Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pemelajaran mesin dikenal sangat berguna dalam menyelesaikan permasalahan prediksi dan klasifikasi melalui pembelajaran pola dan perilaku data yang tersedia. Oleh karena itu, pemelajaran mesin dapat dimanfaatkan di berbagai bidang kehidupan dan industri modern. Namun, kinerja pemelajaran mesin sangat tergantung dari model pemelajaran mesin yang digunakan maupun dari kualitas data yang digunakan untuk pemelajaran. Data yang tidak bersih, tidak representatif, dan ketersediaannya terbatas akan mengurangi kualitas hasil prediksinya.Penelitian ini bertujuan untuk menguji kombinasi beberapa metode pemrosesan data (yaitu MissForest, GAIN, ENN, dan TabGAN oversampling) dengan model pembelajaran mesin (yaitu model CatBoost dan model klasifikasi biner berbasis neural network) untuk memprediksi kasus mahasiswa putus studi di beberapa universitas di Indonesia menggunakan data dari PDDikti. Penambahan fitur dilakukan untuk memberi label bidang studi terhadap dataset tersebut. Selain penambahan fitur seleksi fitur relevan menggunakan korelasi Pearson serta feature importances juga dilakukan setelah pelatihan model awal. Google Colab dengan bahasa pemrograman Python digunakan untuk menjalankan algoritma pemrosesan data dan pelatihan model.Hasil penelitian menunjukkan bahwa model CatBoost dengan kombinasi metode imputasi GAIN, undersampling ENN, dan tanpa fitur kelompok bidang studi memberikan F1-score tertinggi yaitu 66,38% dengan nilai precision 71,75% dan nilai recall 61,76%. Apabila digunakan model klasifikasi biner pemelajaran dalam akan didapatkan metrik terbaik F1-score 62,32%. Hasil terbaik penelitian ini menunjukkan peningkatan F1-score sebesar 2,15% dibandingkan dengan F1-score pada penelitian sebelumnya yang menggunakan model CatBoost bersama kombinasi Missforest dan ENN tanpa fitur kelompokbidang studi. Penelitian ini menunjukkan bahwa oversampling dan undersampling memberikan dampak yang berlawanan terhadap metrik precision dan recall. Penelitian juga menemukan seleksi fitur dapat meningkatkan kinerja model namun tidak berdampak besar dibandingkan teknik-teknik lain misalnya balancing dan optimisasi hyperparameter.

---

Machine learning is known to be very useful in solving prediction and classification problems

by learning the patterns and behavior of available data. Therefore, machine learning can be utilized in various areas of modern life and industry. However, the performance of machine learning is highly dependent on the machine learning model used as well as on the quality of the data used for learning. Data that is not clean, not representative, and scarce will reduce the quality of the prediction results.

This study aims to test the combination of several data processing methods (namely MissForest, GAIN, ENN, and TabGAN oversampling) with machine learning models (CatBoost and binary classification models based on neural networks) to predict dropout cases at several Indonesian universities using data from PDDikti. The addition of features is done to label data with their respective fields of study. Other than adding features, selection of relevant features using Pearson’s correlation as well as feature importances is also carried out after initial model training. Google Colab with the Python programming language is used to run data processing algorithms and train models.

This study shows that CatBoost with the combination of GAIN imputation, ENN undersampling, and no field of study feature results in the highest F1-score of 66.38%, which are composed of 71.75% in precision and 61.76% in recall. If a deep learning binary classification model is used instead, the best F1-score result is 62.32%. The best result from this study shows an increase in F1-score of 2.15% compared to the F1-score of the previous study (64.23%) which used CatBoost along with a combination of Missforest, ENN and no field of study features. This research shows oversampling and undersampling produce opposite effects on precision and recall scores. Research has also

found that feature selection can improve model performance but does not have a large impact compared to other techniques such as balancing and hyperparameter optimization"

"ABSTRAKMasalah pengangguran merupakan masalah pelik yang dihadapi oleh Indonesia saat ini. Masalah ini bertambah pelik dikarenakan kenyataan bahwa, separuh dari jumlab pengangguran adalab mereka yang berasal dari kalangan dengan latar pendidikan yang cukup atau pengangguran terdidik. Oleh karena itulab, diperlukan strategi yang tepat untuk mengatasi masalab tersebut. Salah satu solusi yang ditawarkan adalab dengan mengembangkan jiwa kewirausahaan pada lemhaga pendidikan. Oleh karena itulah, penulis melakukan pene!itian mengenai peranan lembaga pendidikan dalam rangka mengembangkan kewirausahaan peserta didiknya. Dalam hal ini, penulis melakukan penelitian mengenai peranan perguruan tinggi dalam pengembangan kewimusahaan mahasiswa Disamping itu, penulis juga melakukan penelitian terbadap dampak kebijakan yang diambil oleh pemerintah berkaitan dengan pengembangan kewirausahaan pada lembaga pendidikan Berdasarkan hasil analisis dan dan informasi yang diperoleb melalui penelitian kualitalif dan kuantitatif, diperoleh hasil bahwa dalam rangka pengembangan kewirausahaan mahasiswa, perguruan tinggi menitikberatkan kepada pembangunan jiwa kewirausabaan ( entrepreneurship ) dan bukan pada pembentulkan usaha bam ( enterprise ), dengan didnkeng oleh tiga samna, yaitu perkuliaban, Bussiness Development Service Provider ( BDSP ) dan juga Unit Kegiatan Kemabaslswaan Kewirausahaan (Koperusi Mahasiswa ). Danjika dilibet dari kebijakan yang di keluarkan oleh pemerintah yang berkaitan dengao sarana pengembangan kewirausahaan pada pergnruan tinggi, belum sepenuhnya berdampak terhndap sarana pengembangan tersebut. Kebijukan mengenai mala kuJiab kewiransahaan, berdampak terhadap perobahan status mata kuliah menjadi mata kuliah wajib, akan tetapi pada kebijukan mengenai lroperasi mahasiswa, tidak berdampak terhadap pendirian koperasi mahasiswa baru. Sedangkan kebijakan mengonai BDSP, walaupun kebijakan tidak berdampak terbadap pendirian BDSP bam pada Perguruan Tinggi, akan tetapi kebijakan pemerintab berdampak terhadap semakin banyak kegiatan yang dilakakan oleb BDSP alas bantuan pemerintah, salah satunya adalah Program Mahasisvm Wirausaha (PMW). Dan dengan melalui penelitian kuantitatif, diketahui bahwa sikap kewimusahaan mahasiswa yang mengikuti program PMW dengan yang belum mengikuti program PMW, tidak didapalkan perbedaan signifikan diantara keduanya, sehingga penulis menyimpulkan bahwa program PMW belum mampu meningkatkan jiwa kewirausahaan mahasiswa yang mengikutinya.

---

ABSTRACTThe problem of unemployment is still a complicated trouble. It is gelling worse because in fact, half of them come from the high education background or well educated unemployment. Therefore, it is needed a proper strategy to overcome the problem. One of the solutions offered is developing entrepreneurship in the higher education institutions. For that reason, the writer conducts a research about the role of higher education institution in developing entrepreneurship to its students. In this case, the writer did a research in several universities in Jakarta. Besides, the writer also analyze the impact of the policy made by the government in correlation with the entrepreneurship development in education institutions. Based on the result of data and information analysis gathered by qualitative and quantitative research method, it is concluded that In order to develop entrepreneurship among students, the universities only stress on the development of the entrepreneurship and not on the enterprise, with support of three media, which are learning, Business Development Service Provider (BDSP} and student organization of which focus is entrepreneurship such as Koperasi Mahasiwa (Student Cooperative ). From the policies perspective which is made by the government that related to the development of entrepreneurship for universally students, there is almost no significance impact to this effort. The policy about the subject of entrepreneurship makes a change to the status of the subject into a compulsory subject. Nevertheless, related to the policy of the establishment of student cooperative, there is no direct impact to the establishment of new student cooperative. About the policy of BDSP, although it does not affect directly such as the establishment of new BDSP in university, it forces many activities held by BDSP with support from government, one of them is the Student Entrepreneur Program - Program Mahasiswa Wirausaba (PMW). From the quantitative research about the entrepreneurship among the students who had joined the program compared to those who had not, it is fond that there is no significant difference between the two groups; therefore, the writer concludes that the Student Entrepreneur Program - Program Mahasiswa Wirausaha (PMW) has not yet increase the student's entrepreneurship. "

"ABSTRAKPemelajaran bahasa pada hakikatnya adalah sebuah proses yang berlangsung sepanjang hayat dan dipengaruhi oleh faktor-faktor yang terdapat di sekitar pemelajar, seperti lingkungan sosial dan kebudayan yang melekat pada bahasa itu, serta aspek-aspek lain dari dalam diri pemelajar, seperti motivasi dan strategi pemelajaran. Penelitian inimerupakan studi kasus terhadap tiga mahasiswa Indonesia yang mempelajari kemampuan berbicara bahasa Mandarin di sebuah universitas di Tiongkok dan masing-masing merepresentasikan tiga kelompok mahasiswa yang berkemampuan bagus, sedang dan lemah. Hasil penelitian menunjukkan bahwa penggunaan strategi kompensasi dan strategi sosial sebagai bagian dalam strategi pemelajaran bahasa oleh mahasiswa dengan capaian belajar yang tinggi dan sedang sangat berperan untuk menumbuhkan motivasi belajar bahasa Mandarin. Kedua strategi ini melibatkan hal-hal pragmatis yang dibutuhkan dan terjadi di kehidupan sehari-hari mahasiswa sehingga mahasiswa dapat melakukan evaluasi mandiri dan menumbuhkan motivasi diri. Di sisi lain, minimnya motivasi belajar juga memberikan dampak negatif padaproses pemelajaran mahasiswa dengan capaian belajar yang rendah.

---

ABSTRACTLanguage learning is essentially a process that lasts a lifetime and is influenced by factors surround the learner, such as social and cultural environment inherent to the language, as well as other aspects of the learner's self, such as motivation and learning strategies. This research is a case study of three Indonesian students studying Mandarin at a university in China and each represents three groups of students who have high, medium and low learning outcomes. The results showed that the use of compensation strategy and social strategy as part of language learning strategies by students with high and medium learning achievements held an important role to foster motivation inlearning Mandarin for they involved pragmatic things needed and occured in daily life so students could do self-evaluation and foster self-motivation. On the other hand, the lack of motivation to learn also brought negative impact on the learning process of student with low learning outcomes."

"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."

"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"

"Penelitian ini membahas tentang pengelolaan arsip aktif di Sub Direktorat Kesejahteraan Mahasiswa Universitas Indonesia sebagai suatu sistem yang terus berlanjut. Tujuan dari penelitian ini untuk menjelaskan proses pengelolaan arsip aktif yang dilakukan di Sub Direktorat Kesejahteraan Mahasiswa UI dimulai dari proses penciptaan hingga penyusutan dengan juga melihat pandangan pegawai terhadap arsip. Metode studi kasus dilakukan dengan wawancara terhadap enam orang petugas yang terkait dengan pengelolaan arsip aktif Sub Direktorat Kesejahteraan Mahasiswa UI serta satu orang asriparis kantor arsip UI, observasi dan analisis dokumen. Hasil penelitian menunjukan bahwa dalam pengelolaan arsip aktif, pengelola perlu mengacu pedoman arsip organisasi terhadap semua jenis arsip yang berada dalam pengelolaan demi terciptanya tertib arsip organisasi. Pengelolaan arsip aktif Sub Direktorat Kesejahteraan Mahasiswa UI berlangsung sejak penciptaan hingga penyimpanan sedangkan penyusutan dilakukan dengan pemindahan arsip namun hanya ke ruang lain bukan ke unit kearsipan atau pusat rekod. Penciptaan arsip sudah dilakukan menggunakan tata naskah dinas yang berlaku namun dalam tahap ini belum dilakukan pengindeksan. Pengelompokan arsip dalam hal penyimpanan masih hanya sebatas pengelompokan surat masuk dan surat keluar yang diurutkan per bulan. Subdit kesma belum membuat daftar arsip aktif. Kondisi ini kemudian berdampak pada tidak bisanya arsip yang sudah memasuki masa inaktif dan yang sudah habis masa retensi inaktifnya untuk dapat dipindahkan ke kantor arsip UI. Dalam melakukan pengelolaan arsip pegawai juga masih mengikuti kebiasaan yang diwariskan dari generasi sebelumnya.

---

This study discusses about active records management on the University of Indonesias Sub Directorate of Student Welfare as a system that continues. The purpose of this study is to explain the process of managing active records carried out on the University of Indonesias Sub Directorate of Student Welfare starting from the creation to disposition process by also looking at the views of employees on the records. The case study method was conducted by interviewing six officers related to the management of active records of the UIs Sub Directorate of Student Welfare and one archivist on UIs archive office, observation and study documents. The results of the study show that in active records management, managers need to refer to the organizations records guidelines for all types of records that are in management for the sake of the creation of orderly records of the organization. Active records management on UIs Sub-Directorate of Student Welfare lasts from creation to storage while disposition is done by transferring files but only to other spaces, not to the records center. The creation of records has been carried out using the official scripts that are in force but in this stage, indexing has not been done. Records grouping in terms of storage is still limited to grouping incoming mailings and outgoing mailings sorted monthly. UIs Sub Directorate of Student Welfare has not created an active records list yet. This condition then results in not being able to move the records that have entered its inactive period and those whose inactive retention period has expired to be transferred to the UIs records center. In managing records, employees also still follow habits inherited from previous generations."

"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. "

"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."