Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perkembangan teknologi mendorong adanya permintaan pelanggan akan kualitas internet terus meningkat setiap tahunnya. Hal ini menciptakan potensi pelanggan untuk berpindah-pindah kepada provider lainnya—churn. Salah perusahaan penyedia internet di Indonesia pun menyadari tingkat resiko yang tinggi akan fenomena churn ini. Sehingga, salah satu kegiatan yang dilakukan oleh perusahaan adalah melakukan kegiatan retensi pelanggan, guna menurunkan tingkat churn di perusahaan. Penggunaan machine learning diyakini dan terbukti dapat membantu perusahaan dalam melakukan early detection pelanggan yang mungkin untuk churn. Oleh karena itu, penelitian ini mencoba untuk memprediksi pelanggan churn dengan menggunakan pendekatan ensemble learning. Ensemble learning adalah salah satu perkembangan metode dari machine learning yang merupakan meta-algoritme yang menggabungkan beberapa Teknik machine learning untuk meningkatkan performa model. Metode ensemble learning yang akan digunakan random forest dan extreme gradient boosting tree. Setelah mendapatkan prediksi pelanggan churn, penelitian ini pun akan menggunakan metode unsupervised learning—K-means Clustering—dalam kegiatan klasterisasi pelanggan churn guna membantu perusahaan dalam menentukkan prioritas kegiatan retensi pelanggan. Hasil penelitian menunjukkan bahwa model prediksi dari ensemble learning terbukti memiliki performa lebih baik dibandingkan dengan metode konvesional dan metode algoritma terbaik adalah extreme gradient boosting tree (XGBOOST), selain itu juga penelitian ini dapat membantu perusahaan dalam melakukan kegiatan retensi pelanggan berdasarkan resiko High, Medium, dan Low terhadap kemungkinan pelanggan churn. Sehingga perusahaan akan mendapatkan keuntungan yang baik dalam melakukan retensi pelanggan dan penghematan biaya.

---

The rapid change of technology has developing shift perception toward better service from internet provider. This activity giving customer to have power in shifting with other providers easily in order to have better quality—Churn. One of internet service provider in Indonesia realised the risk of customer churn will impact the company. Due to these activities, companies have started to implementing machine learning in acknowledging early detection toward risk of customer to churn. Thus, this study aims to predict risk of customer churn using ensemble learning approach. Ensemble learning is well-known as development of machine learning that collaborated with other meta-algorithm to improve the model performance. The ensemble learning method used in this study are random forest and extreme gradient boosting tree (XGBOOST). This study also using unsupervised learning—K-means clustering—in developing customer profiling of customer churn. The result showed the predictive model of ensemble learning proved to have better performance than other conventional techniques and best algorithm to be used for predicting customer churn is extreme gradient boosting tree (XGBOOST). Not only that, but this study also provides better strategy for company in doing the customer retention toward their customer by developing customer profiling of customer churn—High, Medium, and Low—toward the risk of leaving from the companies. Thus, companies will have better performance in several activities such as customer retention and cost-effectiveness in doing customer profiling."

"Perkembangan Wireless Broadband Access (WBA) sebagai standar global untuk media transmisi data telah digunakan sebagai penyedia jasa akses intemet berkecepatan tinggi. Aplikasi WBA ISP yang ditunjang oleh kemampuan interoperabilitas, fleksibilitas, dan aspek komersial telah membawa dampak penggunaan intemet dedicated lebih efisien serta memberikan layanan kepelanggan murah dan mudah. Fenomena ini hams disikapi oleh para operator ISP dalam mengembangkan bisnisnya karena penuh persaingan di era global sekarang ini.Dengan melihat aspek pasar, aspek teknik, serta aspek keuangan yang bertujuan dalam menetapkan kelayakan implementasi penyedia jasa internet melalui Wireless Broadband Acces di kawasan industri jababeka maka dalam penelitian ini akan dilakukan kajian implementasi BWA ISP dengan teknologi WIMAX sebagai layanan komplemen dan subtitusi. Analisa pasar ditujukan untuk memperoleh market share yang ada serta proyeksi pelanggan. Dan analisis pasar ini pasar untuk industri di kawasan industri jababeka sampai tahun 2009 mencapai 2.219 dan target market yang ingin dicapai sebesar 25% sebanyak 555 pelanggan, Untuk desain teknis dengan menggunakan frekuensi kerja 3.5 GHz dan lebar kanal 3.5 MHz, untuk melayani lebar bandwith sebesar 95,295 Mpbs disediakan 3 Base Station dengan 14 sektor sesuai kebutuhan pelanggan melihat kondisi geografi dan demografi kawasan industri jababeka.Selanjutnya analisa kriteria investasi untuk perhitungan masa investasi selama 5 tahun diperoleh NPV Rp -168,601,289.42, IRR: 12.57%,'PI: 0.96, ARR: 60.33% dan PP: 4 tahun 1 bulan dihitung dan biaya investasi dan operasional serta proyeksi pelanggan sebagai bahan pertimbangan kelayakan bisnis pengembangan unit bisnis Wireless Broadband Acces ISP di kawasan industri Jababeka. Dengan hasil analisis investasi tersebut implementasi di kawasan industri Jababeka tidak layak diimplementasikan untuk saat ini dengan parameter yang ada sekarang.

---

The improvement of Wireless Broadband Access as a global standard for data transmission media have been used to high speed Internet access provider. The WBA ISP application is supported by capabilities of interoperability, flexibility and commercial aspect, has had effect of the using dedicated efficiently and given services to customer cheaper and easier. ISP operators for growth the business , who are at this moment facing effect of globalization which full of competition, have to react against this phenomenon.

By observing the market aspect, the technical aspect, the organization and also the financial aspect which purpose to give input to Wireless Broadband Access Internet Service Provider with WIMAX technology in kawasan industri Jababeka to come to a decision of their development business strategy, This research will observe by analyzing market aspect view intention to get available market share number and the projection of the subscriber number. the market until 2009 reaching 2.219 subscribers and target market 25% is 555 subscriber number. The technical design criteria determine by subscriber needed use frequency 3.5 GHz with 3.5MHz channel to serve bandwidth equal to 95,295 Mpbs provided 3 Base of Station by 14 Sector.

Then by based on analyse investment criterion for calculation a invesment period during 5 year obtained [by] A P V-RP - 168,601,289.42, IRR: 12.57%, PI 0.96, ARR: 60.33% and PP: 4 year 1 months reckoned from the expense of operational and investment and also projection upon which consideration to business development Wireless Broadband Acces ISP in kawasan indusri Jababeka. With result of investment analysis implementation in kawasan industri Jababeka improper implementation to in this time with existing parameter now."

"Dalam era digital saat ini, kebutuhan akan layanan internet semakin meningkat secara signifikan. Berdasarkan laporan Asosiasi Penyelenggara Jasa Internet Indonesia (APJII), pengguna internet Indonesia pada tahun 2024 mencapai 221.563.479 jiwa, dengan penetrasi internet sebesar 79,5%. Perkembangan ini dipengaruhi oleh banyaknya gawai terjangkau dan kebutuhan masyarakat akan informasi dan aktivitas online. Teknologi 5G New Radio (NR) menjanjikan kecepatan yang lebih baik dibandingkan teknologi 4G. Untuk memenuhi kebutuhan ini, diperlukan perencanaan penempatan Base Transceiver Station (BTS) 5G di Kota Depok menggunakan frekuensi 2300 MHz, dengan arsitektur Stand Alone (SA) untuk kecepatan data yang lebih tinggi dan kinerja yang lebih unggul. Pendekatan techno economy digunakan untuk menghubungkan aspek teknis dengan aspek ekonomi dalam perencanaan ini. Metode penelitian mencakup pengukuran kebutuhan coverage dan capacity planning dengan forecasting jumlah penduduk 10 tahun ke depan. Data ini akan digunakan untuk analisis kelayakan investasi proyek menara BTS. Analisis investasi dilakukan dengan pendekatan tekno ekonomi dengan menghitung Net Present Value (NPV), Internal Rate of Return (IRR), dan Payback Period (PP) untuk menilai kelayakan dan potensi keuntungan proyek. Hasil penelitian menunjukkan bahwa investasi pada skema optimal berdasarkan jumlah pengguna dapat dicapai dalam tiga tahapan pembangunan di tahun ke-1, ke-5, dan ke-8. Tahap pertama menargetkan cakupan awal Tahap kedua memfokuskan pada ekspansi terhadap pertumbuhan jumlah pengguna yang terus meningkat. Tahap ketiga untuk memastikan stabilitas dan peningkatan kapasitas sesuai dengan perkembangan teknologi dan kebutuhan pengguna. Dari analisis investasi didapatkan NPV sebesar Rp204.871.522.807 dengan IRR 26,7% dan PP pada tahun ke-6. Hasil penelitian ini diharapkan dapat berguna bagi penyedia layanan jaringan dan pemerintah daerah dalam pembangunan dan pemerataan infrastruktur telekomunikasi, khususnya jaringan 5G di Kota Depok.

---

In the current digital era, the demand for internet services has significantly increased. According to the Indonesian Internet Service Providers Association (APJII) report, the number of internet users in Indonesia in 2024 is projected to reach 221,563,479, with an internet penetration rate of 79.5%. This growth is influenced by the availability of affordable devices and the public's need for information and online activities. 5G New Radio (NR) technology promises better speed compared to 4G technology. To meet this demand, planning for the placement of 5G Base Transceiver Stations (BTS) in Depok City using the 2300 MHz frequency is required, with a Stand Alone (SA) architecture for higher data speeds and superior performance. A techno-economic approach is used to connect technical aspects with economic aspects in this planning. The research method includes measuring coverage needs and capacity planning with a 10-year population forecast. This data will be used for feasibility analysis of the BTS tower investment project. The investment analysis is carried out with a techno-economic approach by calculating the Net Present Value (NPV), Internal Rate of Return (IRR), and Payback Period (PP) to assess the project's feasibility and profit potential. The research results show that investment in an optimal scheme based on the number of users can be achieved in three development phases in the 1st, 5th, and 8th years. The first phase targets initial coverage. The second phase focuses on expansion to accommodate the growing number of users. The third phase ensures stability and capacity improvement according to technological developments and user needs. From the investment analysis, an NPV of Rp204,871,522,807 with an IRR of 26.7% and a PP in the 6th year was obtained. These research results are expected to be useful for network service providers and local governments in the development and equalization of telecommunications infrastructure, particularly the 5G network in Depok City."

"Penggunaan internet sudah menjadi kebiasaan dan kebutuhan tersendiri di masa setelah diberlakukannya kegiatan bekerja secara hybrid dan juga kegiatan sekolah yang mulai kembali normal seperti sebelum pandemi covid-19. Berdasarkan data yang dirilis oleh Asosiasi Penyelenggara Jasa Internet Indonesia, penetrasi internet di Indonesia mencapai 77.02%, kemunculan beragam penyedia layanan internet di Indonesia dengan produk- yang bersaing, dipengaruhi juga dengan meningkatnya penggunaan internet. Belum adanya media ulasan resmi, mendorong masyarakat menggunakan media sosial untuk mengungkapkan ulasan terhadap layanan internet. Pada penelitian ini digunakan data media sosial Twitter untuk mendapatkan nilai sentimen terhadap layanan internet dengan membuat model klasifikasi menggunakan algoritma Naïve Bayes, Support Vector Machine, dan Decision Tree dan juga pengukuran nilai kepuasan pelanggan dan reputasi merek dagang berdasarkan dari analisis sentimen yang didapatkan. Didapatkan hasil analisis sentimen dengan algortima SVM memiliki hasil performa yang paling baik yaitu 75.36 %. Layanan internet Biznet, MNC Play, dan Iconnet mendapatkan nilai kepuasan pelanggan berada pada urutan pertama, kedua, dan ketiga, sedangkan untuk nilai reputasi merek dagang, penyedia layanan internet Biznet dan MNC Play mendapatkan urutan pertama dan kedua baik pada perhitungan hasil pelabelan manual maupun hasil prediksi. Perhitungan CSS dan NBR ini dapat dipertimbangkan oleh perusahaan untuk dijadikan referensi dalam meningkatkan layanannya, selain itu dapat digunakan oleh masyarakat sebagai bahan pertimbangan untuk memilih dan membandingkan penyedia layanan internet terbaik yang akan digunakan.

---

The use of the internet has become a habit and a necessity after the implementation of hybrid work and also school activities which have started return to normal like before the Covid-19 pandemic. Based on data released by the Association of Indonesian Internet Service Providers, internet penetration in Indonesia has reached 77.02%, the appearance of various internet service providers in Indonesia with competitive products is also influenced by the increasing use of the internet. There is no official review media, has encouraged the sociecty to use social media to express reviews of internet services. In this study, Twitter social media data is used to obtain sentiment analysis for internet services by creating a classification model using the Naïve Bayes algorithm, Support Vector Machine, and Decision Tree, and also to measure customer satisfaction and brand reputation score based on the sentiment analysis obtained. The results of sentiment analysis with the SVM algorithm have the best performance, with the accuracy 75.36%. Biznet, MNC Play, and Iconnet get first, second, and third place for customer satisfaction scores, while for net brand reputation scores, Biznet and MNC Play internet service providers get first and second place, for the calculation using manual labeling data or prediction data of classification model. The calculation of the CSS and NBR can be considered by the company as the reference to improve their services, besides that it can be used by the society as a consideration for choosing and comparing the best internet service providers to use."

"Kualitas layanan yang relatif cepat dan reliable merupakan pertimbangan penting dalam memilih Internet provider. Aplikasi pengukur Quality of Experience (QoE) dapat menjadi salah satu cara untuk mengetahui tingkat kecepatan dan reliability dari Internet provider. Penelitian ini fokus pada pengembangan aplikasi web pengukur kecepatan dan reliability dari Internet provider dengan menggunakan HTML5 dan WebView. Hasil dari implementasi dan pengujian aplikasi menunjukkan bahwa pengaksesan website aplikasi berjalan selama 4.652 ms, mengimplementasikan WebView untuk smartphone memakan waktu 0.00229 ms, kecepatan rata-rata pengunduhan 0.076 mbps dan kecepatan rata-rata pengunggahan 0.496 mbps. Pengujian likert scale mengimplikasikan bahwa Telkomsel, Indosat, dan XL memiliki kualitas yang cukup baik dengan skor 85%, 72.5%, dan 68.75%.

---

Internet speed and reliability of the Internet service is one of the most important parameters in selecting Internet provider. Quality of Experience (QoE) measuring application might provide a solution for measuring and analyzing the speed and reliability of the Internet providers. This research focused on the development of web application for measuring speed and reliability of the Internet providers utilizing HTML5 and WebView.

The implementation of the developed application showed that the access of the website took 4.652 ms, implementing WebView for smartphone took 0.00229 ms, the average of the download speed was 0.076 mbps and the avarage of the upload speed was 0.496 mbps. Likert scale method showed that Telkomsel, Indosat, and XL had a fairly good quality with the score of 85%, 72.5%, and 68.75%, respectively."

"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."

"Pasar modal berkembang pesat di Indonesia dengan peningkatan 79 jumlah emiten saham baru dan peningkatan 17,9% jumlah investor baru. Perkembangan ini dipacu oleh Otoritas Jasa Keuangan yang meyakinkan bahwa setiap perusahaan terbuka selalu diawasi dengan cara mewajibkan perusahaan terbuka untuk menyampaikan laporan keuangan secara berkala. Akan tetapi pada kenyataannya, tindakan kecurangan laporan keuangan bukan menjadi hal yang langka. Association of Certified Fraud Examiner melaporkan bahwa 9,2% kecurangan di Indonesia merupakan kecurangan laporan keuangan dengan total kerugian hingga Rp242.260.000.000. Sementara, proses audit konvensional serta laporan yang menjadi 72% dari media deteksi saat ini membutuhkan 12 bulan untuk mendeteksi kasus kecurangan. Penelitian ini akan menggunakan metode ensemble learning berbasis optimasi metaheuristik untuk mengembangkan model deteksi kecurangan pada laporan keuangan. Beberapa metode klasifikasi digunakan untuk mengembangkan model, yaitu Random Forest dan XGBoost. Optimasi metaheuristik dengan metode Genetic Algorithm kemudian digunakan sebagai dasar dari proses hyperparameter tuning pada model tersebut. Hasil deteksi terbaik pada penelitian ini adalah model XGBoost dengan parameter teroptimasi yang menghasilkan akurasi sebesar 98,04% dan sensitivitas 99.02%.

---

The capital market is growing rapidly in Indonesia, gaining 79 new stock issuers and a 17.9% increase in the number of new investors in 2023. This development is driven by Otoritas Jasa Keuangan, which ensures that every public company is always monitored by requiring them to submit financial statements regularly. However, financial statement fraud is not uncommon. The Association of Certified Fraud Examiners reports that 9.2% of fraud cases in Indonesia involve financial statement fraud, with total losses amounting to Rp242,260,000,000. Meanwhile, conventional audit processes and reports, which account for 72% of current detection methods, take 12 months to detect fraud cases. This study will use an ensemble learning method based on metaheuristic optimization to develop a fraud detection model for financial statements. Several classification methods, namely Random Forest and XGBoost, are used to develop the model. Metaheuristic optimization using the Genetic Algorithm method is then applied as the basis for hyperparameter tuning in this model. The best detection result in this study is achieved by the XGBoost model with optimized parameters, yielding an accuracy of 98.04% and a sensitivity of 99.02%."

"Kebutuhan akan koneksi internet yang cepat dan stabil dengan waktu penggunaan yang lama membuat pasar jasa internet di Indonesia semakin berkembang. Dengan perkembangan tersebut, kompetisi antar perusahaan Internet Service Provider khususnya pada layanan Fixed Broadband Internet semakin ketat sehingga dapat memicu timbulnya kemungkinan peralihan pelanggan ke perusahaan Internet Service Provider lain. Maka dari itu, para perusahaan Internet Service Provider membutuhkan strategi yang kuat untuk meningkatkan kepuasan dan keloyalitasan pelanggan. Dalam pembuatan strategi tersebut, diteliti pengaruh variabel Service Quality, Perceived Value, Corporate Image, Trust, Switching Cost, dan Customer Satisfaction terhadap loyalitas pelanggan. Selain itu, digunakan Importance-Satisfaction Analysis untuk mendapatkan strategi beserta prioritas pelaksanaannya. Hasil penelitian ini merupakan strategi bagi dua perusahaan Internet Service Provider terbesar di Indonesia dalam meningkatkan loyalitas pelanggan.

---

The needs for a fast and stable Internet connection with a long usage time resulting in a rapidly growing fixed broadband Internet market in Indonesia. This makes the competition among Internet Service Providers especially on fixed broadband Internet services is getting intense so that it can trigger the possibility of customer to switch to another Internet Service Providers. Therefore, Internet Service Providers needs a strong strategy to increase customer satisfaction and customer loyalty. To create such strategy, this research examines the impact of Service Quality, Perceived Value, Corporate Image, Trust, Switching Cost, and Customer Satisfaction on Customer Loyalty. Importance Satisfaction Analysis method is also used to obtain some strategies along with its execution priority. The results of this research is a strategy for the two largest Internet Service Providers in Indonesia in order to improve their customer loyalty."

"Perkembangan jumlah investor di pasar saham Indonesia, salah satunya akibat pergantian sistem e-IPO, menunjukkan peningkatan signifikan dalam beberapa tahun terakhir. Meskipun demikian, fluktuasi harga saham setelah IPO dan risiko dalam investasi IPO menimbulkan tantangan besar bagi investor dalam menentukan potensi kinerja saham jangka panjang. Penelitian ini bertujuan untuk mengembangkan model prediksi kinerja jangka panjang saham perusahaan e-IPO yang terdaftar di Bursa Efek Indonesia (BEI) dengan mengoptimasi model pembelajaran ensemble. Dalam penelitian ini, dilakukan perbandingan kinerja antara model ensemble yaitu, Random Forest dan XGBoost menggunakan teknik tuning hyperparameter melalui framework Optuna. Evaluasi model dilakukan dengan stratified cross validation sebanyak 15 folds untuk mengukur kestabilan dan generalisasi model.Hasil penelitian menunjukkan bahwa model XGBoost yang dioptimasi sedikit mengungguli Random Forest dengan akurasi sebesar 0,67 dan skor recall 0,70. Penelitian ini juga mengidentifikasi faktor utama yang mempengaruhi kinerja saham IPO, seperti Aksi Korporasi, Laba Bersih, Rasio Utang, dan Jumlah Lembar Saham. Temuan ini memberikan wawasan yang signifikan bagi investor dalam pengambilan keputusan investasi terkait potensi keberhasilan atau kegagalan e-IPO, serta dapat meningkatkan efektivitas strategi investasi di pasar saham Indonesia.

---

The growth in the number of investors in the Indonesian stock market, partly driven by the transition to the e-IPO system, has shown significant increases in recent years. However, fluctuations in stock prices post-IPO and the risks associated with IPO investments present significant challenges for investors in determining the long-term performance potential of stocks. This study aims to develop a predictive model for the long-term performance of e- IPO stocks listed on the Indonesia Stock Exchange (IDX) by optimizing ensemble learning models. In this research, the performance of ensemble models, such as Random Forest and XGBoost, is compared using hyperparameter tuning techniques through the Optuna framework. Model evaluation is conducted using stratified cross-validation with 15 folds to assess the model's stability and generalization.

The results indicate that the optimized XGBoost model slightly outperforms Random Forest, with an accuracy of 0.67 and a recall score of 0.70. This study also identifies key factors influencing IPO stock performance, such as Corporate Actions, Net Profit, Debt Ratio, and Number of Shares of the company listed. These findings provide significant insights for investors in making informed investment decisions related to the potential success or failure of e-IPOs and can enhance the effectiveness of investment strategies in the Indonesian stock market."

"Denial of Service adalah salah satu serangan siber yang dapat mengakibatkan gangguan layanan dan kerugian finansial. Akibat dari serangan DoS tentunya akan memberikan dampak buruk dan sangat merugikan. Untuk dapat menanggulangi dan meminimalisir dampak serangan DoS, dirancanglah sebuah sistem deteksi serangan DoS dan klasifikasi serangan yang terjadi menggunakan machine learning. Pada penelitian ini, akan dilakukan perancangan sistem deteksi serangan DOS melalui pengumpulan traffic data yang dikumpulkan oleh Wireshark dan dikonversi menggunakan CICFlowMeter. Serangan DoS dilancarkan oleh GoldenEye, HULK, dan SlowHTTPTest. Pengklasifikasian diterapkan pada salah satu dataset pada CICIDS2017, menggunakan algoritma Random Forest, AdaBoost, dan Multi-layer Perceptron. Hasil akurasi klasifikasi tertinggi adalah Random Forest sebesar 99,68%, hasil rata-rata Cross-Validation tertinggi juga dipegang oleh Random Forest sebesar 99,67%, dan untuk perbandingan performa antara hasil algoritma yang dilakukan oleh penulis dan paper konferensi DDOS Attack Identification using Machine Learning Techniques yang menjadi acuan, hasil yang paling mendekati adalah Random Forest dengan besar yang sama.

---

Denial of Service is a cyberattack that can result in service disruption and financial loss. The consequences of a DoS attack will certainly have a bad and very detrimental impact. To be able to overcome and minimize the impact of DoS attacks, a DoS attack detection system and classification of attacks that occur using machine learning was designed. In this research, a DOS attack detection system will be designed by collecting traffic data collected by Wireshark and converted using CICFlowMeter. DoS attacks were launched by GoldenEye, HULK, and SlowHTTPTest. Classification was applied to one of the datasets in CICIDS2017, using the Random Forest, AdaBoost, and Multi-layer Perceptron algorithms. The highest classification accuracy result is Random Forest at 99.68%, the highest average Cross-Validation result is also held by Random Forest at 99.67%, and for performance comparison between the algorithm results carried out by the author and the conference paper DDOS Attack Identification using Machine Learning Techniques are the reference, the closest result is Random Forest with the same size."