Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam menjalankan bisnisnya, perusahaan telekomunikasi di sektor fixed broadband seringkali mengalami kebocoran pendapatan signifikan. Diantara beberapa penyebab kebocoran pendapatan, fraud merupakan faktor kebocoran yang memiliki dampak terbesar terhadap finansial dan citra perusahaan. Salah satu upaya untuk meminimalkan fraud dengan mendeteksi fraud yang dilakukan oleh pelanggan. Oleh karena itu, tujuan penelitian ini merancang classification model menggunakan machine learning untuk diaplikasikan terhadap sistem fraud detection. Classification model akan dibangun menggunakan supervised machine learning yang bertujuan untuk memprediksi kelas tertentu berdasarkan data historis yang didapatkan. Dalam penelitian ini, beberapa beberapa algoritme machine learning akan dibandingkan diantaranya logistic regression, decision tree, random forest, dan backpropagation neural network. Selain itu, dalam kasus fraud detection, data historis yang didapatkan memiliki perbandingan antar kelas yang tidak seimbang sehingga dibutuhkan pra-proses data balancing. Pada penelitian ini, data balancing dilakukan dengan oversampling berbasis Adaptive Synthetic (ADASYN). Hasil penelitian ini menunjukkan backpropagation neural network memiliki performa terbaik diantara algoritma lainnya. Selain itu didapatkan seluruh algoritme memiliki indikator performa diatas 90% menunjukkan pada kasus fraud detection di sektor fixed broadband, machine learning bekerja dengan akurat.

---

In running their business, telecommunications companies in the fixed broadband sector often experience significant revenue leakage. Among several causes of revenue leakage, fraud is the leakage factor that has the most significant impact on finances and corporate image. One of the efforts to minimize fraud is to detect fraud committed by customers. Therefore, this study aims to design a classification model using machine learning to be applied to the fraud detection system. The classification model will be built using supervised machine learning, which aims to predict certain classes based on historical data. Several machine learning algorithms will be compared in this study, including logistic regression, decision tree, random forest, and backpropagation neural network. In addition, in fraud detection, the historical data obtained has an unbalanced comparison between classes, so pre-processing data balancing is needed. In this research, data balancing is done by using Adaptive Synthetic (ADASYN) based oversampling. The results of this study indicate that the backpropagation neural network has the best performance among other algorithms. In addition, it is found that all algorithms have performance indicators above 90%, indicating that in the case of fraud detection in fixed broadband sector, machine learning works accurately."

"ABSTRAKIdentifikasi lapisan lilin pada buah sangat sulit dilakukan tanpa adanya suatu sistem yang bersifat non-destruktif. Pada umumnya, dilakukan metode yang bersifat destruktif untuk mengetahui ada atau tidaknya suatu lapisan pada buah, seperti merendam buah pada air panas, menggunakan campuran cuka dengan air, atau campuran soda kue dengan air. Adapun metode destruktif lainnya yang menggunakan instrumentasi kromatografi gas, dimana proses ini membutuhkan waktu yang lama dan pengoperasian yang sulit. Citra VNIR menjadi metode terbaru untuk mengatasi masalah tersebut karena metode ini bersifat non-destruktif dan lebih mudah untuk dioperasikan. Dalam penelitian ini, sistem identifikasi ada atau tidaknya lapisan lilin pada buah apel berhasil dibuat. Proses dimulai melalui akuisisi citra, koreksi citra, object detection, window averaging, model klasifikasi, hingga mendapatkan status pelapisan (coating status). Citra diakuisisi pada rentang panjang gelombang 400 hingga 100 nm. Profil reflektansi yang didapat, selanjutnya dikomparasikan antara satu kelas dengan kelas lainnya, sehingga terlihat perbedaan yang mencolok diantara keduanya. Selanjutnya, model akan diuji dan dievaluasi menggunakan data referensi yang merupakan hasil klasifikasi secara manual. Pembuatan dan pengujian model dilakukan melalui proses traning dan testing data. Pada penelitian ini, digunakan beberapa model klasifikasi yang dibuat berdasarkan profil reflektansi dari setiap citra yang telah diakuisisi. Hasil akurasi model melalui evaluasi confusion matrix didapat sebesar 70,83% untuk model PCA-SVM, 95,42% untuk model DT, dan 98,33% untuk model RF.

---

ABSTRACTWax coating identification on fruits is very difficult without a non-destructive system. In general, destructive methods were used to find out whether or not there are coatings on fruit, such as soaking fruit in hot water, using a mixture of vinegar and water, or baking soda and water. There are other destructive methods using instrumentation like gas chromatography, where this process takes much time and difficult to operate. VNIR imaging becomes the latest method to overcome this problem because this method is non-destructive and easier to operate. In this study, identification system for the presence or absence of wax coating on apples has been successfully made. The process starts through image acquisition, image correction, object detection, window averaging, classification model, until we got the coating status. The image was acquired on a wavelength range from 400 to 1000 nm. The reflectance profile is obtained, then it is compared between one class and the other class, until there is a noticable difference between the two. Next, the model will be tested and evaluated using reference data which is the result of manual classification. The making and testing of the model was done through the process of data training and data testing. In this study, several classifications models were made based on the reflectance profile of each acquired image. The accuracy of the model through confusion matrix evaluatin were 70.83% for the PCA-SVM model, 95.42% for the DT model, and 98.33% for the RF model."