Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Pada awal pandemi COVID-19, keputusan medis pada pasien ditentukan oleh dokter berdasarkan banyak tes medis (misalnya, tes reaksi berantai polimerase, tes suhu, CTScan atau X-ray). Metode transfer learning telah digunakan dalam beberapa penelitian dan berfokus hanya pada satu biomarker (misalnya, hanya CT-Scan atau X-Ray saja) untuk mendiagnosis pneumonia. Dalam studi terbaru, modalitas tunggal memiliki keakuratan klasifikasi sendiri dan setiap biomarker yang berbeda dapat memberikan informasi pelengkap untuk mendiagnosis COVID-19 pneumonia. Tujuan pada penelitian ini adalah membangun model multimodal yaitu dengan menggabungkan dua masukan (input) menjadi satu keluaran (output) pada tahapan pembuatan model. Dua model transfer learning yang berbeda telah digunakan pada masing-masing masukan dengan dataset open-source 2849 gambar CT-Scan dan 2849 gambar X-ray untuk mengklasifikasikan gambar CT-Scan dan gambar X-ray menjadi dua kelas: normal dan COVID-19 pneumonia. Model transfer learning yang digunakan adalah model DenseNet121, model MobileNet, model Xception, model InceptionV3, model ResNet50 dan model VGG16 untuk proses ekstraksi fitur. Alhasil, akurasi klasifikasi terbaik didapatkan sebesar 99,87% saat penggabungan jaringan ResNet50 dan VGG16. Kemudian, akurasi klasifikasi terbaik didapatkan sebesar 98,00% saat menggunakan modalitas tunggal model ResNet50 dengan data CT-Scan dan akurasi klasifikasi sebesar 98,93% untuk model VGG16 dengan data X-Ray. Metode penggabungan multimodal learning menunjukkan akurasi klasifikasi yang lebih baik dibandingkan dengan metode yang menggunakan hanya satu modalitas saja.

---

Due to COVID-19 Pandemic, medical decisions on patients were made by doctors based on many medical tests (e.g., polymerase chain reaction test, temperature test, CT-Scan or X-ray). Transfer learning methods have been used in several studies and focus on only one biomarker (eg, CT-Scan or X-Ray only) for diagnosing pneumonia. In recent studies, a single modality has its own classification accuracy and each different biomarker can provide complementary information for diagnosing COVID-19 pneumonia. The purpose of this research is to build a multimodal model by combining two inputs (inputs) into one output (output) at the modeling stage. Two different transfer learning models were used at each input with an open-source dataset of 2849 CT-Scan images and 2849 X-ray images to classify CT-Scan images and X-ray images into two classes: normal and COVID-19 pneumonia. . The transfer learning model used is the DenseNet121 model, the MobileNet model, the Xception model, the InceptionV3 model, the ResNet50 model and the VGG16 model for the feature extraction process. As a result, the best classification accuracy was obtained at 99.87% when merging the ResNet50 and VGG16 networks. Then, the best classification accuracy was obtained at 98.00% when using a single modality ResNet50 model with CT-Scan data and a classification accuracy of 98.93% for the VGG16 model with X-Ray data. The multimodal learning combination method shows better classification accuracy than the method that uses only one modality."

"Asuransi merupakan bentuk pengalihan risiko dengan cara mendistribusikan risiko individu menjadi risiko kolektif. Pemasukan utama perusahaan asuransi adalah dari penjualan polis asuransi. Metode penjualan yang lazim digunakan pada asuransi maupun industri finansial lainnya adalah cross-selling. Cross-selling adalah proses menawarkan produk tambahan kepada orang yang sudah menjadi pelanggan perusahaan yang bersangkutan. Sangat penting bagi perusahaan asuransi untuk memiliki kemampuan memprediksi secara akurat karakteristik calon pelanggan yang sekiranya akan tertarik membeli suatu produk yang sedang ingin dipasarkan. Untuk dapat mengetahui karakteristik pelanggan potensial berdasarkan data perusahaan yang pada umumnya berskala besar, diusulkan untuk menggunakan machine learning. Hingga saat ini, metode machine learning yang  populer digunakan untuk mengolah data tabular adalah XGBoost. Pada penelitian ini, digunakan metode XGBoost untuk memprediksi hasil cross-selling produk asuransi dan kemudian dibandingkan dengan metode berbasis pohon lainnya, yaitu Decision Tree dan Random Forest, dari segi sensitivity, specificity, dan AUC-ROC. Diperoleh bahwa XGBoost unggul pada metrik specificity dan AUC-ROC. Selanjutnya, hasil simulasi terbaik dari setiap model diinterpretasikan menggunakan feature importance berdasarkan gain agar diperoleh fitur yang menjadi faktor penting dalam memprediksi cross-selling asuransi. Dengan adanya tahap interpretasi ini, diharapkan metode yang digunakan pada penelitian ini dapat diterima dan berguna bagi industri asuransi.

---

Insurance is a form of risk transfer by distributing individual risks into collective risks. The main income of insurance companies is from the sale of insurance policies. The sales method commonly used in the insurance and other financial industries is cross-selling. Cross-selling is the process of offering additional products to existing customers of the company. It is very important for insurance companies to have the ability to accurately predict the characteristics of potential customers who will be interested in buying a product that is being marketed. To find out the characteristics of potential customers based on company’s data, which are generally in large scale, it is proposed to use machine learning method. Until now, the most popular machine learning method used to process tabular data is XGBoost. In this study, the XGBoost method was used to predict cross-selling results of insurance products and then compared with other tree-based models, the Decision Tree and Random Forest, in terms of sensitivity, specificity, and AUC-ROC. It was found that XGBoost excels in specificity and AUC-ROC metrics. Furthermore, the best simulation results from each model are interpreted using feature importance based on gain to obtain features that are important factors in predicting insurance cross-selling. So, with this interpretation step done, it is hoped that the method used in this study can be accepted and useful for the insurance industry."

"Customer churn merupakan masalah serius di banyak sektor, termasuk sektor telekomunikasi. Pengertian costumer churn adalah berhentinya penggunaan suatu layanan dan beralih ke penyedia lain atau tidak memperbarui kontrak. Untuk mengatasi risiko churn, perusahaan telekomunikasi perlu menggunakan model prediksi dengan bantuan metode machine learning. Terdapat beberapa model prediksi churn yang telah diajukan oleh para peneliti, termasuk pemilihan algoritma yang sesuai dan dataset untuk studi kasus. Pada tesis ini menggunakan dataset IBM Telco Customer Churn sebagai data pelatihan dan pengujian. Tantangan umum dalam klasifikasi adalah ketidakseimbangan data, yang dapat menyebabkan kegagalan dalam memprediksi kelas minoritas. Oleh karena itu, tesis ini menggunakan beberapa teknik augmentasi data seperti SMOTE, HAT, dan CVAE, sebagai teknik dalam menyeimbangkan data. Pembelajaran ensembel khususnya metode CART (Classification and Regression Tree) sering digunakan untuk menyelesaikan permasalahan klasifikasi dan regresi. Model Adaboost adalah algoritma pembelajaran ensemble yang menggunakan pohon keputusan sebagai dasar pembelajaran. Dalam pelatihan model Adaboost, Bayesian Optimization (BO) digunakan sebagai metode pencarian hyperparameter terbaik. Dari hasil percobaan dan pengujian yang diajukan, model Adaboost dapat memberikan nilai testing f1-score dan recall sebesar 0,661 dan 0,653 pada pelatihan dengan dataset tidak seimbang. Model Adaboost-SMOTE mempunyai nilai testing f1-score dan recall sebesar 0,646 dan 0,826. Penggunaan optimasi Bayesian Optimization pada model Adaboost-SMOTE dapat menaikkan testing f1-score dan recall menjadi 0,649 dan 0,849. Tes ANOVA dan Tukey HSD mengungkapkan variasi yang signifikan dalam hasil pelatihan dari model machine learning, dan menyoroti dampak penggunaan data seimbang dalam pelatihan model yang signifikan.

---

Customer churn is a severe problem in various sectors, including telecommunications. Customer churn refers to discontinuing the service, switching to another provider, or not renewing the contract. To deal with churn risk, telecommunication companies need to use predictive models with the help of machine learning methods. Several churn prediction models have been proposed by researchers, including the selection of suitable algorithms and data sets for case studies. In this thesis, research is conducted using the IBM Telco Customer Churn dataset. A common challenge in classification is data imbalance, which can lead to failure in predicting minority classes. Therefore, this thesis using several data augmentation techniques, such as SMOTE, HAT, and CVAE, for balancing data technique. Ensemble learning, especially the CART (Classification and Regression Tree) method, is often used to solve classification and regression problems. Adaboost is an ensemble learning algorithm that uses decision trees as the basis for learning. In the Adaboost model training, Bayesian Optimization (BO) is used to find the best hyperparameters. From the trials and tests carried out, Adaboost achieved an f1-score and recall test of 0.661 and 0.653, respectively, in training with an unbalanced dataset. The Adaboost SMOTE model achieved f1 and memory test scores of 0.646 and 0.826, respectively. Using Bayesian Optimization in the Adaboost SMOTE model increased the testing f1-score and recall scores to 0.649 and 0.849, respectively. ANOVA and Tukey HSD tests reveal significant variation in machine learning model training results and highlight the considerable impact of using balanced data in model training."

"Penuaan merupakan kumpulan perubahan biologis pada tubuh manusia yang terjadi secara bertahap dan dapat meningkatkan risiko terjadinya penyakit bahkan kematian. Hingga saat ini, usia kronologis menjadi indikator penuaan yang paling umum digunakan dalam dunia kesehatan. Akan tetapi, munculnya konsep usia biologis diyakini mampu memberikan pengukuran yang lebih akurat terkait penuaan pada manusia dibandingkan dengan usia kronologis. Usia biologis dipengaruhi oleh berbagai faktor yang disebut biomarker. Penelitian ini berfokus pada prediksi usia biologis berdasarkan usia kronologis dan fitur (biomarker) lainnya dengan memanfaatkan metode machine learning Extreme Gradient Boosting (XGBoost) dan Support Vector Regression (SVR). Dataset yang digunakan berupa data pemeriksaan medis oleh Kementerian Kesehatan RI. Pada dataset tersebut dilakukan data preprocessing, seleksi fitur menggunakan Spearman’s Rank Correlation Coefficient, dan pembangunan model. Model dievaluasi menggunakan metrik evaluasi pada model regresi yaitu Root Mean Square Error (RMSE), Coefficient of Determination , dan Adjusted . Ketiga metrik ini masing-masing menghitung selisih nilai prediksi dengan nilai aktual dan menunjukkan seberapa baik variabel dependen dapat dijelaskan oleh variabel independen pada model. Dengan metode XGBoost diperoleh nilai RMSE 8,0560, 0,2894, dan Adjusted 0,2006 untuk data pria, serta RMSE 6,3851, 0,4252, dan Adjusted 0,3938 untuk data wanita. Dengan metode SVR, diperoleh RMSE 8,0697, 0,2870, dan Adjusted 0,1979 untuk data pria, serta RMSE 6,7147, 0,3643, dan Adjusted sebesar 0,3296. Metode XGBoost lebih unggul dalam memprediksi usia biologis baik pada model pria maupun wanita dibandingkan metode SVR. Usia kronologis dan biomarker (fitur) lainnya terkait kesehatan juga ditemukan berpengaruh positif terhadap usia biologis seorang individu.

---

Aging is a collection of biological changes in the human body that occur gradually and can increase the risk of disease and even death. Until now, chronological age is the most commonly used indicator of aging in the medical sector. However, the emergence of the concept of biological age is believed to be able to provide a more accurate measurement of aging in humans compared to chronological age. Biological age is influenced by various factors called biomarkers. This research focuses on predicting biological age based on chronological age and other features (biomarkers) by utilizing the Extreme Gradient Boosting (XGBoost) and Support Vector Regression (SVR) machine learning methods. The dataset used is medical examination data by the Indonesian Ministry of Health. Data preprocessing was performed on this dataset, followed by feature selection using the Spearman Rank Correlation Coefficient, and subsequent model development. The model is evaluated using evaluation metrics in the regression model, namely Root Mean Square Error (RMSE), Coefficient of Determination , and Adjusted . These three metrics each calculate the difference between the predicted and actual values and indicate how well the dependent variable can be explained by the independent variables in the model. Using the XGBoost method, RMSE values were obtained of 8,0560, 0,2894, and Adjusted 0,2006 for male data, as well as RMSE 6,3851, 0,4252, dan Adjusted 0,3938 for female's data. Using the SVR method, RMSE 8,0697, 0,2870, and Adjusted 0,1979 were obtained for male data, as well as RMSE 6.7147, 0.3643, and Adjusted of 0,3296 for female's data. The XGBoost method demonstrates better performance in predicting biological age for both male and female models compared to the SVR method. Chronological age and other health-related biomarkers (features) were also found to have a positive impact on an individual's biological age."

"Performa akademik adalah bagian penting dari suatu sekolah. Saat ini, sebagian besar sekolah di Indonesia masih jarang melakukan klasifikasi performa akademik siswa, sehingga diperlukan metode yang tepat untuk mengklasifikasikan siswa berdasarkan perfroma akademiknya.  Pada peneltian ini digunakan metode Nave Bayes Classifier (NBC) dan metode Support Vector Machine (SVM) untuk mengklasifikasikan performa akademik siswa SMAN 38 Jakarta. Metode NBC menghasilkan tingkat akurasi tertinggi sebesar 96%, recall 100%, precision 92.68% dan %. Sedangkan metode SVM dengan kernel linier menghasilkan tingkat akurasi tertinggi sebesar 98%, recall 100%, precision 96.42% dan f1-score.

---

Academic performance is an important part of a school. At present, most schools in Indonesia rarely classify students’ academic performance, so we need the right method to classify students based on their academic performance. In this research, the Nave Bayes Classifier (NBC) and Support Vector Machine (SVM) methods are used to classify academic performance of SMAN 38 Jakarta students’. The NBC method produces the highest accuracy 96%, recall 100%, precision 92.68% and f1-score  While the SVM method produces the highest accuracy 98%, recall 100%, precision 96.42% and f1-score  on linear kernels."

"Event Extraction merupakan salah satu tugas dalam sistem ekstraksi informasi yang bertujuan untuk menemukan kumpulan informasi event dari suatu dokumen. Informasi tersebut dapat berupa informasi pihak-pihak yang terlibat, tempat kejadian, waktu, dan segala informasi yang terkait dengan event. Penelitian ini bertujuan untuk melakukan proses ekstraksi event (event pertemuan) pada teks berbahasa Indonesia. Dari event pertemuan tersebut, informasi yang dicari adalah informasi pihak yang terlibat (person), tempat (location), serta waktu (time) terjadinya event. Ekstraksi dilakukan dengan menggunakan pendekatan machine learning. Sedangkan metode machine learning yang digunakan adalah association rules, decision tree, dan neural networks. Penelitian bertujuan untuk melihat perbandingan kinerja ketiga metode tersebut terhadap ekstraksi event. Uji coba dilakukan pada artikel-artikel media massa online dari Kompas, Jawa Pos, Republika, dan Sinar Harapan. Pada ekstraksi event, diketahui bahwa metode decision tree menunjukkan kinerja yang lebih baik dibandingkan metode association rules dan metode neural networks dengan F-measure mencapai 83,95%. Metode association rules menunjukkan kinerja yang lebih baik dibandingkan dengan metode neural networks dengan F-measure masing-masing sebesar 82,41% dan 81,57%."

"Paper ini mengeksplorasi penerapan teknik machine learning (ML) untuk memproyeksikan konsumsi energi biosolar di Indonesia di masa depan, yang bertujuan untuk memberikan informasi dan memandu pengambilan kebijakan di sektor energi. Transisi ke sumber energi terbarukan sangat penting bagi pembangunan berkelanjutan, terutama di negara-negara berkembang seperti Indonesia, yang telah menunjukkan peningkatan minat terhadap energi biosolar. Metode penelitian ini menggunakan Penelitian Kuantitatif dengan pendekatan Regresi Linier dan Sarima. Kami menggunakan beberapa model ML, menggunakan Phyton yang menganalisis dengan Multiple Linear Regression, Lasso Regression, dan Sarima, untuk menganalisis data historis mengenai konsumsi energi, indikator ekonomi, perubahan demografi, dan kemajuan teknologi. Temuan kami menunjukkan bahwa model ml dapat secara efektif memprediksi tren konsumsi biosolar, menyoroti pengaruh pertumbuhan ekonomi, urbanisasi, dan inovasi teknologi terhadap adopsi energi terbarukan. Model-model tersebut menunjukkan adanya peningkatan konsumsi biosolar, didorong oleh insentif kebijakan, kemajuan teknologi, dan meningkatnya kesadaran akan isuisu lingkungan. Keakuratan prediksi ml bergantung pada ketersediaan dan kualitas data. Selain itu, proyeksi tersebut mungkin tidak memperhitungkan perubahan ekonomi atau teknologi yang tidak terduga. Penelitian di masa depan harus fokus pada penggabungan sumber data yang lebih dinamis dan mengeksplorasi dampak perubahan kebijakan terhadap penerapan energi terbarukan. Kesimpulannya, pemanfaatan pembelajaran mesin untuk proyeksi kebijakan menawarkan pendekatan yang menjanjikan untuk mendukung pertumbuhan konsumsi biosolar di Indonesia. Studi ini memberikan landasan untuk penelitian di masa depan dan menyoroti potensi ml dalam menyusun kebijakan energi yang terinformasi dan efektif.

---

This paper explores the application of machine learning (ML) techniques to project the future consumption of bio solar energy in indonesia, aiming to inform and guide policy decisions in the energy sector. The transition to re-newable energy sources is crucial for sustainable development, especially in emerging economies like indonesia, which has shown a growing interest in bio solar energy. This research method uses Quantitative Research with Linear Regression and Sarima approaches. We employed several ML models, using Phyton which analyse with Multiple Linear Regression, Lasso Regres- sion and Sarima, to analyze historical data on energy consumption, economic indicators, demographic changes, and technological advancements. Our findings indicate that ml models can effectively predict bio solar consumption trends, highlighting the influence of economic growth, urbanization, and technological innovation on renewable energy adoption. The models suggest an increasing trajectory in bio solar consumption, driven by policy incentives, technological advancements, and a growing awareness of environmental is- sues. The accuracy of ml predictions is contingent upon the availability and quality of data. Furthermore, the projections may not account for unforeseen economic or technological changes. Future research should focus on incor- porating more dynamic data sources and exploring the impact of policy changes on renewable energy adoption. In conclusion, leveraging machine learning for policy projection offers a promising approach to support the growth of bio solar consumption in indonesia. This study provides a foundation for future research and highlights the potential of ml in crafting informed, effective energy policies."