Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perusahaan XYZ menerapkan Customer Life Cycle atau CLC yang sudah disesuaikan dengan kebutuhan perusahaan demi menjaga loyalitas pengguna. Tak hanya menjaga loyalitas, Perusahaan XYZ menerapkan CLC guna memperluas bisnis yang dijalani olehnya. Dengan bantuan teknologi, CLC dapat dengan mudah untuk dianalisis lebih mendalam. Teknologi yang digunakan berupa pembelajaran mesin. Pembelajaran mesin ini diimplementasikan untuk mendapatkan insight dari data yang dimiliki Perusahaan XYZ. Dalam mendapatkan insight tersebut, digunakan beberapa metode seperti Support Vector Machine, Logistic Regression, Gradient Boosting, Random Forest, Decision Tree, dan FPGrowth. Insight yang didapatkan selanjutnya ditampilkan dalam bentuk visualisasi data yang diaplikasikan ke dalam website. Terdapat tiga permasalahan berbeda yaitu prediksi pembeli potensial, prediksi produk yang akan dibeli, dan prediksi waktu pembelian berikutnya. Permasalahan pertama dapat diselesaikan dengan model Logistic Regression dengan f1-score sebesar 76.35%. Permasalahan kedua diselesaikan dengan model FP-Growth dengan nilai minimum support dan confidence sebesar 0.001. Untuk permasalahan ketiga dapat diselesaikan dengan model Decision Tree dengan nilai akurasi 78.76% dan f1-score sebesar 77.01%. Dilakukan pula pengujian terhadap response time serta SQL query yang digunakan pada setiap endpoint yang bekerja sebagai aktor untuk melakukan distribusi data kepada aplikasi frontend dan aktor untuk melakukan update database. Terakhir, dilakukan pula pengujian terhadap visualisasi data. Pengujian terhadap visualisasi data dilakukan secara kualitatif. Pengujian ini dilakukan dengan menerapkan beberapa tipe visualisasi data untuk tiap business question yang ada. Setelah itu, dilakukan perbandingan pada tiap tipe visualisasi data sehingga mendapatkan visualisasi data yang tepat untuk tiap business question yang ada.

---

XYZ Company implements customized Customer Life Cycle or CLC that fits with company’s needs in order to maintain user loyalty. Not only maintaining user loyalty, XYZ Company implements CLC in order to expand its business. With the help of technology, CLC can be easily analyzed with more depth. Technology that is being used within this research is machine learning. Machine learning is implemented to gain insights from data owned by Company XYZ. While obtaining insights, machine learning use several various methods such as Support Vector Machine, Logistic Regression, Gradient Boosting, Random Forests, and Decision Trees. The insights obtained from machine learning are displayed in the form of data visualization that is applied to website. Examination on the machine learning model was formed with different data balancing techniques. Examination using Undersampling balancing technique along with Decision Tree model gives the highest f1-score value at 88.70%. Examination were also conducted on the response time and SQL queries were also carried out for each endpoint that works as an actor to distribute data to frontend applications and actors to update the database. Finally, examination and comparison is conducted on data visualization using qualitative approach. Moreover, this examination is conducted by applying several types of data visualization for each existing business questions. At the end, comparisons were made for each type of data visualization to get the optimum visualization regarding each business question."

"Perusahaan XYZ menerapkan Customer Life Cycle atau CLC yang sudah disesuaikan dengan kebutuhan perusahaan demi menjaga loyalitas pengguna. Tak hanya menjaga loyalitas, Perusahaan XYZ menerapkan CLC guna memperluas bisnis yang dijalani olehnya. Dengan bantuan teknologi, CLC dapat dengan mudah untuk dianalisis lebih mendalam. Teknologi yang digunakan berupa pembelajaran mesin. Pembelajaran mesin ini diimplementasikan untuk mendapatkan insight dari data yang dimiliki Perusahaan XYZ. Dalam mendapatkan insight tersebut, digunakan beberapa metode seperti Support Vector Machine, Logistic Regression, Gradient Boosting, Random Forest, Decision Tree, dan FPGrowth. Insight yang didapatkan selanjutnya ditampilkan dalam bentuk visualisasi data yang diaplikasikan ke dalam website. Terdapat tiga permasalahan berbeda yaitu prediksi pembeli potensial, prediksi produk yang akan dibeli, dan prediksi waktu pembelian berikutnya. Permasalahan pertama dapat diselesaikan dengan model Logistic Regression dengan f1-score sebesar 76.35%. Permasalahan kedua diselesaikan dengan model FP-Growth dengan nilai minimum support dan confidence sebesar 0.001. Untuk permasalahan ketiga dapat diselesaikan dengan model Decision Tree dengan nilai akurasi 78.76% dan f1-score sebesar 77.01%. Dilakukan pula pengujian terhadap response time serta SQL query yang digunakan pada setiap endpoint yang bekerja sebagai aktor untuk melakukan distribusi data kepada aplikasi frontend dan aktor untuk melakukan update database. Terakhir, dilakukan pula pengujian terhadap visualisasi data. Pengujian terhadap visualisasi data dilakukan secara kualitatif. Pengujian ini dilakukan dengan menerapkan beberapa tipe visualisasi data untuk tiap business question yang ada. Setelah itu, dilakukan perbandingan pada tiap tipe visualisasi data sehingga mendapatkan visualisasi data yang tepat untuk tiap business question yang ada.

---

XYZ Company implements customized Customer Life Cycle or CLC that fits with company’s needs in order to maintain user loyalty. Not only maintaining user loyalty, XYZ Company implements CLC in order to expand its business. With the help of technology, CLC can be easily analyzed with more depth. Technology that is being used within this research is machine learning. Machine learning is implemented to gain insights from data owned by Company XYZ. While obtaining insights, machine learning use several various methods such as Support Vector Machine, Logistic Regression, Gradient Boosting, Random Forests, and Decision Trees. The insights obtained from machine learning are displayed in the form of data visualization that is applied to website. Examination on the machine learning model was formed with different data balancing techniques. Examination using Undersampling balancing technique along with Decision Tree model gives the highest f1-score value at 88.70%. Examination were also conducted on the response time and SQL queries were also carried out for each endpoint that works as an actor to distribute data to frontend applications and actors to update the database. Finally, examination and comparison is conducted on data visualization using qualitative approach. Moreover, this examination is conducted by applying several types of data visualization for each existing business questions. At the end, comparisons were made for each type of data visualization to get the optimum visualization regarding each business question."

"Permintaan global akan produk kecantikan terus tumbuh seiring dengan meningkatnya kesadaran masyarakat dalam menggunakan kosmetik, dengan pertumbuhan 1,45% hingga 3,34% setiap tahunnya. Namun, menyebarnya pandemi COVID-19 secara global pada Desember 2019 mempengaruhi pertumbuhan bisnis tatap muka seperti industri kecantikan yang turun hingga –7,11% pada 2020. Penelitian ini bertujuan untuk menganalisis dampak pandemi COVID-19 terhadap industri kecantikan di Indonesia dan pergeseran segmen konsumen kecantikan selama pandemi. Studi ini mengadopsi kerangka react-cope-adapt (RCA) untuk menyusun periodisasi pandemi COVID-19 di Indonesia. Analisis korelasi digunakan untuk menentukan dampak pandemi COVID-19 terhadap penjualan perusahaan. Selain itu, teknik clustering digunakan untuk mengidentifikasi segmen konsumen dan preferensi produk selama pandemi. Penelitian ini menunjukkan bahwa kasus COVID-19 berkorelasi positif terhadap penjualan perusahaan selama fase react. Korelasi negatif yang kuat antara COVID-19 terhadap pendapatan perusahaan teramati pada fase cope. Pada fase adapt, dampak negatif COVID-19 terhadap penjualan perusahaan mengalami penurunan. Penelitian ini juga mengkonfirmasi adanya pergeseran perilaku pembelian konsumen selama pandemi. Konsumen lebih memilih membeli produk kosmetik secara online daripada offline selama fase react. Pada fase cope, konsumen perlahan mulai membeli secara offline. Konsumen kembali membeli kosmetik secara offline pada fase adapt, sama seperti sebelum pandemi. Hasil clustering menunjukkan tiga segmen konsumen: segmen konsumen loyal, segmen konsumen impulsif, dan segmen konsumen biasa. Selain itu, selama pandemi, konsumen lebih memilih membeli produk perawatan kulit dibandingkan produk make-up akibat kebijakan pemerintah yang menghimbau masyarakat untuk tinggal, bekerja, dan belajar dari rumah. Penelitian ini memiliki implikasi teoretis dan praktis. Secara teoritis, hasil penelitian ini mendukung kegunaan model RCA dan teknik clustering dalam menganalisis perubahan perilaku pembelian konsumen selama masa krisis, seperti pandemi COVID-19. Secara praktis, industri kecantikan dapat mengantisipasi pergeseran ini dengan mempercepat transformasi digital dan fokus terhadap produk yang paling disukai untuk mempertahankan bisnisnya.

---

The global demand for beauty products continues to grow due to raised public awareness of applying cosmetics, with a 1.45 % to 3.34 % growth annually. Unfortunately, the COVID-19 outbreak broke out globally in December 2019, affecting face-to-face businesses such as the beauty industry fall until –7.11 % in 2020. This study aims to analyze the impact of the COVID-19 outbreak on Indonesia’s beauty industry and the shift in the beauty consumer segment during the pandemic. This study adopts the react-cope-adapt (RCA) framework to construct the COVID-19 pandemic periodization in Indonesia. The correlation analysis was used to investigate the impact of the COVID-19 pandemic on the beauty industry. In addition, clustering techniques were employed to identify hidden consumer segments and product preferences throughout the COVID-19 outbreak. The study shows that COVID-19 cases positively impact beauty company’s sales during the reacting phase. A strong negative relationship between COVID-19 and company revenue was observed in the coping phase. In the adapt phase, the negative impact of COVID-19 on the company’s sales has decreased. Our finding also confirms the shift in consumer buying behavior during the pandemic. Consumers prefer to buy cosmetics products online than offline during the reaction phase. In the coping phase, consumers slowly begin to purchase in-store. Finally, consumers return to buying cosmetics offline in the adapting phase, similar to before the pandemic. The clustering results showed three hidden consumer segments: the loyal consumer segment, the impulsive consumer segment, and the regular consumer segment. In addition, during the pandemic, consumers prefer to buy skincare products over make-up products since government policies forced people to stay, work, and study at home. Our study has theoretical and practical implications. Theoretically, our results support the usefulness of the RCA model and clustering techniques in analyzing the change in consumer buying behavior during a time of crisis, such COVID-19 pandemic. Practically, beauty industries can anticipate this shift by accelerating the digital business transformation and focusing on the most preferred product to sustain their business."

"Kualitas pendidikan tinggi di Indonesia merupakan salah satu upaya penting dalam menghasilkan sumber daya manusia unggul yang dapat memberikan manfaat besar bagi negara. Salah satu aspek penilaian yang dapat dijadikan acuan adalah ketepatan waktu lulus mahasiswa serta perkembangan indeks prestasi yang sejalan. Mahasiswa dikatakan lulus tepat waktu jika menyelesaikan studi dalam kurun waktu empat tahun. Saat ini, penelitian terkait prediksi ketepatan waktu lulus mahasiswa di Indonesia masih terbatas, dengan penelitian terakhir hanya mencakup lingkup Universitas Indonesia. Penelitian ini bertujuan untuk membandingkan setidaknya lima model prediksi dan memanfaatkan ensemble learning untuk membangun model yang diinginkan. Metrik yang digunakan sebagai acuan adalah F1-Score, dengan hasil akhir model ensemble learning yang memanfaatkan stacking classifier mencapai nilai 83%. Produk akhir dari penelitian ini adalah sebuah website yang memiliki fitur prediksi dan fitur statistik. Fitur prediksi digunakan untuk memprediksi ketepatan waktu lulus berdasarkan model machine learning yang telah dikembangkan. Fitur statistik menyediakan berbagai visualisasi yang memberikan informasi terkait ketepatan waktu lulus pada tingkat nasional, universitas, dan program studi. Visualisasi yang digunakan mencakup line chart, pie chart, geo chart, dan bar chart, serta menyediakan data mentah untuk informasi yang lebih sederhana.

---

The quality of higher education in Indonesia is a crucial effort in producing superior human resources that can significantly benefit the country. One of the assessment aspects that can be used as a reference is the timeliness of student graduation and the development of a corresponding performance index. Students are considered to graduate on time if they complete their studies within four years. Currently, research related to predicting the timeliness of student graduation in Indonesia is still limited, with the last study covering only the University of Indonesia. This study aims to compare at least five predictive models and utilize ensemble learning to build the desired model. The metric used as a reference is the F1-Score, with the final result of the ensemble learning model utilizing a stacking classifier reaching a score of 83%. The final product of this research is a website featuring both prediction and statistical tools. The prediction feature is used to predict the timeliness of graduation based on the previously developed machine learning model. The statistical feature provides various visualizations that offer information related to graduation timeliness at the national, university, and study program levels. The visualizations used include line charts, pie charts, geo charts, and bar charts, and also provide raw data for simpler information."

"Kualitas pendidikan tinggi di Indonesia merupakan salah satu upaya penting dalam menghasilkan sumber daya manusia unggul yang dapat memberikan manfaat besar bagi negara. Salah satu aspek penilaian yang dapat dijadikan acuan adalah ketepatan waktu lulus mahasiswa serta perkembangan indeks prestasi yang sejalan. Mahasiswa dikatakan lulus tepat waktu jika menyelesaikan studi dalam kurun waktu empat tahun. Saat ini, penelitian terkait prediksi ketepatan waktu lulus mahasiswa di Indonesia masih terbatas, dengan penelitian terakhir hanya mencakup lingkup Universitas Indonesia. Penelitian ini bertujuan untuk membandingkan setidaknya lima model prediksi dan memanfaatkan ensemble learning untuk membangun model yang diinginkan. Metrik yang digunakan sebagai acuan adalah F1-Score, dengan hasil akhir model ensemble learning yang memanfaatkan stacking classifier mencapai nilai 83%. Produk akhir dari penelitian ini adalah sebuah website yang memiliki fitur prediksi dan fitur statistik. Fitur prediksi digunakan untuk memprediksi ketepatan waktu lulus berdasarkan model machine learning yang telah dikembangkan. Fitur statistik menyediakan berbagai visualisasi yang memberikan informasi terkait ketepatan waktu lulus pada tingkat nasional, universitas, dan program studi. Visualisasi yang digunakan mencakup line chart, pie chart, geo chart, dan bar chart, serta menyediakan data mentah untuk informasi yang lebih sederhana.

---

The quality of higher education in Indonesia is a crucial effort in producing superior human resources that can significantly benefit the country. One of the assessment aspects that can be used as a reference is the timeliness of student graduation and the development of a corresponding performance index. Students are considered to graduate on time if they complete their studies within four years. Currently, research related to predicting the timeliness of student graduation in Indonesia is still limited, with the last study covering only the University of Indonesia. This study aims to compare at least five predictive models and utilize ensemble learning to build the desired model. The metric used as a reference is the F1-Score, with the final result of the ensemble learning model utilizing a stacking classifier reaching a score of 83%. The final product of this research is a website featuring both prediction and statistical tools. The prediction feature is used to predict the timeliness of graduation based on the previously developed machine learning model. The statistical feature provides various visualizations that offer information related to graduation timeliness at the national, university, and study program levels. The visualizations used include line charts, pie charts, geo charts, and bar charts, and also provide raw data for simpler information."

"Kualitas pendidikan tinggi di Indonesia merupakan salah satu upaya penting dalam menghasilkan sumber daya manusia unggul yang dapat memberikan manfaat besar bagi negara. Salah satu aspek penilaian yang dapat dijadikan acuan adalah ketepatan waktu lulus mahasiswa serta perkembangan indeks prestasi yang sejalan. Mahasiswa dikatakan lulus tepat waktu jika menyelesaikan studi dalam kurun waktu empat tahun. Saat ini, penelitian terkait prediksi ketepatan waktu lulus mahasiswa di Indonesia masih terbatas, dengan penelitian terakhir hanya mencakup lingkup Universitas Indonesia. Penelitian ini bertujuan untuk membandingkan setidaknya lima model prediksi dan memanfaatkan ensemble learning untuk membangun model yang diinginkan. Metrik yang digunakan sebagai acuan adalah F1-Score, dengan hasil akhir model ensemble learning yang memanfaatkan stacking classifier mencapai nilai 83%. Produk akhir dari penelitian ini adalah sebuah website yang memiliki fitur prediksi dan fitur statistik. Fitur prediksi digunakan untuk memprediksi ketepatan waktu lulus berdasarkan model machine learning yang telah dikembangkan. Fitur statistik menyediakan berbagai visualisasi yang memberikan informasi terkait ketepatan waktu lulus pada tingkat nasional, universitas, dan program studi. Visualisasi yang digunakan mencakup line chart, pie chart, geo chart, dan bar chart, serta menyediakan data mentah untuk informasi yang lebih sederhana.

---

The quality of higher education in Indonesia is a crucial effort in producing superior human resources that can significantly benefit the country. One of the assessment aspects that can be used as a reference is the timeliness of student graduation and the development of a corresponding performance index. Students are considered to graduate on time if they complete their studies within four years. Currently, research related to predicting the timeliness of student graduation in Indonesia is still limited, with the last study covering only the University of Indonesia. This study aims to compare at least five predictive models and utilize ensemble learning to build the desired model. The metric used as a reference is the F1-Score, with the final result of the ensemble learning model utilizing a stacking classifier reaching a score of 83%. The final product of this research is a website featuring both prediction and statistical tools. The prediction feature is used to predict the timeliness of graduation based on the previously developed machine learning model. The statistical feature provides various visualizations that offer information related to graduation timeliness at the national, university, and study program levels. The visualizations used include line charts, pie charts, geo charts, and bar charts, and also provide raw data for simpler information."

"Mahasiswa drop out memiliki dampak negatif untuk mahasiswa serta perguruan tinggi. Mahasiswa dikatakan drop out apabila mahasiswa tersebut belum dapat menyelesaikan masa studinya dalam rentang waktu yang telah ditentukan. Data mengenai status penyelesaian serta data akademis mahasiswa terekap pada Pangkalan Data Pendidikan Tinggi (PDDikti). Berdasarkan data tersebut, mahasiswa drop out pada tahun 2019 mencapai 602.208 mahasiswa atau 7% dari total mahasiswa. Penelitian menggunakan data PDDikti untuk memprediksi drop out telah dilakukan untuk mahasiswa yang telah mencapai tujuh tahun masa studi. Namun, belum terdapat sistem berbasis web yang dapat memprediksi mahasiswa drop out menggunakan data semester yang lebih sedikit dan visualisasi yang menggambarkan mahasiswa drop out berdasarkan data yang diperoleh dari PDDikti melalui API tertentu. Penelitian ini membandingkan empat model pembelajaran mesin untuk memprediksi drop out dimana model CatBoost dengan teknik undersampling edited nearest neighbors merupakan classifier terbaik untuk memprediksi drop out dengan f1-score sebesar 64.23%. Selain itu, penelitian ini berhasil mengimplementasi sistem berbasis web yang dapat digunakan untuk melakukan visualisasi data berdasarkan API yang digunakan untuk memperoleh data dari PDDikti dan juga prediksi mahasiswa yang berpotensi drop out berdasarkan data dari PDDikti. Visualisasi mahasiswa drop out berhasil divisualisasi dengan menggunakan diagram sankey, diagram geo, dan diagram bar. Perolehan data dapat dilakukan menggunakan query data dengan API yang dibuat menggunakan Express.js dan Flask.

---

Dropped out student giving negative impact to the student itself and also university. A student is said to have dropped out if they can’t complete their studies within the specified timeframe. Data regarding completion status as well as student academic data are recorded in Higher Education Database (PDDikti). Based on these data, the drop out students in 2019 reached 602,208 students or 7% of the total student. Research using PDDikti data to predict drop out has been conducted for students who have reached seven years of study. However, there is no web-based system that could predict drop out student using data with fewer semesters and visualizations portraying dropout students based on PDDikti data through particular API. This study compares four machine learning models to predict drop outs where CatBoost model with undersampling edited nearest neighbors technique is the best classifier to predict drop outs with an f1-score of 64.23%. Other than that, this study succeeded to implement web-based system that could visualize PDDikti data through API and to predict potential students dropping out based on PDDikti data. The visualization of drop out students was successfully visualized using Sankey diagrams, geo diagrams, and bar charts. Data retrieval can be done using data queries with APIs created using Express.js and Flask"

"Mahasiswa drop out memiliki dampak negatif untuk mahasiswa serta perguruan tinggi. Mahasiswa dikatakan drop out apabila mahasiswa tersebut belumdapat menyelesaikan masa studinya dalam rentang waktu yang telah ditentukan. Data mengenai status penyelesaian serta data akademis mahasiswa terekappada Pangkalan Data Pendidikan Tinggi (PDDikti). Berdasarkan data tersebut, mahasiswa drop out pada tahun 2019 mencapai 602.208 mahasiswa atau 7% dari total mahasiswa. Penelitian menggunakan data PDDikti untuk memprediksi drop out telah dilakukan untuk mahasiswa yang telah mencapai tujuh tahun masastudi. Namun, belum terdapat sistem berbasis web yang dapat memprediksi mahasiswa drop out menggunakan data semester yang lebih sedikit dan visualisasi yang menggambarkan mahasiswa drop out berdasarkan data yang diperoleh dari PDDikti melalui API tertentu. Penelitian ini membandingkan empatmodel pembelajaran mesin untuk memprediksi drop out dimana model CatBoost dengan teknik undersampling edited nearest neighbors merupakan classifierterbaik untuk memprediksi drop out dengan f1-score sebesar 64.23%. Selain itu, penelitian ini berhasil mengimplementasi sistem berbasis web yang dapat digunakan untuk melakukan visualisasi data berdasarkan API yang digunakan untuk memperoleh data dari PDDikti dan juga prediksi mahasiswa yang berpotensi drop out berdasarkan data dari PDDikti. Visualisasi mahasiswa drop out berhasil divisualisasi dengan menggunakan diagram sankey, diagram geo, dan diagram bar. Perolehan data dapat dilakukan menggunakan query data dengan API yang dibuat menggunakan Express.js dan Flask.

---

Dropped out student giving negative impact to the student itself and also university. A student is said to have dropped out if they can’t complete their studies within the specified timeframe. Data regarding completion status as well as student academic data are recorded in Higher Education Database (PDDikti). Based on these data, the drop out students in 2019 reached 602,208 students or 7% of the total student. Research using PDDikti data to predict drop out has been conducted for students who have reached seven years of study. However, there is no web-based system that could predict drop out student using data with fewer semesters and visualizations portraying dropout students based on PDDikti data through particular API. This study compares four machine learning models to predict drop outs where CatBoost model with undersampling edited nearest neighbors technique is the best classifier to predict drop outs with an f1-score of 64.23%. Other than that, this study succeeded to implement web-based system that could visualize PDDikti data through API and to predict potential students dropping out based on PDDikti data. The visualization of drop out students was successfully visualized using Sankey diagrams, geo diagrams, and bar charts. Data retrieval can be done using data

queries with APIs created using Express.js and Flask."

"Mahasiswa drop out memiliki dampak negatif untuk mahasiswa serta perguruan tinggi. Mahasiswa dikatakan drop out apabila mahasiswa tersebut belum dapat menyelesaikan masa studinya dalam rentang waktu yang telah ditentukan. Data mengenai status penyelesaian serta data akademis mahasiswa terekap pada Pangkalan Data Pendidikan Tinggi (PDDikti). Berdasarkan data tersebut, mahasiswa drop out pada tahun 2019 mencapai 602.208 mahasiswa atau 7% dari total mahasiswa. Penelitian menggunakan data PDDikti untuk memprediksi drop out telah dilakukan untuk mahasiswa yang telah mencapai tujuh tahun masa studi. Namun, belum terdapat sistem berbasis web yang dapat memprediksi mahasiswa drop out menggunakan data semester yang lebih sedikit dan visualisasi yang menggambarkan mahasiswa drop out berdasarkan data yang diperoleh dari PDDikti melalui API tertentu. Penelitian ini membandingkan empat model pembelajaran mesin untuk memprediksi drop out dimana model CatBoost dengan teknik undersampling edited nearest neighbors merupakan classifier terbaik untuk memprediksi drop out dengan f1-score sebesar 64.23%. Selain itu, penelitian ini berhasil mengimplementasi sistem berbasis web yang dapat digunakan untuk melakukan visualisasi data berdasarkan API yang digunakan untuk memperoleh data dari PDDikti dan juga prediksi mahasiswa yang berpotensi drop out berdasarkan data dari PDDikti. Visualisasi mahasiswa drop out berhasil divisualisasi dengan menggunakan diagram sankey, diagram geo, dan diagram bar. Perolehan data dapat dilakukan menggunakan query data dengan API yang dibuat menggunakan Express.js dan Flask.

---

Dropped out student giving negative impact to the student itself and also university. A student is said to have dropped out if they can’t complete their studies within the specified timeframe. Data regarding completion status as well as student academic data are recorded in Higher Education Database (PDDikti). Based on these data, the drop out students in 2019 reached 602,208 students or 7% of the total student. Research using PDDikti data to predict drop out has been conducted for students who have reached seven years of study. However, there is no web-based system that could predict drop out student using data with fewer semesters and visualizations portraying dropout students based on PDDikti data through particular API. This study compares four machine learning models to predict drop outs where CatBoost model with undersampling edited nearest neighbors technique is the best classifier to predict drop outs with an f1-score of 64.23%. Other than that, this study succeeded to implement web-based system that could visualize PDDikti data through API and to predict potential students dropping out based on PDDikti data. The visualization of drop out students was successfully visualized using Sankey diagrams, geo diagrams, and bar charts. Data retrieval can be done using data queries with APIs created using Express.js and Flask."

"Perusahaan IAPS telah meluncurkan berbagai aplikasi, salah satunya ialah aplikasi Indosat Imkas dan Pede (Ponsel Duit) (berikutnya disebut aplikasi). Permasalahannya ialah masih terdapat sembilan belas persen pengguna valid yang tidak bertransaksi tiap bulan di aplikasi untuk mencapai target yaitu dua puluh persen pengguna valid bertransaksi tiap bulan di aplikasi. Dapat terjadi perubahan strategi bisnis apabila gagal mencapai target dan mengalami kerugian secara finansial. Peneliti menemukan satu masalah yang berdampak paling signifikan yaitu pemberian informasi dan promosi yang tidak berjalan efektif. Diperlukan teknik data mining dan klasifikasi churn yang menggunakan pemelajaran mesin untuk memprediksi pengguna yang tepat untuk pemberian informasi dan promosi. Pertanyaan penelitian ini adalah apa model pemelajaran mesin terbaik dalam melakukan prediksi pengguna yang churn dan loyal. Selain itu, apa faktor-faktor yang mempengaruhi keputusan pelanggan untuk churn dan loyal. Penelitian ini menghasilkan model yang dikembangkan menggunakan mesin pemelajaran dengan pengawasan menggunakan classifier Random Forest merupakan model pemelajaran mesin dengan performa terbaik untuk melakukan klasifikasi dan prediksi pengguna yang churn dan loyal. Selain itu, data ulasan pelanggan Google playstore yang di klasifikasikan kedalam push-pull classification dapat meningkatkan performa classifier. Beberapa fitur yang memengaruhi keputusan churn pelanggan yaitu “debetKreditRatio”, “push_service”. Kedua fitur itu berkaitan erat dengan tingkat layanan di aplikasi, semakin tinggi tingkat layanan yang diterima pengguna maka peluang akan churn rendah. Organisasi hendaknya membuat strategi untuk meningkatkan nilai “debetKreditRatio” dan “push service”. Selanjutnya organisasi dapat mengembangkan strategi retensi untuk pemberian informasi dan promosi yang berbeda untuk pelanggan yang akan churn dan loyal.

---

The IAPS company has has launched various applications, including the Indosat Imkas and Pede (Ponsel Duit) applications (from now on referred to as applications). The problem is that there is still nineteen percent of valid users who do not transact every month on the application to achieve the target, which is twenty percent of valid users who transact every month on the application. There can be a change in business strategy if it fails to achieve the target and suffers a financial loss. The researcher found one problem that had the most significant impact, namely promotions that did not work effectively. Data mining and churn classification techniques are required that use machines learning to predict the right users for targeted promotions or other strategies. The research question is what is the best machine learning model in predicting churn and loyal users. In addition, another research question is what are the factors that influence the customer's decision to churn and be loyal. This study resulted in a model developed using a supervised learning machine using the Random Forest classifier, which is the best-performing machine learning model for classifying and predicting churn and loyal users. In addition, customer reviews from Google play store data classified into a push-pull classification can also improve the classifier's performance. Several features affect customer churn decisions, namely "debetKreditRatio," "push_service." Both features are closely related to the level of service in the application. The higher the level of service the user receives, the lower the chance of churn. Organizations should develop strategies to increase the value of the "debit credit ratio" and "push service." Furthermore, the organization can develop different promotional approaches for customers who will churn and be loyal."