Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 32584 dokumen yang sesuai dengan query
cover
Dinda Sabila Nadinta
"Transjakarta merupakan salah satu transportasi umum yang marak digunakan oleh masyarakat. Pertumbuhan jumlah penumpang Transjakarta yang signifikan setiap tahunnya membuat perusahaan perlu untuk menambah armada sesuai dengan permintaan. Penambahan dan pengalokasian jumlah armada harus disesuaikan dengan kebutuhan penumpang. Salah satu cara untuk mengetahui kebutuhan penumpang terhadap armada Transjakarta adalah dengan menganalisis pola kepadatan dari penumpang. Penelitian ini bertujuan untuk mengidentifikasi pola kepadatan penumpang agar dapat menentukan perencanaan operasi dari Transjakarta sesuai dengan kebutuhan. Pendekatan data mining tepat digunakan untuk mengekstrak informasi dari data penumpang Transjakarta yang berjumlah besar, hingga pada akhirnya diperoleh pola kepadatan penumpang yang dapat dipahami dan dianalisis. Metode data mining yang digunakan dalam penelitian ini adalah clustering. Metode clustering mengelompokkan pola kepadatan penumpang yang memiliki karateristik sejenis. Melalui metode elbow, jumlah cluster terbaik sejumlah 4 cluster untuk pola kepadatan penumpang Transjakarta pada rute koridor 1, koridor 6, dan koridor 9. Hasil dari penelitian ini berupa pola kepadatan penumpang dan rekomendasi penjadwalan armada serta rekomendasi alokasi petugas layanan halte yang diharapkan dapat membantu Transjakarta untuk menentukan perencanaan operasi dari perusahaan.

Transjakarta is a public transportation that is widely used by the society. Significant growth in the number of Transjakarta passengers makes the company must to add the number of bus in order to meet the demand. Bus allocation must be adjusted to the needs of the passengers. One way to find out the passengers needs is to analyze the density pattern of passengers. This study aims to identify the density pattern of passengers in order to determine the operational planning of the company according to needs. The data mining approach is a right approach to extract information from a large number of Transjakarta passenger data, so that a density pattern of passenger can be obtained. The data mining method used in this study is clustering. The clustering method classifies
the density pattern of passengers who have similar characteristics. Using the elbow method, 4 clusters were obtained from the density pattern of Transjakarta passengers on the route of corridor 1, corridor 6, and
corridor 9. The results of this study are in the form of density pattern of Transjakarta passengers and recommendations of bus schedulling and allocation of bus stop service officer that can be used to determine the
operational planning of Transjakarta to meet the passenger needs.
"
Depok: Fakultas Teknik Universitas Indonesia , 2019
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Reggia Aldiana Wayasti
"Untuk mencapai kesuksesan bisnis, elemen paling penting yang harus diperhatikan oleh perusahaan adalah karyawan. Oleh karena itu, perusahaan harus mampu mempersiapkan dan mengelola karyawannya dengan baik agar dapat berkontribusi secara optimal sehingga produktivitas perusahaan meningkat. Salah satu strategi yang dapat dibuat yaitu untuk mempertahankan karyawan agar tetap bekerja di perusahaan, atau lebih dikenal dengan retensi karyawan. Banyaknya karyawan yang mengundurkan diri menyebabkan turnover meningkat dan dapat merugikan perusahaan. Dalam penyusunan strategi yang berkaitan dengan hal tersebut, salah satu cara untuk menggali informasi dan mendapatkan pemahaman tambahan yaitu dengan menggunakan workforce analytics yang menggunakan data yang berhubungan dengan karyawan seperti profil, dan menggunakan pendekatan data mining dalam pengolahannya. Penelitian ini dilakukan pada salah satu perusahaan fast-moving consumer goods FMCG di Indonesia yang memiliki turnover tinggi karena banyaknya karyawan yang mengundurkan diri. Tujuan penelitian ini yaitu mengidentifikasi atribut profil yang berpengaruh terhadap masa kerja karyawan di perusahaan. Penelitian ini menggunakan data profil karyawan yang menjabat sebagai asisten manajer pada divisi penjualan. Data tersebut bersumber dari divisi human resources perusahaan dan jejaring sosial LinkedIn. Untuk mencapai tujuan, digunakan pendekatan data mining, khususnya metode klasifikasi dengan teknik decision tree dan algoritme C4.5. Hasil dari penelitian ini berupa atribut profil yang berhubungan dengan masa kerja karyawan, yang dapat digunakan untuk membantu memberikan pertimbangan pada perusahaan dalam penyusunan strategi seleksi dan retensi karyawan.

To achieve business success, the most important element that must be considered by the company is its employees. Therefore, the company must be able to prepare and manage its employees well so that they can contribute optimally and increase company 39 s productivity. One strategy that can be made is to keep employees to stay and work in the company, or also known as employee retention. The number of employees who are resigned can cause increasing turnover and harm the company. In the development of such strategy, one way to explore information and gain additional understanding is using workforce analytics that uses employee related data such as profiles, and data mining approach in its processing. This research was conducted on one of the fast moving consumer goods FMCG company in Indonesia which had high turnover due to many resigned employees. The purpose of this study is to identify the profile attributes that affect the working period of employees in the company. This study used employee profile data who had become assistant manager in the sales division at the company on the period of 2009 to 2016. The data was obtained from the company 39 s human resources division and LinkedIn social networking site. To achieve the goal, data mining approach is used, namely classification method with decision tree technique and C4.5 algorithm. The results of this study were profile attributes that relate to the employment period of employees, which could be used to help giving consideration to the company in the development of employee selection and retention strategies."
Depok: Universitas Indonesia, 2017
S67079
UI - Skripsi Membership  Universitas Indonesia Library
cover
Bambang Cahyadi
"Dalam penelitian ini dikaji pengklasifikasian status kredit sepeda motor menggunakan pendekatan data mining. Model pengklasifikasian yang terdapat pada data mining salah satunya adalah algoritma C5.0. algoritma dapat berjalan bila sudah ditentukan mana yang menjadi variabel target dan variabel prediktor.
Hasil yang diperoleh dari penelitian ini adalah terdapat 13 jenis pengklsifikasian dengan variabel prediktor pendapatan menempati urutan teratas pada pengklasifikasian. Penentuan variabel yang menempati urutan pengklasifikasian/spillting yang paling atas berdasarkan pada informasi gain yang terbesar, kegiatan ini terus dilakukan hingga sampai tidak adalagi variabel prediktor yang dapat di spilliting. Dengan demikian dengan algoritma C5.0 prediksi penentuan status kredit dapat dilakukan.

In this study reviewed the classification status of a motorcycle loans using data mining approach. Model classification contained in data mining is one of the C5.0 algorithm. algorithms can be run when it is determined where the target variable and predictor variables.
The resultof this research is there are 13 types of classification by income predictor variable top ranked in the classification. Determination of the variable which ranks classification / spillting the top based on information gain is the biggest, this activity continues until no predictor variables that can in splitting. This the prediction algoritm C5.0 credit status determination can be made."
Depok: Universitas Indonesia, 2011
T43913
UI - Tesis Membership  Universitas Indonesia Library
cover
Faiz Kevin Naufal
"

Peramalan permintaan berguna sebagai permulaan dalam perencanaan yang memiliki tujuan untuk memenuhi permintaan pelanggan di masa depan. Pada awalnya, metode peramalan dikembangkan berbasis statistik. Namun, seiring berjalannya waktu, metode peramalan saat ini juga ada yang menggunakan metode machine learning karena bertambahnya kompleksitas data dengan variabilitas permintaan yang tinggi. Industri FMCG, khususnya produk pembersih rumah tangga memiliki pola permintaan yang cukup dinamis. Hal ini menjadi tantangan tersendiri untuk perusahaan sehingga mampu meramalkan secara akurat pola permintaan pada industri ini. Dalam penelitian ini, peneliti melakukan peramalan permintaan untuk produk pembersih rumah tangga menggunakan metode deret waktu, yaitu Autoregressive Integrated Moving Average (ARIMA), dan metode machine learning, yaitu Support Vector Regression (SVR). Objek penelitian yang dipilih oleh peneliti adalah data permintaan dari 8 SKU produk pembersih rumah tangga yang dijual oleh PT Wijaya Agung Hutama sejak Januari 2014 hingga Desember 2022. Hasil penelitian menunjukkan bahwa metode SVR unggul untuk 6 dari 8 SKU yang diramalkan, dengan rata-rata Mean Absolute Percentage Error (MAPE) sebesar 31,06%. Sementara itu, ARIMA mendapatkan rata-rata MAPE sebesar 33,52%. Metode yang diajukan peneliti juga dapat menurunkan error pada peramalan perusahaan hingga 8,31%.


Demand forecasting is useful as a starting point in planning with the objective of meeting customer demand in the future. Initially, forecasting methods were developed based on statistics. However, over time, current forecasting methods also incorporate machine learning techniques due to the increasing complexity of data and high demand variability. The Fast-Moving Consumer Goods (FMCG) industry, particularly household cleaning products, has a dynamic demand pattern. This poses a challenge for companies to accurately forecast demand in this industry. This study conducted demand forecasting for household cleaning products using time series methods, namely Autoregressive Integrated Moving Average (ARIMA), and machine learning methods, specifically Support Vector Regression (SVR). The research focused on the demand data for 8 SKU (Stock Keeping Unit) of household cleaning products sold by PT Wijaya Agung Hutama from January 2014 to December 2022. The results of the study showed that the SVR method outperformed ARIMA for 6 out of 8 forecasted SKUs, with an average Mean Absolute Percentage Error (MAPE) of 31.06%. Meanwhile, ARIMA obtained an average MAPE of 33.52%. The proposed method by the researchers also reduced the forecasting error for the company by 8,31%. These findings indicate that the suggested forecasting methods can help companies plan production and inventory more accurately. 

"
Depok: Fakultas Teknik Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Dhea Indriyanti
"Dalam beberapa tahun terakhir, jumlah investor saham di Indonesia meningkat pesat, sehingga perlu dilakukan analisis tentang saham yang dapat membantu investor dalam rencana investasinya. Pengelompokan saham dapat membantu investor memilih saham yang sesuai untuk investor. Sayangnya, harga saham terus berubah dari waktu ke waktu. Akibatnya, kegiatan memilih saham untuk investasi bukanlah hal yang mudah. Selain itu, data time series saham dipengaruhi oleh banyak faktor yang mempertimbangakan time frame, kemudian menjadikan data pada setiap sektor memiliki jumlah faktor yang banyak yang disebut data dimensi tinggi. Karena itu, penting untuk menggunakan teknik yang cocok untuk mengelompokkan data dimensi tinggi. Penelitian ini menyajikan dua pendekatan yang dapat digunakan untuk data dimensi tinggi, yaitu subspace clustering dan dimension reduction. Pendekatan subspace clustering menggunakan metode High Dimensional Data Clustering (HDDC), sebuah teknik klasterisasi berbasis model berdasarkan Gaussian Mixture Model, dengan menggunakan algoritma Expectation-Maximization (EM). Pada pendekatan dimension reduction menggabungkan teknik reduksi fitur dan teknik klasterisasi yang sudah sering digunakan yaitu K-Means. Penelitian ini menggunakan dua pendekatan reduksi fitur, yaitu ekstraksi fitur menggunakan Principal Component Analysis (PCA) dan pemilihan fitur menggunakan Correlation Attribute Evaluation. Luaran dari penelitian ini adalah 2 klaster terbentuk di sektor agrikultur, 3 klaster di sektor pertambangan, 4 klaster di sektor industri dasar dan kimia, 2 klaster di sektor aneka industri, 2 klaster di sektor industri konsumsi, 2 klaster di sektor properti dan real estate, 2 klaster di sektor infrastruktur, 2 klaster di sektor keuangan, dan 4 klaster di sektor perdagangan. Dari perhitungan indeks validasi klasterisasi, teknik seleksi fitur memberikan performa yang lebih baik.

In recent years, the stock investor in Indonesia has been increasing rapidly, hence it is required to conduct analysis about the stock that helps the investor in their investment plan. Clustering is beneficial to select the appropriate stock for investors. Unfortunately, stock prices keep varying from time to time. Consequently, it is not an easy work to select the stock for investment. In addition, stock price time series data influenced by many factors, so the factors in this study consider the time frame that makes the data in each sector has a larger number of features that called high dimensional data. In this study, high dimensional data are obtained by the time frame of each factor. Therefore, it is important to use a suitable technique to cluster high dimensional data. This study presents two approaches that can be used for high dimensional data, namely subspace clustering and dimension reduction. The subspace clustering approach uses High Dimensional Data Clustering (HDDC), a model-based clustering based on Gaussian Mixture Model, with using the Expectation-Maximization (EM) algorithm. The dimension reduction approach combines feature reduction techniques and common clustering technique, that is K-Means. This study uses two feature reduction approaches, namely feature extraction using Principal Component Analysis (PCA) and feature selection using Correlation Attribute Evaluation. The output of this study are 2 clusters formed in agricultural sector, 3 clusters formed in mining sector, 4 clusters formed in basic and chemical industry sector, 2 clusters formed in various industrial sector, 2 clusters formed in consumption industry sector, 2 clusters formed in property and real estate sector, 2 clusters formed in infrastructure sector, 2 clusters formed in financial sector, and 4 clusters formed in trade sector. Based on the clustering validation index, feature selection techniques provide better performance."
Depok: Fakultas Teknik Universitas Indonesia, 2019
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Nina Jane Bustan
"Transjakarta-Busway merupakan moda transportasi umum dengan jalanan khusus yang sedang dikembangkan oleh Pemerintah Daerah Ibukota Jakarta. Sejak tahun 2012 jumlah pengguna layanan Transjakarta-Busway terus menurun. Media sosial Twitter yang merupakan media sosial bagi masyarakat untuk mencurahkan opini, menjadi obyek peneliti untuk mendapatkan sentimen pengguna terhadap pelayanan Transjakarta-Busway. Penelitian ini menggunakan metode text mining digunakan untuk proses klasifikasi (keamanan, kenyamanan, keselamatan, kesetaraan,keterjangkauan, keteraturan) dengan membandingkan metode Support Vector Machine (SVM) dan Naïve Bayes, serta data stemming maupun non-stemming.
Penelitian menunjukan klasifikasi paling akurat didapat dari data non-stemming dengan metode Support Vector Machine (SVM). Hasil Klasifikasi yang didapat dibandingkan signifikasinya terhadap sentimen masyarakat dengan menggunakan Uji Chi-Square dan Prosedur Marascuilo, sehingga didapat pengaruh paling besar didapat dari sector kelompok Keselamatan, diikuti skctor Keteraturan, Kenyamanan, Keamanan Keterjangkauan, dan Kesetaraan. Keadaan fisik Transjakarta-Busway adalah yang paling dikeluhkan karena dirasa tidak layak.

Transjakarta-Busway is one of the well-known public transportation with special track in Jakarta. Jakarta?s government has been developing Transjakarta-Busway since 2009. But from 2012, the number of passanger is decreasing. Twitter, the famous social media in Indonesia, that used by community to express their feeling and opinion, has been used in this research to get sentiment from customer about Transjakarta-Busway?s services. This research used text mining as a method to classifying sentiment into 6 different groups (equality, safety, comfort, affordability, order, and security) with a comparison between Support Vector Machine (SVM) method and Naïve Bayes method.
This research shows that the most accurate classification is using Support Vector Machine Method wih non-stemming data. After that, the signification of classification compared using Chi-Square Test and Marascuilo Procedure. The Research shows that the biggest influence to sentiment comes from safety sector, followed by order section, comfort section, security section, affordability section, and the least influence comes from equality section. Physical condition of Transjakarta-Busway is the most complained among all.
"
Depok: Fakultas Teknik Universitas Indonesia, 2015
S60734
UI - Skripsi Membership  Universitas Indonesia Library
cover
Ivan Eka Aditya
"Indonesia sebagai negara maritim membutuhkan sarana transportasi laut untuk mendorong pertumbungan ekonomi di Indonesia. Mobilitas penumpang dan barang yang terjadi merupakan peluang PT PELNI (Persero) untuk dapat meningkatkan pendapatan perusahaan melalui optimalisasi trayek kapal penumpang. Namun saat ini PT PELNI (Persero) belum dapat menentukan rute-rute potensial sehingga trayek yang ditetapkan belum dapat mengoptimalkan margin keuntungan. Penelitian ini bertujuan untuk menganalisis hasil penjualan tiket penumpang dan barang pada kapal penumpang PT PELNI (Persero) dengan mempelajari pola rute-rute yang sering dilalui penumpang maupun barang pada waktu tertentu dan sebaran penumpang/barang berdasarkan daerah atau pelabuhan di Indonesia agar dapat membantu Manajemen dalam pengambilan keputusan untuk mengoptimalkan trayek perjalanan kapal dan meningkatkan penghasilan perusahaan.
Penelitian ini merupakan quantitative research menggunakan experimental strategy dengan pengumpulan data kuantatitatif dari data transaksi penjualan tiket penumpang dan barang pada kapal penumpang untuk dilakukan pengujian hubungan antar variabel dengan pemodelan data mining. Kemudian dilakukan tahapan-tahapan pada data mining menggunakan Cross-Industry Standard Process for Data Mining (CRISP-DM) untuk menemukan pola rute-rute yang sering dilalui oleh penumpang kapal maupun muatan barang. Penelitian ini menggunakan teknik data mining, yaitu clustering dengan algoritma K-Means dan classification dengan algoritma Na�ve Bayes, Decision Tree dan Random Forest. Berdasarkan hasil clustering yang dievaluasi dengan metode Elbow, cluster terbaik yang digunakan adalah cluster dengan nilai k=4 untuk menjadi label pada pemodelan classification. Dari hasil classification, Algoritma yang memiliki tingkat akurasi paling baik adalah algoritma Random Forest dengan nilai accuracy sebesar 99,70% dan accuracy meningkat setelah diseimbangkan dengan SMOTE upsampling menjadi 99,85%. Dari pemodelan data mining yang dilakukan dihasilkan rute-rute potensial untuk angkutan penumpang, potensial untuk angkutan barang, cukup potensial dan kurang potensial untuk penumpang atau muatan barang, sehingga PT PELNI (Persero) dapat mengatur stategi pemasaran untuk mengoptimalkan trayek dengan menyesuaikan rute, mengatur alokasi seat dan frekuensi pelayaran kapal penumpang pada saat peak season maupun low season.

As a maritime country, Indonesia needs sea transportation to encourage economic growth in Indonesia. The mobility of passengers and cargo is an opportunity for PT PELNI (Persero) to increase revenue by optimizing passenger ship routes. But currently, PT PELNI (Persero) has not been able to determine the potential ship routes, so the route set has not been able to optimize the profit margin. This study aims to analyze the cargo and passenger ticket sales of PT PELNI (Persero) passenger ships by studying the pattern of routes that passengers and cargo often travel at a particular time as well as the distribution of passengers and cargo by region or port in Indonesia to assist Management in making decisions to optimize ship routes and increase company revenue.
This research uses the experimental strategy with quantitative data from transaction data on sales of cargo and passenger tickets on passenger vessels to test the relationship between variables with data mining modeling. Then the steps are done on data mining using Cross-Industry Standard Process for Data Mining (CRISP-DM) to find the pattern of routes that ship passengers and cargo often pass. This research uses data mining techniques: clustering with the K-Means algorithm and classification with Na�ve Bayes, Decision Tree, and Random Forest algorithm. Based on the clustering results evaluated using the Elbow methods, the best cluster to use is a cluster with a value of k=4 to be a label in classification modeling. From the classification results, the algorithm with the best accuracy level is the Random Forest algorithm, with an accuracy value of 99.70%. The accuracy increases after being balanced with SMOTE upsampling to 99.85%. The data mining modeling produces potential routes for passenger transportation, freight transportation, and enough and less potential for passengers or cargo. So that PT PELNI (Persero) can set a marketing strategy to optimize routes by adjusting routes, managing allocation seats, and frequency of passenger ships during peak and low seasons.
"
Depok: Fakultas Ilmu Komputer Universitas Indonesia, 2023
TA-pdf
UI - Tugas Akhir  Universitas Indonesia Library
cover
Agus Suryanto
"Penilaian kesesuaian atas standar dan regulasi dilakukan oleh Lembaga Penilaian Kesesuaian (LPK)/Conformity Assessment Body (CAB). Kegiatan penilaian kesesuaian pada barang, jasa, sistem, atau proses dilakukan melalui Pengujian (Testing), Inspeksi (Inspection) dan / atau Sertifikasi (Certification) (TIC). LPK juga dikenal sebagai perusahaan jasa survei. Perusahaan jasa survei di Indonesia memiliki banyak layanan dengan pelanggan yang tersebar di seluruh Indonesia. Banyaknya pelanggan membuat data transaksi menjadi besar yang perlu dilakukan segmentasi untuk menentukan strategi penjualan dan pemasaran.
Berdasarkan penelitian sebelumnya, belum banyak penelitian yang ditemukan yang menjadikan perusahaan jasa sebagai objek segmentasi, khususnya perusahaan jasa survei. Penelitian ini melakukan segmentasi pelanggan perusahaan jasa survei menggunakan Recency, Frequency, & Monetary Value (RFM), dan K-Means Clustering.
Penelitian ini mengolah 181.724 data transaksi perusahaan jasa. Berdasarkan RFM, pelanggan dapat dibagi menjadi 3 segmen yaitu 646 pelanggan Key Account dengan porsi pendapatan 70,73%, 10.037 pelanggan Regular Account dengan porsi pendapatan 29,06%, dan 3.720 pelanggan Retail dengan porsi pendapatan 0,21%. Berdasarkan K-Means, pelanggan dapat dibagi menjadi 21 klaster. Jumlah klaster, disesuaikan dengan banyaknya Kategori dalam Klasifikasi Baku Lapangan Usaha Indonesia (KBLI).
Berdasarkan penelitian ini, K-Means tidak hanya dapat digunakan untuk segmentasi pelanggan barang yang diproduksi, tetapi juga dapat digunakan untuk segmentasi pelanggan perusahaan jasa survei, dan hasil segmentasi dapat digunakan sebagai referensi untuk membuat paket jasa, dan membuat strategi penjualan dan pemasaran.

The conformity assessment of standard and regulation is conducted by Conformity Assessment Body (CAB). The conformity assessment activities that applied to goods, services, systems, or processes are carried out through testing, inspection and / or certification (TIC). CAB is also known as a survey service company. Survey service companies in Indonesia have a lot of services with many customers spread nationwide. The large number of customers make large transaction data that needs to be segmented to determine sales and marketing strategies.
Based on the previous research, not many studies have been found that take service companies as object of segmentation, especially survey service companies. This study is segmenting customers of survey service companies using Recency, Frequency, & Monetary Value (RFM), and K-Means Clustering.
This study processed 181,724 transaction data of a service company. Based on RFM, customers can be divided into 3 segments that are 646 Key Account customers with 70.73% revenue portion, 10,037 Regular Account customers with 29.06% revenue portion, and 3,720 Retail customers with a revenue portion of 0.21%. Based on K-Means, customers can be divided into 21 clusters. The number of cluster, is suit to number of Category in Indonesian Standard of Industrial Classification (ISIC).
According to this study, K-Means clustering not only can be used to segment customers of product manufactured, but also can be used to segment customers of survey service company, and the result of segmentation can be used as references for making service package (service bundling), and for making sales and marketing strategy.
"
Depok: Fakultas Teknik Universitas Indonesia, 2021
T-Pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Nesia Dwiasta
"Sertifikat tanah merupakan surat tanda bukti hak yang berlaku sebagai alat pembuktian yang kuat mengenai data fisik dan data yuridis untuk kepemilikan tanah seseorang. Salah satu jenis pendaftaran sertifikat tanah yaitu sertifikat tanah rutin yang terdiri dari beberapa jenis objek sertifikat diantaranya adalah sertifikat tanah roya, peralihan hak atas tanah, perubahan hak atas tanah, hak tanggungan, split dan pendaftaran pertama kali. Instansi pemerintah yang memiliki wewenang mengeluarkan sertifikat tanah di Indonesia adalah Kementrian ATR/BPN melalui Kantor Pertanahan salah satunya yang terletak di Kabupaten Bandung. Namun kondisi yang terjadi di Kantor Pertanahan Kabupaten Bandung masih terdapat perlambatan penerbitan sertifikat tanah di setiap waktunya. Beberapa penyebab perlambatan tersebut karena proses perencanaan jumlah blangko dan petugas ukur yang masih belum sesuai. Sehingga diperlukan adanya perbaikan proses perencanaan menggunakan peramalan dengan pendekatan data mining untuk mendapatkan model terbaik. Metode yang digunakan adalah perbandingan metode Autoregressive Integrated Moving Average (ARIMA) dan Artificial Neural Network (ANN). Setelah dilakukan analisis berdasarkan Root Mean Square Error (RMSE), ANN dapat menghasilkan model dengan tingkat akurasi yang terbaik untuk melakukan peramalan pada masing-masing jenis sertifikat tanah dibandingkan ARIMA karena hasil dari ANN memiliki tingkat kesalahan terkecil.

A land certificate is a certificate of proof of rights that serves as a strong proof of physical data and juridical data for a person's land ownership. One type of land certificate registration is a routine land certificate consisting of several types of certificate objects includigroya land certificates, transfer of land rights, changes to land rights, mortgage rights, splits, and first registration. The government agency authorized to issue land certificatesin Indonesia is the Ministry of ATR/BPN through the land office, one of which is in Bandung Regency. However, the conditions that occur in the Bandung Regency land office are still a slowdown in the issuance of land certificates every time. Some of the reasons for the slowdown occurred because the planning process for the number of blanks and measuring officers was still not appropriate. So, it is necessary to improve the planning process using forecasting with a data mining approach to get the best model. The method used is to compare the Autoregressive Integrated Moving Average (ARIMA)and Artificial Neural Network (ANN) methods. After analyzing based on Root Mean Square Error (RMSE), the ANN can produce a model with the best accuracy forforecasting each type of land certificate compared to the ARIMA because the results of the ANN have the smallest error rate.
"
Depok: Fakultas Teknik Universitas Indonesia, 2022
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Thony Antonius
"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.
"
Depok: Fakultas Ilmu Komputer Universitas Indonesia, 2008
T-Pdf
UI - Tesis Open  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>