Hasil Pencarian  ::  Simpan CSV :: Kembali

"Masalah terbesar yang terjadi di industri telekomunikasi saat ini adalah meningkatnya churn rate pelanggan.Hal ini adalah masalah yang sangat penting yang harus diselesaikan oleh perusahaan karena pelanggan yang berhenti akan berdampak pada revenue terhadap perusahaan. Penggunaan model machine learning tentunya akan dapat membantu untuk memprediksi tren pelanggan dan membuat keputusan yang tepat di masa mendatang. Untuk mendapatkan hasil yang baik, penelitian ini dianalisis dengan satu algoritma yang belum pernah dianalisis dalam studi sebelumnya untuk membuat prediksi, yaitu Deep Neural Network (D-NN). D-NN dibandingkan dengan model yang telah diuji pada penelitian sebelumnya, Random Forest dan Extreme Gradient Boosting (XGBoost). Penelitian ini menganalisis feature importance, hal ini akan membantu untuk melakukan retensi yang tepat terhadap pelanggan dengan mengetahui fitur yang berpengaruh, dan menyederhanakan proses pengumpulan data. Model yang diusulkan dilatih dan diuji melalui Google Colaboratory menggunakan TensorFlow backend. Pengujian yang telah dilakukan menghasilkan hasil yang sangat baik untuk model Deep Neural Network (D-NN), dengan proses 68 detik dan akurasi 80,62%. Extreme Gradient Boosting (XGBoost) menghasilkan akurasi 76,45% dengan waktu pemrosesan 175 detik, dan Random Forest menghasilkan 77,87% dengan waktu pemrosesan yang cukup lama hingga 529 detik.

---

The biggest problem that occurs in the telecommunication industry is increased level of customer churn. This is a very important problem that must be resolved by the company because customers who stop will have an impact on company retention. The usage of the machine learning model will certainly be able to help to predict customer trends and making precise decisions in the future. To get good results, this study is analyzed with one algorithm that had never been analyzed in previous studies to make predictions, namely Deep Neural Network (D-NN). D-NN compared to models that have been tested before, Random Forest and Extreme Gradient Boosting (XGBoost). This research analyzed the importance of the features, the handling toward the selection of appropriate features, and simplified the process of gathering data. The proposed model was trained and tested over Google Colaboratory using TensorFlow backend. The testing that has been done produces very good results for the Deep Neural Network (D-NN) model, with a process of 68 seconds and an accuracy of 80.62%. Extreme Gradient Boosting (XGBoost) produces 76.45% accuracy with a processing time of 175 seconds, and random forest produces 77.87% with a sufficiently long processing time of up to 529 seconds."

"Selama beberapa tahun terakhir, margin laba operasi dari operator jasa layanan telekomunikasi di Indonesia semakin berkurang. Situasi ini dominan dipicu oleh perang harga agresif yang dilakukan oleh semua operator untuk mendapatkan pelanggan baru. Oleh karena itu, suatu customer churn prediction modelling diperlukan untuk memetakan pelanggan dengan lebih baik agar strategi program retensi pelanggan dapat dieksekusi seefisien mungkin tanpa mengorbankan efektivitasnya. Penelitian ini bertujuan untuk memperoleh bukti empiris dan membangun customer churn prediction modelling dari berbagai faktor independen yang secara langsung maupun tidak langsung mempengaruhi pengambilan keputusan pelanggan untuk churn atau bertahan di sebuah operator jasa layanan telekomunikasi tertentu. Data penelitian yang digunakan fokus untuk memanfaatkan data sekunder dari penggunaan, perilaku, dan data demografis pelanggan dari sebuah operator jasa layanan telekomunikasi. Sampel diuji menggunakan analisis regresi logistik untuk melatih dan menghasilkan customer churn prediction modelling akhir yang relevan dengan karakteristik pelanggan telekomunikasi saat ini.

---

For several years, the operating profit margin of telecommunication operator in Indonesia have been diminished. The situation is mainly triggered by aggressive price war deployed by all operators to acquire new customers. Hence, the customer churn prediction modelling is needed to map customer better and make the retention program strategy as efficient as possible yet without comprimising its effectiveness. This research aims to obtain empirical evidence and build customer churn prediction modelling from various independent factors that possibly affect the decision making of customer to churn or retain at certain telecommunication provider in Indonesia. The research data are mainly focus in utilizing secondary data of real customer's usage, behaviour, and demographic data from a telecommunication company. The samples were tested using logistic regression analysis to train and produce final churn prediction model which relevant to current customer's characteristic at telecommunication industry."

"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."

"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."

"Pembangunan Ibu Kota Negara yang terletak di Kalimantan Timur menjadi proyek besar pemerintah dengan anggaran biaya Rp 466 Triliun. Untuk menjamin efisiensi biaya konstruksi dari proyek ini, diperlukan pendekatan estimasi biaya yang baik. Namun estimasi biaya dalam konstruksi di Indonesia saat ini masih didominasi metode konvensional yang masih memiliki kekurangan dalam hal akurasi maupun waktu pemantauan. Oleh karena itu, penelitian ini dilakukan dengan tujuan untuk mengembangkan model machine learning untuk memprediksi estimate at completion biaya konstruksi sebagai alternatif dari metode konvensional. Penelitian ini dilakukan dengan metode analisis studi literatur dan benchmarking dari penelitian yang telah ada untuk menjalankan simulasi model menggunakan perangkat lunak RapidMiner yang kemudian akan divalidasi oleh narasumber pakar melalui wawancara. Diperoleh hasil bahwa model terbaik didapat menggunakan algoritma neural network. Dari simulasi model tersebut dengan menggunakan data dari salah satu proyek pembangunan jalan raya di Ibu Kota Negara, didapat hasil output berupa prediksi penghematan sebesar 17,8% dari nilai budget at completion proyek. Hasil dari prediksi model tersebut menghasilkan output yang lebih konservatif apabila diperbandingkan dengan metode konvension menggunakan formula estimate at completion biaya.

---

The development of the National Capital City located in East Kalimantan has become a major government project with a budget of IDR 466 trillion. To ensure cost efficiency in the construction of this project, a good cost estimation approach is required. However, cost estimation in construction in Indonesia is currently dominated by conventional methods that still have shortcomings in terms of accuracy and monitoring time. Therefore, this research is conducted with the aim of developing a machine learning model to predict the estimate at completion of construction costs as an alternative to conventional methods. The research is carried out through the analysis of literature studies and benchmarking from existing research to execute a simulation model using the RapidMiner software, which will then be validated by expert informants through interviews. The results indicate that the best model is obtained by using neural network algorithm. From the simulation model using data from one of the road construction projects in the National Capital City, the output shows a predicted savings of 17.8% from the project’s budget at completion value. This model prediction produce a more conservative result than conventional methods of estimating costs at completion."

"Istilah Sick Building Syndrome (SBS) digunakan untuk menjelaskan situasi dimana penghuni bangunan mengalami efek kesehatan dan kenyamanan akut yang berhubungan dengan waktu yang dihabiskan di dalam bangunan. Indoor Air Quality (IAQ) atau kualitas udara dalam ruangan menjadi perhatian karena rata-rata manusia menghabiskan waktunya 90% di dalam ruangan. Maka dari itu, diperlukan pertukaran udara yang memadai dalam sebuah bangunan. Sistem HVAC merupakan peralatan yang dapat memberikan pemanasan, pendinginan, penyaringan udara luar ruangan, dan kontrol kelembaban untuk menjaga kenyamanan. Perkembangan teknologi di era industri 4.0 semakin memudahkan manusia, tidak terkecuali pada bidang konstruksi. Pada penelitian ini, akan dipelajari pengembangan machine learning untuk memprediksi desain sistem HVAC agar memenuhi parameter IAQ pada bangunan sehat di Indonesia. Tinjauan literatur mengenai parameter IAQ pada bangunan sehat dari berbagai sumber dilakukan untuk mengidentifikasi kesamaan dan kesenjangan parameter pada bangunan sehat dengan parameter yang berlaku di Indonesia. Tinjauan literatur menghasilkan parameter kualitas udara dalam ruangan untuk konsep bangunan sehat di Indonesia. Rapidminer digunakan untuk pembuatan empat buah model dan model divalidasi dengan metode Mean Absolute Error (MAE) dan confusion matrix. Model prediksi beban pendingin memiliki kesalahan relatif sebesar 1,11%. Model prediksi jenis chiller memiliki kesalahan relatif sebesar 3,33%. Model prediksi jenis AHU memiliki kesalahan relatif sebesar 10%. Model prediksi luas filter memiliki kesalahan relatif sebesar 1,22%.

---

The term Sick Building Syndrome (SBS) is used to describe situations in which building occupants experience acute health and comfort effects related to time spent in a building. Indoor Air Quality (IAQ) is a concern because the average human spends 90% of his time indoors. Therefore, adequate air exchange is needed in a building. HVAC systems are equipment that can provide heating, cooling, outdoor air filtration, and humidity control to maintain comfort. Technological developments in the industrial era 4.0 have made it easier for humans, including the construction sector. In this study, we will study the development of machine learning to predict the design of the HVAC system to meet the IAQ parameters in healthy buildings in Indonesia. Literature review regarding IAQ parameters in healthy buildings from various sources was carried out to identify similarities and gaps in parameters in healthy buildings with parameters that apply in Indonesia. The literature review resulted in indoor air quality parameters for the concept of healthy buildings in Indonesia. Rapidminer is used for the manufacture of four models and the model is validated by the Mean Absolute Error (MAE) and confusion matrix methods. The cooling load prediction model has a relative error of 1.11%. The chiller type prediction model has a relative error of 3.33%. The AHU type prediction model has a relative error of 10%. The filter area prediction model has a relative error of 1.22%."

"Seiring dengan kemajuan teknologi, fase konstruksi dan pembangunan mengalami perkembangan yang cukup pesat secara signifikan dalam mempersingkat waktu desain konstruksi. Proses desain bangunan hijau yang memakan waktu lebih lama daripada bangunan konvensional membuat industri konstruksi diharapkan mampu menemukan cara alternatif dengan alat desain terkomputerisasi yang efisien. Salah satunya dengan penerapan teknologi dengan menggunakan pembelajaran mesin. Tujuan dari penelitian ini adalah untuk menyelidiki persiapan data bangunan hijau untuk digunakan dalam alat desain berbasis pembelajaran mesin yang diusulkan agar lebih akurat dalam memprediksi variabel bangunan hijau khususnya kualitas lingkungan dalam ruangan daripada metode desain konvensional. Tinjauan literatur tentang bangunan hijau, serta pembelajaran mesin dalam konstruksi dilakukan untuk mengidentifikasi topik penelitian yang sedang dilakukan. Data umum tersebut dikuantifikasi, dianalisis, dan diproses untuk digunakan dalam model desain bangunan hijau yang dikembangkan menggunakan algoritma dan pemrograman artificial neural network dan support vector regression. Konsep pengembangan model ini menunjukkan bahwa alat desain akan membantu mengambil keputusan dalam memprediksi variabel bangunan hijau secara kuantitatif dengan akurasi yang memadai. Metode yang diambil sebagai model terbaik dalam penelitian ini adalah model dengan algoritma support vector regression.

---

Along with technological advances, the construction and development phases have developed quite rapidly, significantly shortening the construction design time. The green building design process which takes longer than conventional buildings makes the construction industry expected to be able to find alternative ways with efficient computerized design tools. One of them is by applying technology using machine learning. The aim of this study is to investigate the preparation of green building data for use in a machine learning-based design tool which is proposed to be more accurate in predicting green building variables especially indoor environmental quality than conventional design methods. A review of the literature on green building, as well as machine learning in construction was conducted to identify the topic of the research being carried out. The general data is quantified, analyzed, and processed to be used in a green building design model developed using algorithms and programming artificial neural networks and support vector regression. The concept of developing this model shows that design tools will help make decisions in predicting green building variables quantitatively with sufficient accuracy. The method taken as the best model in this study is a model with a support vector regression algorithm."

"Dengan ketatnya persaingan pada Industri asuransi kendaraan bermotor dan besarnya kemungkinan hilangnya pelanggan (customer churn), perusahaan dituntut untuk semakin memperhatikan pengelolaan hubungan pelanggan. Faktanya mempertahankan pelanggan dinilai lebih efisien secara sumber daya dibanding jika harus mencari pelanggan baru. Dengan perkembangan teknik pengelolaan (CRM) dan besarnya pertumbuhan data yang ada, kemungkinan untuk menganalisa perilaku pelanggan dan mengurangi terjadinya churn dapat dilakukan dengan analisa big data dan machine learning. Dalam penelitian ini, algoritma machine learning dalam membuat model terbaik yang dapat memprediksi churn pada pelanggan. Data yang digunakan merupakan 27.013 data transaksi pembelian dari PT. Asuransi XYZ yang merupakan salah satu perusahaan asuransi otomotif terbesar di Indonesia. Setelah melakukan eksplorasi dan descriptive analytics, peneliti membandingkan akurasi antara logistic regression, decision tree, dan random forest dalam memprediksi churn pada pelanggan. Ditemukan bahwa random forest memiliki skor akurasi total terbaik yaitu 87.74% diikuti dengan decision tree dan logistic regression. Lebih lanjut lagi, tenure, presentase komisi, dan jumlah premi adalah feature yang paling penting dari model. Hasil dari penelitian diharapkan dapat membantu perusahaan dalam mengurangi churn pada pelangan dengan memprediksi lebih awal dan membuat kampanye retensi pelanggan yang tepat

---

With the tightness of the competition in auto insurance market and the possibilities of company loss because of customer churning, insurer company should put more concern in customer relationship management. Moreover, there is fact of acquiring new costumers is more expensive than retaining one. Fortunately, due to current advancement in CRM and vast growth of data provided, the possibilities to learn customer behavior from the data is becoming feasible to retain the customer. This research purpose is to used machine learning algorithm to build model provide best accuracy to predict customer churn. We use 27.013 transaction data from XYZ Insurance Ltd, one of major auto-insurer in Indonesia. After exploring the data with the descriptive analysis, we conduct predictive analysis model with logistic regression, decision tree, and random forest to determine which algorithm give the best accuracy. This research found that random forest model has highest accuracy score (87,74%) followed by decision tree and logistic regression. Furthermore, tenure, percentage of commision, and amount of premium are the most feature that impacting customer churn. This result could help insurer company to reducing customer churn by creating right marketing campaign to retain customers."

"Saat ini kompetisi di industri telekomunikasi semakin ketat. Perusahaan telekomunikasi yang dapat tetap menghasilkan banyak keuntungan yaitu perusahaan yang mampu menarik dan mempertahankan pelanggan di pasar yang sangat kompetitif dan semakin jenuh. Hal ini menyebabkan perubahan strategi banyak perusahaan telekomunikasi dari strategi 'growth '(ekspansi) menjadi 'value added services'. Oleh karena itu, program mempertahankan pelanggan ('customer retention') saat ini menjadi bagian penting dari strategi perusahaan telekomunikasi. Program tersebut diharapkan dapat menekan 'churn' 'rate 'atau tingkat perpindahan pelanggan ke layanan/produk yang disediakan oleh perusahaan kompetitor. Program mempertahankan pelanggan ('customer retention') tersebut tentunya juga diimplementasikan oleh PT Telekomunikasi Indonesia, Tbk (Telkom) sebagai perusahaan telekomunikasi terbesar di Indonesia. Program tersebut diterapkan pada berbagai produk Telkom, salah satunya Indihome yang merupakan 'home services' berbasis 'subscriber' berupa layanan internet, telepon, dan TV interaktif. Melalui kajian ini, penulis akan menganalisa penyebab 'churn' pelanggan potensial produk Indihome tersebut, sehingga Telkom dapat meminimalisir angka 'churn' dengan melakukan program 'customer retention' melalui 'caring' yang tepat. Mengingat ukuran 'database' pelanggan Indihome yang sangat besar, penulis akan menganalisis data pelanggan tersebut menggunakan metoda 'Big Data Analytics'. 'Big Data' merupakan salah satu metode pengelolaan data yang sangat besar dengan pemetaan dan 'processing' data. Melalui berbagai bentuk 'output', implementasi 'big data' pada perusahaan akan memberikan 'value' yang lebih baik dalam pengambilan keputusan berbasis data.

---

Nowadays, telecommunication industry is very competitive. Telecommunication companies that can make a lot of profit is the one who can attract and retain customers in this highly competitive and increasingly saturated market. This causes change of the strategy of telecommunication companies from growth strategy toward value added services. Therefore, customer retention program is becoming very important in telecommunication companies strategy. This program hopefully can reduce churn rate or loss of potential customers due to the shift of customers to other similar products.

Customer retention program also implemented by PT Telekomunikasi Indonesia, Tbk (Telkom) as the leading telecommunication company in Indonesia. Customer retention program implemented for many Telkom products, including Indihome, a home services based on subscriber which provide internet, phone, and interactive TV. Through this study, the authors will analyze the cause of churn potential customers Indihome product, so that Telkom can minimize the churn number by doing customer retention program through the efficient caring.

Given by huge customer database the author will analyze using Big Data analytics method. Big Data is one method in data management that contain huge data, by mapping and data processing. Through various forms of output, big data implementation on the organization will provide better value in data-based decision making."

"Walaupun machine learning semakin umum digunakan pada berbagai bidang, mempercayakan sebuah kotak hitam untuk mengambil keputusan yang krusial, seperti keputusan terkait bidang kesehatan dan hukum, merupakan hal yang beresiko. Karena hal ini, merupakan ide yang baik jika terdapat suatu model machine learning yang mekanisme pengambilan keputusannya dapat diinterpretasikan oleh penggunanya untuk menjelaskan keputusan yang diambil. Dengan motivasi ini, tugas akhir ini akan berfokus pada studi lanjut mengenai model interpretable machine learning berbasis MaxSAT, yaitu MLIC dan IMLI. MLIC merupakan sebuah model interpretable machine learning berbasis MaxSAT yang mekanisme di dalamnya dapat terlihat secara transparan melalui rule berbentuk CNF dan DNF yang dihasilkan. Akan tetapi, performa waktu training model ini sangat buruk. Untuk mengatasi hal ini, IMLI dikembangkan dengan cara memodifikasi MLIC menggunakan sifat incremental. Hal ini berhasil meningkatkan waktu training MLIC dengan pengorbanan akurasi yang cukup kecil. Melalui studi lanjut ini, tugas akhir ini kemudian akan memaparkan perbandingan akurasi IMLI dengan cara mengganti metode diskretisasi fitur kontinu di dalamnya, dari diskretisasi berbasis quantile 10 bin menjadi diskretisasi berbasis entropi. Dari eksperimen yang dilakukan, diperoleh hasil bahwa IMLI memiliki performa waktu training hingga 1000 kali lebih baik daripada MLIC dengan pengorbanan akurasi tes secara rata-rata sebesar 1.47%. Kemudian, penggunaan diskretisasi berbasis entropi menghasilkan akurasi tes 2.67% lebih baik secara rata-rata dibandingkan diskretisasi berbasis quantile 10 bin pada IMLI. Uji statistik menunjukkan bahwa pengorbanan akurasi yang terjadi pada IMLI secara umum tidak signifikan. Terkait ukuran rule yang dihasilkan, diperoleh perubahan yang bervariasi tergantung dataset yang digunakan, baik antara MLIC dan IMLI maupun antara diskretisasi berbasis quantile dan entropi. Terakhir, tugas akhir ini juga akan memaparkan koreksi pengaruh banyak partisi terhadap waktu training yang sebelumnya dipaparkan pada paper IMLI.

---

Despite the wide adoption of machine learning in various domains, trusting a black-box machine learning model to make critical decisions, e.g. in medical and law, might be too risky. Thus, having a transparent machine learning model whose decision-making mechanism is easy to understand by humans is increasingly becoming a requirement. Motivated by this, this bachelor’s thesis conducts a thorough study about the MaxSAT- based interpretable machine learning model, namely MLIC and IMLI. MLIC is a MaxSAT-based interpretable machine learning model whose mechanism is transparent by its generated CNF and DNF rules. However, it suffers from poor training time performance. To overcome this, an incremental version of MLIC, namely IMLI, was developed. IMLI has a far better training time performance with a slight sacrifice on its accuracy. This bachelor’s thesis then compares IMLI accuracy by changing its discretization method from the 10-bin quantile-based discretization to the entropy-based discretization. The conducted empirical studies show that IMLI has better training time performance, up to 1000 times better than MLIC with 1.47% sacrifice of test accuracy on average. It also shows that the entropy-based discretization results in 2.67% higher test accuracy on average compared to the 10-bin quantile-based discretization in IMLI. Test statistic shows that the sacrifice of accuracy in IMLI is insignificant. For the rule size, it shows that the choice of model and its discretization has various effects across the datasets. Lastly, this bachelor’s thesis explains a correction on the effect of partitions to training accuracy that is reported in the IMLI paper."