikan estimasi durasi pemeliharaan kapal sebagai suatu hal yang sangat penting bagi galangan. Penelitian ini menggunakan salah satu metode data mining, yaitu CART (Classification and Regression Tree) untuk mengestimasi durasi pemeliharaan yang dibatasi pada pekerjaan di atas dok saja atau yang dikenal dengan istilah dry docking. Dengan menggunakan volume pekerjaan dry docking sebagai input dalam melakukan estimasi durasi, didapatkanlah 4 kelas durasi dry docking dengan model linier dan kriteria pekerjaan yang berbeda. Model linier ini selanjutnya dapat digunakan untuk mengestimasi durasi dry docking berdasarkan kriteria pekerjaannya.

---

Maintenance is one of the shipbuilding activities that have increased in line with the rising of national marine transportation. However, this increase isn't offset by an increase in the national shipbuilding capacity, thus making an estimate of ship maintenance duration as a very important for the shipyard. This research uses one of data mining method, namely CART (Classification and Regression Tree) to estimate the duration of maintenance that is limited to dock works or which is known as dry docking. By using the volume of dock works as an input to estimate the duration, there are 4 classes of dry docking duration obtained with the different linear model and job criteria for each class. These linear models can then be used to estimate the duration of dry docking based on its job criteria."

"Banyak perusahaan yang telah menyadari bahwa mereka harus berusaha keras tidak hanya mendapatkan pelanggan baru, namun juga untuk mempertahankan pelanggan lama. Memprediksi nasabah yang akan pergi mulai dilakukan oleh perusahaan. Prediksi nasabah churn adalah kegiatan yang dilakukan untuk memprediksi nasabah tersebut akan meninggalkan perusahaan atau tidak. Banyak cara yang dapat dilakukan untuk memprediksi nasabah churn. Salah satu cara memprediksi nasabah churn ini adalah dengan menggunakan teknik klasifikasi dari data mining yang menghasilkan sebuah model machine learning. Dengan mempelajari data nasabah seperti data demografi, data transaksi dan data kepemilikan produk maka, perusahaan akan bisa memprediksi nasabah yang akan churn, sehingga perusahaan dapat melakukan tindakan pencegahan agar nasabah tersebut tidak berhenti untuk menggunakan jasa dari perusahaan. Penelitian ini membandingkan beberapa metode dari teknik klasifikasi data mining dan pengukuran dari sampel datanya. Dari penelitian ini didapat bahwa metode Support Vector Machine (SVM) dengan perbandingan sampling kelas data 50:50 merupakan metode terbaik untuk memprediksi nasabah churn di Bank XYZ. Hasil dari pemodelan ini bisa digunakan untuk mendapatkan informasi nasabah yang akan pergi meninggalkan perusahaan sehingga perusahaan dapat mengambil tindakan sebelum nasabah tersebut pergi.

---

Many companies have realized they must strive not only to get new customers but also to retain old customers. The company began to predict customers who would no longer use company services. Churn customer prediction is an activity carried out to predict whether the customer will leave the company or not.

There are many ways that can be done to predict churn customers, usually to predicting this customer churn by using a classification technique from data mining that produces a machine learning model. Studying customer historical data such as demographic data, transaction data and product ownership data, will be able to predict customers who will churn and can take preventive measures so these customers do not stop using services from the company.

This study compares several methods of data mining classification techniques and measurements from data samples. From this study it was found that the method of Support Vector Machine (SVM) with a comparison of 50:50 data class sampling is the best method for predicting churn customers at Bank XYZ. The results of this modeling can be used to obtain information on customers who will stop using  company services so the company can take action before the customer leaves."

"Summary:Equips you with an understanding and application of the theory and practice of discovering patterns hidden in large data sets. This title focuses on important topics in the field: data warehouses and data cube technology, mining stream, mining social networks, and mining spatial, multimedia and other complex data."

"Kerasnya persaingan usaha dan suasana kompetisi pada industri perbankan yang semakin ketat menjadikan perusahaan berusaha sekeras mungkin untuk mencegah berpindahnya pelanggan mereka ke perusahaan pesaing. Salah satu cara untuk bisa mencegah berpindahnya pelanggan ke perusahaan pesaing adalah dengan melakukan prediksi dan deteksi dini pelanggan-pelanggan mana saja yang berpotensi meninggalkan perusahaan dan beralih ke perusahaan pesaing yaitu dengan melakukan churn prediction. Churn prediction sudah diimplementasikan secara luas di industri telekomunikasi sebagai bagian dari churn management. Salah satu teknik yang digunakan untuk melakukan churn prediction adalah data mining. Tesis ini mencoba menggali pola-pola churn dari salah satu institusi perbankan nasional, dengan harapan bisa menemukan sebuah model churn bagi intitusi perbankan tersebut. Hasil analisa yang dilakukan melahirkan pengetahuan mengenai kondisi seperti apa yang mengakibatkan seorang nasabah akan menutup rekening mereka. Penggalian informasi juga berhasil menemukan beberapa pola yang seperti apa yang bisa dijadikan pertanda seorang nasabah akan menutup rekening mereka. Keterbatasan jumlah variabel dari dataset yang digunakan menghasilkan model data mining menjadi sangat sederhana, sehingga diperlukan adanya tambahan variabel lain untuk menghasilkan model yang lebih kuat.

---

The harshness of the competition for efforts and the atmosphere of the competition in the increasingly tight banking industry made the company try as hard as possible to prevent their customer's moving to the competitor's company.

Churn prediction is One of the methods that could prevent the customer's moving to the competitor's company by carrying out the prediction and the early detection of any customer who had the potential to leave the compani and to change to the competitor's company.Churn prediction already implemented widely in the telecommunications industry as a part of churn management. One of the techniques that was used to do churn prediction was the data mining. This thesis tried to dig up patterns churn from one of the national banking institutions, in the hope of could find a model churn for this banking institution.

Results of the analysis that was carried out produced knowledge concerning the condition like what resulted in a customer closing their account. The excavation of information also succeeded in finding several patterns that like what could be made the sign of a customer will close their account. The limitations of the number of variables from the set data that was used produced the data model mining became very simple, so as to be needed by the existence of the addition of the other variable to produce the stronger model."

"Process Mining adalah bidang ilmu yang relatif baru dan masih terus berkembang. Bidang ini menarik dan dibutuhkan dalam berbagai domain karena dapat digunakan untuk menggali informasi tentang proses bisnis dari sekumpulan besar data yang dimiliki perusahaan dalam bentuk event log."

"Part I. Machine Learning Tools and Techniques: 1. What?s iIt all about?; 2. Input: concepts, instances, and attributes; 3. Output: knowledge representation; 4. Algorithms: the basic methods; 5. Credibility: evaluating what?s been learned -- Part II. Advanced Data Mining: 6. Implementations: real machine learning schemes; 7. Data transformation; 8. Ensemble learning; 9. Moving on: applications and beyond -- Part III. The Weka Data MiningWorkbench: 10. Introduction to Weka; 11. The explorer -- 12. The knowledge flow interface; 13. The experimenter; 14 The command-line interface; 15. Embedded machine learning; 16. Writing new learning schemes; 17. Tutorial exercises for the weka explorer."