Hasil Pencarian  ::  Simpan CSV :: Kembali

"Karya ilmiah ini membahas perhitungan kelayakan dalam menjalani suatu proyek, pemilihan proyek serta pengaruh perubahan nilai komponen-komponen dalam perhitungan kelayakan dari sepuluh proyek yang dimiliki oleh PT Infomedia Nusantara pada bulan Maret 2014.Sebagai pedoman untuk PT Infomedia Nusantara dalam menjalankan usahanya pada tahun-tahun mendatang, sehingga perusahaan dapat memaksimalkan nilai perusahaan. Metode yang digunakan untuk perhitungan kelayakan proyek dan pemilihan proyek adalah dengan menggunakan discounted cash flow yang menghasilkan perhitungan NPV, IRR, PI serta PP. Sedangkanmetode yang digunakan untuk perubahan nilai komponen- komponen dalam perhitungan kelayakan menggunakan scenario analisis. Dan penggunaan optimasi portofolio untuk melihat proyek-proyek yang optimum. Hasil perhitungan penelitian ini menyimpulkan bahwa hany aterdapat tujuh projek yang sesuai dengan klasifikasi perusahaan.Sedangkan untuk perubahan nilai komponen, sebaiknya perusahaan memperhatikan komponen biaya sumber daya manusia.

---

This thesis explores the feasibility in carrying a project, the selection of projects and the effects of changes in the components of the calculation for the feasibility from ten projects are owned by PT Infomedia Nusantara on March 2014, as a guideline for PT Infomedia Nusantara business in the coming years, so that the company can maximize its value. The method use for the calculation of project feasibility and project selection is to use a discounted cash flow calculation that generates NPV, IRR, PI and PP.The calculation for feasibility uses scenario analysis. Portfolio Optimization uses for analyzing the optimum projects. The results of this study conclude that there are only seven projects in accordance with the classification of the company. While the change in the feasibility studies component, companies should pay attention to human resource cost components."

"Resolusi koreferensi merupakan suatu proses yang dilakukan untuk mengetahui hubungan antara suatu entitas bernama atau kata ganti dengan entitas bernama lainnya dalam suatu teks. Hubungan tersebut dapat diketahui berdasarkan informasi kelas kata, kelas nama, kesamaan karakter penyusun kata, dan letak entitas bernama atau kata ganti tersebut dalam suatu teks. Penelitian ini membandingkan penerapan resolusi koreferensi menggunakan pendekatan machine learning dengan metode decision tree, maximum entropy, dan association rules. Penelitian dilakukan untuk mengetahui metode mana yang lebih baik untuk diaplikasikan pada tugas resolusi koreferensi untuk Bahasa Indonesia. Selain itu penelitian ini dilaksanakan untuk mengetahui efektifitas penggunaan fitur pada resolusi koreferensi untuk Bahasa Indonesia. Tujuan lainnya adalah mengetahui berapakah jumlah dokumen pelatihan yang diperlukan untuk masing-masing metode sehingga sistem memberikan hasil yang optimal. Uji coba dilakukan menggunakan 500 dokumen yang dikumpulkan dari Kompas Online (www.kompas.com). Secara umum, nilai recall metode decision tree lebih tinggi dari metode yang lain. Hasil uji coba memperlihatkan bahwa association rules menghasilkan kinerja yang paling baik dengan F-measure sebesar 81,36% yang diamati pada jumlah dokumen pelatihan 300 dan menggunakan semua fitur. Metode decision tree mencapai kestabilan pada jumlah dokumen 50. Metode maximum entropy mencapai kestabilan pada jumlah dokumen 70, sedangkan metode association rules mencapai kestabilan saat jumlah dokumen 90. Pada metode decision tree dan maximum entropy, kombinasi fitur minimum yang memberikan hasil terbaik adalah kombinasi fitur yang berhubungan dengan kesamaan karakter penyusun frase. Sedangkan untuk metode association rules, kombinasi fitur yang berhubungan dengan kesamaan karakter penyusun frase dan kombinasi fitur kelas nama merupakan kombinasi yang memberikan hasil terbaik."

"Ketidakseimbangan data merupakan masalah umum yang terjadi dalam bidang analisis data. Data menjadi tidak seimbang karena terdapat perbedaan antara jumlah sampel pada setiap kelasnya. Masalah ketidakseimbangan ini menyebabkan model klasifikasi menjadi bias, dimana model akan cenderung memprediksi kelas mayoritas secara efektif dibandingkan dengan kelas minoritas dan dapat menyebabkan kesalahan interpretasi dalam pengambilan suatu keputusan. Terdapat beberapa cara dalam menangani data yang tidak seimbang, yaitu random undersampling dan random oversampling. Salah satu metode dari random oversampling yang populer adalah Synthetic Minority Oversampling Technique (SMOTE). SMOTE dapat digabungkan dengan metode random undersampling, yaitu Edited Nearest Neighbors (ENN) dan Tomek link. Pada metode gabungan SMOTE-ENN dan SMOTE-Tomek link, SMOTE bekerja terlebih dahulu dengan membuat sampel sintetis pada kelas minoritas. ENN dan Tomek link berperan sebagai cleaning untuk menghapus data yang tidak relevan dan dianggap sebagai noise. Untuk melihat pengaruh ketiga metode resampling tersebut, yaitu SMOTE, SMOTEENN, dan SMOTE-Tomek Link, dilakukan simulasi data. Simulasi data dapat melihat pengaruh ukuran sampel, ukuran proporsi kelas, dan metode resampling terhadap model klasifikasi decision tree, random forest, dan XGBoost pada data yang tidak seimbang. Simulasi data juga dijalankan sebanyak 100 iterasi yang menunjukkan bahwa iterasi pertama cukup untuk mewakili hasil dari 100 iterasi. Hasil menunjukkan bahwa ketiga metode cenderung mampu memberikan hasil yang baik dengan adanya peningkatan nilai metrik precision, recall, ROC-AUC, dan G-Mean. Metode SMOTE dengan XGBoost bekerja dengan baik pada ukuran sampel kecil dengan adanya peningkatan nilai metrik yang cukup signifikan. Pada SMOTE-ENN, nilai recall cenderung meningkat yang diikuti oleh menurunnya nilai precision pada proporsi 1:9, 2:8, dan 3:7 dengan sampel yang relatif kecil. SMOTE-Tomek Link juga meningkatkan nilai metrik pada sampel yang relatif kecil dengan proporsi memberikan nilai metrik tertinggi.

---

Data imbalance is a common problem that occurs in the field of data analysis. The data becomes unbalanced because there is a difference between the number of samples in each class. This imbalance problem causes the classification model to be biased, where the model will tend to predict the majority class effectively compared to the minority class and can cause misinterpretation in making a decision. There are several ways to handle imbalanced data, namely random undersampling and random oversampling. One of the popular random oversampling methods is Synthetic Minority Over-sampling Technique (SMOTE). SMOTE can be combined with random undersampling methods, namely Edited Nearest Neighbors (ENN) and Tomek link. In the combined SMOTE-ENN and SMOTE-Tomek link method, SMOTE works first by creating a synthetic sample in the minority class. ENN and Tomek link act as cleaning to remove irrelevant data and are considered as noise. To see the effect of the three resampling methods, namely SMOTE, SMOTE-ENN, and SMOTE-Tomek Link, data simulation was conducted. Data simulation can see the effect of sample size, class proportion size, and resampling method on decision tree, random forest, and XGBoost classification models on imbalanced data. The data simulation was also run for 100 iterations which shows that the first iteration is sufficient to represent the results of 100 iterations. The results show that the three methods tend to be able to provide good results with an increase in the precision, recall, ROC-AUC, and G-Mean metric values. The SMOTE method with XGBoost works well on small sample sizes with a significant increase in metric values. In SMOTE-ENN, the recall value tends to increase followed by a decrease in precision value at proportions 1:9, 2:8, and 3:7 with relatively small samples. SMOTE-Tomek Link also increases the metric value on relatively small samples with proportions of 1:9 and 2:8. In addition, the resampling method was also used on data available on Kaggle.com, namely Pima Indian Diabetes and Give Me Some Credit:: 2011 Competition. In the Pima Indian Diabetes data, it can be seen that the recall, ROC-AUC, and G-Mean values are the highest using SMOTE-ENN with the XGBoost model. On the Give Me Some Credit:: 2011 Competition also shows that the SMOTE-ENN method with the XGBoost model provides the highest metric value."

"Machine learning atau pembelajaran mesin merupakan sebuah metode yang sudah tidak asing lagi didengar. Akhir-akhir ini pembelajaran mesin sering digunakan untuk menyelesaikan masalah kebencanaan, khususnya pada pembuatan peta likuefaksi. Pembelajaran mesin akan memprediksi daerah-daerah yang memiliki potensi likuefaksi dari rendah hingga ke tinggi. Pada penelitian ini, metode pembelajaran mesin yang akan digunakan adalah Decision Tree dan Random Forest, dan beberapa algoritma lain sebagai pembanding dari 2 algoritma sebelumnya. Likuefaksi dipengaruhi oleh seismisitas atau magnitudo terjadinya gempa pada suatu wilayah. Pada penelitian ini digunakan 2 magnitudo sebagai pembanding yaitu magnitudo 6 dan magnitudo 7.5. Selain itu di penelitian ini digunakan 4 peta prediktor sebagai fitur-fitur input yaitu PGA (Peak Ground Acceleration), MAT (muka air tanah), Slope (kemiringan lereng) dan Vs30 (kecepatan gelombang geser). Penelitian ini mengambil 33 titik pengambilan sampel untuk melatih model pembelajaran mesin ini. Untuk nilai akurasi dari masing-masing algoritma yaitu menggunakan confusion matrix untuk membandingkan performa dari model DT dan RF.

---

Machine learning is a method that is already familiar to hear. Lately, machine learning is often used to solve disaster problems, especially in making liquefaction maps. Machine learning will predict areas that have the potential for liquefaction from low to high. In this study, the machine learning methods that will be used are Decision Tree and Random Forest, and several other algorithms as a comparison of the previous 2 algorithms. Liquefaction is influenced by the seismicity or magnitude of the earthquake in an area. In this study, 2 magnitudes were used as comparison, namely magnitude 6 and magnitude 7.5. In addition, this study uses 4 predictor maps as input features, namely PGA (Peak Ground Acceleration), MAT (ground water level), Slope (slope) and Vs30 (shear wave velocity). This study took 33 sampling points to train this machine learning model. For the accuracy value of each algorithm, it uses a confusion matrix to compare the performance of the DT and RF models."

"Dalam melakukan klaim subrogasi, perusahaan penjaminan kredit sering mengalami kendala di mana pihak yang dijamin tidak melunasi pinjamannya sesuai kesepakatan. Hal ini membuat perusahaan penjaminan kredit mengklasifikasikan pihak terjamin yang berpotensi untuk melunasi pinjaman kreditnya, dan pihak terjamin yang tidak berpotensi untuk melunasi pinjaman kreditnya. Penelitian ini mengevaluasi prediksi potensi klaim subrogasi pada penjaminan kredit menggunakan berbagai model pembelajaran mesin berdasarkan data dunia nyata dari perusahaan penjaminan kredit besar di Indonesia. Eksperimen menggunakan Logistic Regression, sebuah metode prediksi berbasis persamaan linier, Penalized Logistic Regression, bentuk dari Logistic Regression yang koefisien-koefisiennya diberikan penalti, dan Random Forest Classifier, sebuah metode berbasis ensemble learning. Model diuji menggunakan Hold-out Validation dan data prediksi dibandingkan dengan data uji untuk false positive dan false negative. Hasil penelitian menunjukkan bahwa Random Forest Classifier memberikan hasil yang lebih baik, menunjukkan kinerja rata-rata yang lebih baik dibandingkan dengan Logistic Regression dan Penalized Logistic Regression . Temuan studi ini dapat digunakan oleh analis klaim dan subrogasi baik dari perusahaan penjaminan kredit maupun peneliti independen dalam menilai kekuatan dan kelemahan masing-masing model dan untuk menyusun aturan keputusan yang efektif secara empiris untuk mengevaluasi kebijakan subrogasi.

---

In making subrogation claims, credit guarantee companies often encounter problems where the guaranteed party does not pay off their loan according to the agreement. This makes credit guarantee companies classify those who have the potential to pay off their credit loans, or those that are not potential to pay off their credit loans. This study evaluates the prediction of potential subrogation claims in credit guarantees using various machine learning models based on real-world data from a large credit guarantee company in Indonesia. The experiment used Logistic Regression, a linear equation-based prediction method, Penalized Logistic Regression, a form of Logistic Regression whose coefficients are penalized, and the Random Forest Classifier, an ensemble learning-based method. The model was tested using Hold-out Validation and prediction dataset were compared to test dataset for false positives and false negatives. The results showed that the Random Forest Classifier gave better results, indicating a better average performance compared to Logistic Regression and Penalized Logistic Regression. The findings of this study can be used by claims and subrogation analysts from both credit guarantee companies and independent researchers in assessing the strengths and weaknesses of each model and to construct empirically effective decision rules for evaluating subrogation policies."

"Karena usianya yang sudah tua, fasilitas kilang kerap menghadapi ancaman insiden dan kecelakaan, bahkan cedera fatal dapat terjadi jika berjalan tanpa perencanaan pemeliharaan yang tepat. Proyek-proyek revitalisasi yang dilakukan ditujukan untuk mengganti, memperbaiki, atau menambah kapasitas produksi kilang yang sudah ada. Seperti proyek-proyek lain di sektor konstruksi, kinerja proyek revitalisasi cenderung mengalami kelemahan umum yang serupa dan berulang, yakni: penundaan proyek, pembengkakan biaya, ruang lingkup yang bertambah-tambah, kecelakaan operasional, proyek dibatalkan atau bahkan dihentikan. Mempertimbangkan tahap Perencanaan Proyek adalah waktu terbaik bagi sebuah proyek untuk mengalami pengembangan ide, melakukan perubahan ruang lingkup, menyiapkan rekayasa proyek yang sangat baik, dan lain-lain, maka penelitian ini memusatkan perhatian pada pemilihan dan prioritas proyek di tahap Perencanaan Proyek. Fokusnya kemudian diperdalam ke sub-tahap Perencanaan Proyek (inisiasi, konseptual, dan kajian lanjut) dengan tujuan menghilangkan proyek yang tidak layak, tidak menjanjikan, dan yang tidak dapat memenuhi persyaratan sebelum lebih banyak sumber daya organisasi dikeluarkan yang dapat memicu masalah lebih besar bagi organisasi, terutama masalah keuangan. Penelitian ini secara runut telah berhasil memberikan sebuah sistem pemilihan proyek yang berbasis Project Portfolio Management, dimulai dari dikembangkannya sebuah kerangka kerja (framework) berdasarkan studi literatur yang cukup panjang dan dalam. Kerangka kerja tersebut memuat langkah pemilihan proyek yang menerapkan gated system terdiri dari tiga tahapan, yaitu inisiasi, konseptual, dan kajian lanjut. Penelitian ini mampu menetapkan standar indikator-indikator yang menjadi kriteria seleksi proyek revitalisasi beserta bobotnya yang diperoleh melalui analisis data menggunakan SmartPLS. Analisis data yang dilakukan mampu memberikan bukti dimana proses seleksi baik pada tahapan inisiasi, seleksi dan kajian lanjut ikut mendorong keberhasilan portofolio proyek, dengan mediasi oleh variabel keberhasilan perencanaan proyek. Keberhasilan portofolio proyek akan berarti keberhasilan pada Portfolio Management Office (PMO) yang mengelola proyek-proyek revitalisasi di PT XYZ. Akhirnya, output dari penelitian adalah berupa template standar yang dapat digunakan untuk menilai usulan proyek secara transparan dan akuntabel.

---

Due to its ageing, refinery facilities face the thread of being suffered from incidents and accidents, even fatal injury may be caused if running without proper maintenance planning. The revitalization project is performed intended to replace, repair, or increase production capacity at an existing refinery. Like other projects in construction sector, the revitalization projects tends to experience the same common flaws in their performance; project delay, cost overrun, scope creeping, operational mishaps, cancelled or stopped. Since the best time for a project to experience idea development, conduct scope changes, prepare excellent project engineering etc is at Front-end stage, then this paper localized the attention on project selection and prioritization at the Front-end. The focus is then zoomed in to the sub-stage of Front-end (initiation, conceptual, and basic engineering design) to elliminate the infeasible and unpromising projects that cannot meet the requirement before more resources are expended which can ignite catastrophic event to organization, especially financial. This research has successively succeeded in providing a project selection system based on Project Portfolio Management, starting with the development of a framework based on a long and deep literature study. The framework contains steps for selecting projects that implement a gated system consisting of three stages, namely initiation, conceptual, and Front-End Engineering Design (FEED). This research was able to establish standard indicators which were the criteria for selecting the revitalization project along with their weights which were obtained through data analysis using SmartPLS. The data analysis carried out was able to provide evidence that the selection process, both at the stages of initiation, selection and (FEED), contributed to the success of the project portfolio, mediated by the variable of pre-project success. The success of the project portfolio will mean the success of the Portfolio Management Office (PMO) which manages "

"Tenaga kerja merupakan salah satu sumber daya penting dalam pelaksanaan suatu proyek. Perusahaan kontraktor yang bertanggungjawab dalam pelaksanaan suatu proyek dapat menyelesaikan proyek tersebut dengan berbagai cara dan metode, namun tanpa adanya keahlian, pengalaman, dan efisiensi dari tenaga kerja, pelayanan yang baik tidak akan dapat diberikan, sehingga reputas yang baik tidak akan dapat diperoleh. Dengan kualitas Sumber Daya Manusia (SDM) yang baik maka suatu perusahaan kontraktor dapat memberikan pelayanan yang baik sehingga akan memperoleh banyak keuntungan. Untuk mendapatkan SDM yang berkualitas maka perlu dilakukan proses seleksi yang selektif. Salah satu diantaranya ialah proses seleksi untuk posisi Project Manager (PM). Sebagai pemimpin pada suatu proyek, pemilihan project manager haruslah akurat. Permasalahan utama yang dihadapi ialah bagaimana memilih SDM yang tepat yang memiliki keahlian dan pengalaman yang sesuai dengan kualifikasi suatu proyek. Sistem seleksi dengan cara konvensional akan memakan banyak waktu dan akan sulit untuk dikontrol. Teknologi Expert System (ES) yang kini sedang berkembang dapat digunakan untuk mengatasi permasalahan ini. Semua informasi mengenai SDM dengan kualifikasi project manager akan dijadikan sebagai database yang dapat di update kapan saja. Proses selanjutnya ialah mendesain knowledge base yang berfungsi sebagai ""otak"" dari program ini. Hasil akhirnya ialah sebuah program yang dapat memilih individu yang tepat (baik dari segi keahlian maupun pengalaman) dari sejumlah SDM yang tersedia yang sesuai dengan kualifikasi suatu proyek. Program ini terbukti dapat digunakan dalam membantu proses pengambilan keputusan pada tahap seleksi SDM untuk posisi project manager (PM).

---

Human resources are one of the most important resources in construction phase of projects. Contractors which are responsible in construction phase of project can finish a project with so many ways and methods. But without skills, experiences and efficiencies, a good service cannot be served, which can cause a good reputation cannot be achieved. A very selective selection process is needed to recruit human resources with a good quality, and Project Manager recruitment is part of the selection process. As a leader in a project, the selection process of Project Manager must be accurate. The major problem is how to choose/select an appropriate individu that has skills and experiences which fit into a project's qualification. A conventional selection system takes a lot of time and hard ' to control. Decision Support System (DSS) which now is very popular in civil engineering can be used to solve this problem. All information about the staff with Project Manager qualification will be saved as a database which can update anytime. The next step/phase is to design a knowledge base which has functioned as 'a brain' of this program. The final result is a program which can select (based on his expertise and experience), from a member best candidate of human resources that are available and according to the project's qualification. This program is proven to be able to reduce the time needed in selecting the most approriate Project Manager for any particular projects."

"ABSTRAKPada permasalahan seperti kesehatan atau dunia retail banyak dijumpai data-data yang memiliki kategori yang tidak seimbang. Sebagai contoh jumlah penderita penyakit tertentu relatif langka pada suatu studi atau jumlah transaksi yang terkadang merupakan transaksi palsu (fraud) jumlahnya secara signifikan lebih sedikit ketimbang transaksi normal. Kondisi ini biasa disebut sebagai kondisi data tidak seimbang dan menyebabkan permasalahan pada performa model, terutama pada kelas minoritas. Beberapa metode telah dikembangkan untuk mengatasi permasalahan data tidak seimbang, salah satu metode terkini untuk menanganinya adalah Easy Ensemble. Easy Ensemble diklaim dapat mengatasi efek negatif dari pendekatan konvensional seperti random-under sampling dan mampu meningkatkan performa model dalam memprediksi kelas minoritas. Skripsi ini membahas metode Easy Ensemble dan penerapannya dengan model Random Forest dalam mengatasi masalah data tidak seimbang. Dua buah studi empiris dilakukan berdasarkan kasus nyata dari situs kompetisi hacks.id dan kaggle.com. Proporsi kategori antara kelas mayoritas dan minoritas pada dua data di kasus ini adalah 70:30 dan 94:6. Hasil penelitian menunjukkan bahwa metode Easy Ensemble, dapat meningkatkan performa model klasifikasi Random Forest terhadap kelas minoritas dengan signifikan. Sebelum dilakukan resampling pada data (nhacks.id), nilairecall minority hanya sebesar 0.47, sedangkan setelah dilakukan resampling, nilainya naik menjadi 0.82. Begitu pula pada data kedua (kaggle.com), sebelum resampling nilai recall minority hanya sebesar 0.14, sedangkan setelah dilakukan resampling, nilai naik secara signifikan menjadi 0.71.

---

ABSTRACTIn the real world problem, there is a lot case of imbalanced data. As an example in medical case, total patients who suffering from cancer is much less than healthy patients. These condition might cause some issues in problem definition level, algorithm level, and data level. Some of the methods have been developed to overcome this issues, one of state-of-the-art method is Easy Ensemble. Easy Ensemble was claimed can improve model performance to classify minority class moreover can overcome the deï¬?ciency of random under-sampling. In this thesis discussed the implementation of Easy Ensemble with Random Forest Classifers to handle imbalance problem in a credit scoring case. This combination method is implemented in two datasets which taken from data science competition website, nhacks.id and kaggle.com with class proportion within majority and minority is 70:30 and 94:6. The results show that resampling with Easy Ensemble can improve Random Forest classifier performance upon minority class. This been shown by value of recall on minority before and after resampling which increasing significantly. Before resampling on the first dataset (nhacks.id), value of recall on minority is just 0.49, but then after resampling, the value of recall on minority is increasing to 0.82. Same with the second dataset (kaggle.com), before the resampling, value of recall on minority is just 0.14, but then after resampling, the value of recall on minority is increasing significantly to 0.71."

"Bank yang menyelenggarakan program keuangan inklusif cenderung tidak melakukan diferensiasi pelayanan bagi para pelanggannya yang berasal dari populasi masyarakat unbanked. Banyak organisasi mengganggap segmen keuangan inklusif sebagai ladang yang kurang populer dalam mendapatkan keuntungan, karena kecilnya pemasukan dan besarnya biaya operasional yang dibutuhkan. Namun, beberapa studi sebelumnya tentang keuangan inklusif dan segmentasi pelanggan telah menentang gagasan ini dan menyatakan bahwa klasifikasi lebih lanjut terhadap kategori pelanggan khusus ini dapat membawa keuntungan bagi pihak bank. Segmentasi pelanggan sering dilakukan menggunakan model Recency, Frequency, dan Monetary (RFM) untuk mendapatkan nilai pelanggan bagi perusahaan.Penelitian ini bertujuan untuk membuat model prediksi segmen pelanggan dalam konteks keuangan inklusif, dengan menerapkan penggunaan dua teknik data mining Self-Organizing Map (SOM) dan C5.0 decision tree (DT) secara hybrid. Analisa sosioekonomi, regional, dan pengeluaran digunakan untuk menilai pelanggan, alih-alih menggunakan RFM. Penelitian ini juga mempelajari pengaruh SOM terhadap kinerja klasifikasi keseluruhan, yang dievaluasi menggunakan confusion matrix. Dataset yang digunakan memiliki struktur generik sehingga model ini diharapkan dapat membantu pengembangan program keuangan inklusif pada institusi keuangan penyelenggara keuangan inklusif lainnya.

---

Banks adopting financial inclusion program often exclude differentiation in their services towards the target customers. Many organizations consider financial inclusion inflicts huge operational costs hence it is deemed infamous for profit gain. Previous studies in financial inclusion and customer segmentation have challenged this notion, concluding that further classification of this particular customer class could indeed bring profit for the bank and such that maintaining existing profiting customers induce less cost than the effort of acquiring new customers. Customer segmentation is often done using the Recency, Frequency and Monetary (RFM) model to assess a customer's value for the company.

This study aims to model customer segment predictions in the context of financial inclusion, using socioeconomic, regional, and expenditure analyses to assess customer values. Two data mining techniques Self-Organizing Map (SOM) and C5.0 decision tree (DT) are used in a hybrid setting. This study also observes the effect of SOM on overall classification performance, which is evaluated using confusion matrix. Due to the generality of the input dataset, the prediction model is expected to be usable, with minimal adjustments, by other financial inclusion institutions in need of customer segmentation."

"ABSTRAKKlasifikasi merupakan proses pengelompokan suatu himpunan data ke kelas-kelas yang sudah ada sebelumnya. Pada umumnya, himpunan data dibagi menjadi dua bagian, yaitu training data dan testing data. Dibutuhkan suatu metode klasifikasi yang dapat mengelompokkan training data dan testing data ke dalam suatu kelas dengan tepat. Sering kali metode klasifikasi hanya dapat mengelompokkan training data dengan tepat saja, namun tidak demikian untuk testing data. Artinya, model yang terbentuk tidak cukup stabil atau model tersebut mengalami overfitting. Secara umum, overfitting merupakan kondisi saat akurasi yang dihasilkan pada training data cukup tinggi, namun cenderung tidak mampu memprediksi testing data. Penentuan metode klasifikasi yang rentan terhadap overfitting perlu dipertimbangkan. Random forest merupakan salah satu metode klasifikasi yang rentan terhadap masalah overfitting. Hal tersebut sekaligus menjadi salah satu kelebihan dari metode random forest. Oleh karena itu, pada tugas akhir ini akan dibahas metode random forest serta mengaplikasikannya pada data penderita penyakit Parkinson yang dibagi berdasarkan 2 sub-tipe, yaitu tremor dominant TD dan postural instability gait difficulty PIGD dominant. Selanjutnya, dari data tersebut diperoleh hasil akurasi model yang dihasilkan dalam mengklasifikasi training data, yaitu sekitar 94,25 . Sementara itu, akurasi metode ini dalam melakukan klasifikasi pada data yang tidak terkandung dalam membentuk model sebesar 94,26.

---

ABSTRACTClassification is the process of grouping a set of data into pre existing classes. In general, the data set is divided into two parts. There are training data and testing data. It takes a classification method that can classify both training data and testing data of its class appropriately. However, some of the classification methods only fit in training data, but it can not apply in testing data. It means that the model is unstable or the model occurs overfitting. In general, overfitting is a condition when the model too fit in training, but unable to predict testing data. In other words, the accuracy of predicting the testing data is decreasing. Therefore, the determination of classification methods that are vulnerable to overfitting need to be considered. Random forest is one of the classification methods that is vulnerable to overfitting. It is also one of the advantages of the random forest method. Therefore, in this final project will be discussed random forest method and applying it to the data of Parkinson 39 s disease patients that is divided by 2 sub types. There are dominant tremor TD and postural instability gait difficulty PIGD dominant. Furthermore, from the data obtained the results of model accuracy in classifying the training data is about 94.25 . Meanwhile, the accuracy of this method in classifying the data not contained in forming a model is about 94.26."