Hasil Pencarian  ::  Simpan CSV :: Kembali

"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"

"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."

"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"

"ABSTRAKMenurut Undang-undang No. 12 tahun 2012 tentang Pendidikan Tinggi Pasal 56, Pangkalan Data Pendidikan Tinggi (PD Dikti) merupakan kumpulan data penyelenggaraan pendidikan tinggi seluruh perguruan tinggi yang terintegrasi secara nasional. PD Dikti berperan penting dalam sistem penjaminan mutu pendidikan tinggi, yaitu berfungsi sebagai sumber informasi bagi lembaga akreditasi untuk melakukan akreditasi program studi dan perguruan tinggi; bagi pemerintah untuk melakukan pengaturan, perencanaan, pengawasan, pemantauan dan evaluasi serta pembinaan dan koordinasi program studi dan perguruan tinggi; dan bagi masyarakat untuk mengetahui kinerja program studi dan perguruan tinggi.Mengingat pentingnya PD Dikti tersebut, tersedianya data yang berkualitas pada PD Dikti menjadi salah satu target yang ingin dicapai Pusat Data dan Informasi Iptek Dikti, Kementerian Riset, Teknologi, dan Pendidikan Tinggi. Target pengelolaan PD Dikti tahun 2016 akan fokus pada kualitas data, yaitu bagaimana dapat menyediakan data yang berkualitas. Untuk itu, perlu adanya strategi untuk menjamin dan meningkatkan kualitas data pada PD Dikti.Berdasarkan hal tersebut, penelitian ini menyusun strategi untuk meningkatkan kualitas data pada PD Dikti. Untuk menyusun strategi tersebut dilakukan penilaian manajemen kualitas data saat ini, yaitu melalui penilaian terhadap dimensi kualitas data dan penilaian terhadap maturitas manajemen kualitas data. Langkah- langkah penelitian yang dilakukan meliputi identifikasi masalah, penilaian manajemen kualitas data, analisis kesenjangan untuk hasil penilaian maturitas manajemen kualitas data, analisis akar masalah untuk hasil penilaian dimensi kualitas data, dan menyusun strategi peningkatan kualitas data.Hasil penelitian ini adalah rekomendasi strategi peningkatan kualitas data pada PD Dikti. Strategi tersebut meliputi peningkatan proses pada 7 (tujuh) domain manajemen kualitas data, yaitu pendefinisian harapan/kebutuhan kualitas data, pengukuran dimensi kualitas data, penetapan kebijakan informasi, peningkatan tata kelola data, penetapan prosedur, perbaikan teknologi, dan pengelolaan kinerja. Rekomendasi tersebut diharapkan dapat digunakan sebagai acuan dalam melakukan program kualitas data pada PD Dikti.

---

ABSTRACT

According to Law No. 12 of 2012 about Higher Education clause 56, Higher Education Database is a collection of higher education management data from all Indonesian universities that is integrated nationally. Higher Education Database plays an important role in the Quality Assurance System of Higher Education, which serves as a source of information for accrediting agencies to carry out accreditation of study programs; for the government to make arrangements, planning, supervision, monitoring and evaluation; and for the public to know the performance of the study program and universities. Clause 52 of the same Law also noted that the Higher Education Quality Assurance System is based on Higher Education Database.

Because of the importance of the Higher Education Database, availability of high quality data became one of the targets to be achieved by the Data and Information Center. One of the targets for the implementation of the Higher Education Database in 2016 is to focus on the quality of the data.

Therefore, it need strategies to ensure and improve the quality of data on Higher Education Database. Based on the above, this study recommends strategies for improving the quality of the data on Higher Education Database. To develop the strategy, the author assessed the current data quality management. Assessment of the current data quality management was done through an assessment of the dimensions of data quality and assessment of the maturity of data quality management. Research steps undertaken included problem identification, assessment of data quality management, gap analysis for maturity assessment of data quality management, root cause analysis for assessment of data quality dimensions, and formulation of strategy for improving data quality.

Results of this research include recommendation of data quality improvement strategy in Higher Education Database. The strategy includes improvement management in seven (7) data quality management domain, comprising of defining the expectations of dataquality, measurement of data quality dimension, establishment of information policy, improving data governance, establishment of procedures, technological improvements, and performance management. The recommendations are expected to be used as a reference in the data quality program on Higher Education Database."

"Named Data Networking NDN merupakan arsitektur alternatif yang direncanakan untuk menggantikan infrastruktur yang digunakan saat ini. Prinsip NDN yang menerapkan transmisi data berbasis nama konten membuatnya menjadi arsitektur yang sangat cocok dengan tren internet saat ini yang berbasis pada konten. NDN-RTC merupakan suatu library berbasis bahasa pemrograman C yang digunakan untuk membangun komunikasi videoconferencing secara real-time di atas jaringan NDN. Untuk saat ini pada sistem operasi Linux NDN-RTC hanya mendukung pengiriman data video yang telah direkam sebelumnya. Dalam penelitian ini akan diterapkan penggunaan GStreamer untuk mendapatkan data langsung dari pengguna tanpa harus direkam terlebih dahulu, dan penggunaan ffplay untuk dapat langsung mengakses video yang telah ditransmisi sehingga terbangun real-time videoconferencing. Eksperimen menunjukkan bahwa implementasi tersebut dalam komunikasi satu arah antara producer dan consumer telah mencapai keberhasilan efisiensi fetching data sebesar 97 . Saat diterapkan ke komunikasi dua arah tingkat efisiensi fetching data rata-rata sebesar 23,5 . Penelitian ini juga memaparkan kemungkinan pengembangan lebih lanjut dari NDN-RTC dari segi kualitas video dan pengembangan library NDN-RTC itu sendiri.

---

Named Data Networking NDN is an alternative architecture that is planned to replace the infrastructure currently in use. The NDN principle that implements content based data transmission makes it an architecture that fits perfectly with the current internet trends that is based on content. NDN RTC is a library based on C programming language used to build real rime videoconferencing communication over NDN network. For now on Linux operating system, NDN RTC only supports transmission data from previously recorded video data. This research uses GStreamer to get the data directly from user without recorded first, and ffplay to be able to directly access the video that has been transmitted so as to build real time videoconferencing. Expreriments show that such implementation in one way communication between producer and consumer has achieved a successful fetching efficiency of 97 . When applied to two way communication the average data fetching efficiency rate is 23,5 . This research will also describes the possibility of further development of NDN RTC in terms of video quality and development of NDN RTC library itself."

"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."