Melola Discovery

← Melola Discovery

Jurnal

Perbandingan Metode Klasifikasi Supervised Learning pada Data Bank Customers Menggunakan Python

PRISMA, Prosiding Seminar Nasional Matematika · Vol. 3 (2020) · hlm. 692–697

ISSN
2613-9189
Terbit
2020-03-04
Penerbit
Jurusan Matematika FMIPA UNNES
Bahasa
eng

Abstrak

Makalah ini bertujuan untuk menganalisis dan membandingkan metode–metode pendekatan supervised learning dengan menggunakan studi kasus data churn modelling dari kaggle. Penelitian ini menggunakan program jupyter notebook berbahasa python. Langkah yang dilakukan adalah persiapan yaitu untuk menyiapkan modul yang digunakan untuk analisis supervised learning. kemudian pre-processing data yaitu melabeli data yang memiliki tipe data kategorik, setelah itu membagi data untuk data training dan tesing dengan perbandingan 9:1. Lalu dibuat model dan confussion matriknya untuk setiap metode. Metode yang digunakan adalah regresi logistik, K-nearest neighboor, naive bayes, super vector machine, dan random forest. Berdasarkan hasil perhitungan akurasi metode supervised learning diperoleh nilai: 0,82 untuk metode regresi logistik, 0,839 untuk metode K-nearest Neighboor, 0,8 untuk metode super vector machine, 0,836 untuk metode naive bayes, 0,791 untuk metode decision tree, 0,862 untuk metode random forest. Jadi dilihat dari akurasinya maka metode random forest adalah metode terbaik untuk menganalisis data bank-customer dengan nilai akurasi 0,862.

Jaringan kolaborasi para penulis

40 penulis · 74 tautan kepenulisan bersama · menampilkan 40 yang paling banyak terhubung

Arahkan kursor atau ketuk sebuah nama untuk menyorot rekan penulisnya. Klik dua kali untuk membuka halaman penulis.

  • State University of Semarang
  • Tadulako University
  • Afiliasi tidak diketahui
  • Organisasi berbeda
  • Organisasi sama
  • Afiliasi tidak diketahui
  • Garis lebih tebal = lebih banyak artikel bersama · lingkaran lebih besar = lebih banyak artikel
Tampilkan sebagai tabel
Rekan penulisOrganisasiArtikel bersama
Zaenuri ZaenuriState University of Semarang3
Dedy KurniantoAfiliasi tidak diketahui3
Jannatun Khustia LubisAfiliasi tidak diketahui2
Mohammad AsikinState University of Semarang2
Muhammad AshimAfiliasi tidak diketahui2
Nur HasanahTadulako University2
Rohimatul AzizahAfiliasi tidak diketahui2
Fatkhurokhman FauziAfiliasi tidak diketahui2
Alfina AkmalinaAfiliasi tidak diketahui1
Elya Gita AstutiAfiliasi tidak diketahui1
Annisa IkrimahAfiliasi tidak diketahui1
Supriyono SupriyonoAfiliasi tidak diketahui1
Mohammad Jefrie Ilham AkbarAfiliasi tidak diketahui1
Faris Febri RahantoAfiliasi tidak diketahui1
Muhammad Nurul MuttaqinAfiliasi tidak diketahui1
WardonoAfiliasi tidak diketahui1
MunaAfiliasi tidak diketahui1
Tri Sri Noor AsihAfiliasi tidak diketahui1
St. Budi WaluyaAfiliasi tidak diketahui1
Rizki Ahid NurhasanahAfiliasi tidak diketahui1
Petronela Ivoni SusantyAfiliasi tidak diketahui1
Kartono KartonoState University of Semarang1
Luluk Ulfa ChasaniAfiliasi tidak diketahui1
Tri Sri Noor AsihAfiliasi tidak diketahui1
Wardono WardonoAfiliasi tidak diketahui1
Alif Aulia RahmanAfiliasi tidak diketahui1
Nurlaela Eka CahyatiAfiliasi tidak diketahui1
Dahayu WidyadhanAfiliasi tidak diketahui1
Rina Budi HastutiAfiliasi tidak diketahui1
Muhammad Arif Nurman AryaAfiliasi tidak diketahui1
Putri Anis QoriAfiliasi tidak diketahui1
Dhama Sekar OktafaniAfiliasi tidak diketahui1
Meishita Inelza PutriAfiliasi tidak diketahui1
Insyiraah Oxaichiko ArissintaAfiliasi tidak diketahui1
Indah Dwi SulistiyawatiAfiliasi tidak diketahui1
Detalia Noriza MunahefiAfiliasi tidak diketahui1
Firdha Dwi LestariAfiliasi tidak diketahui1

Afiliasi berasal dari OpenAlex; metadata OAI-PMH jurnal tidak memuatnya. Penulis tanpa ID OpenAlex dicocokkan berdasarkan nama, sehingga dua orang bisa tergabung atau satu orang bisa terpisah.

Sumber metadata: OAI-PMH (metadata jurnal) https://journal.unnes.ac.id/sju/index.php/prisma/oai, pertama di-harvest 6 Nov 2026, terakhir terlihat 6 Nov 2026.
Metadata asli (oai_dc) 
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en-US">Perbandingan Metode Klasifikasi Supervised Learning pada Data Bank Customers Menggunakan Python</dc:title>
	<dc:creator>Pamungkas, Fajar Sodik</dc:creator>
	<dc:creator>Prasetya, Bayu Dwi</dc:creator>
	<dc:creator>Kharisudin, Iqbal</dc:creator>
	<dc:description xml:lang="en-US">Makalah ini bertujuan untuk menganalisis dan membandingkan metode–metode pendekatan supervised learning dengan menggunakan studi kasus data churn modelling dari kaggle. Penelitian ini menggunakan program jupyter notebook berbahasa python. Langkah yang dilakukan adalah persiapan yaitu untuk menyiapkan modul yang digunakan untuk analisis supervised learning. kemudian pre-processing data yaitu melabeli data yang memiliki tipe data kategorik, setelah itu membagi data untuk data training dan tesing dengan perbandingan 9:1. Lalu dibuat model dan confussion matriknya untuk setiap metode. Metode yang digunakan adalah regresi logistik, K-nearest neighboor, naive bayes, super vector machine, dan random forest. Berdasarkan hasil perhitungan akurasi metode supervised learning diperoleh nilai: 0,82 untuk metode regresi logistik, 0,839 untuk metode K-nearest Neighboor, 0,8 untuk metode super vector machine, 0,836 untuk metode naive bayes, 0,791 untuk metode decision tree, 0,862 untuk metode random forest. Jadi dilihat dari akurasinya maka metode random forest adalah metode terbaik untuk menganalisis data bank-customer dengan nilai akurasi 0,862.</dc:description>
	<dc:publisher xml:lang="en-US">Jurusan Matematika FMIPA UNNES</dc:publisher>
	<dc:date>2020-03-04</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:type xml:lang="en-US">Peer-reviewed Article</dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://journal.unnes.ac.id/sju/prisma/article/view/37875</dc:identifier>
	<dc:source xml:lang="en-US">PRISMA, Prosiding Seminar Nasional Matematika; Vol 3 (2020): PRISMA, Prosiding Seminar Nasional Matematika; 692-697</dc:source>
	<dc:source>2613-9189</dc:source>
	<dc:language>eng</dc:language>
	<dc:relation>https://journal.unnes.ac.id/sju/prisma/article/view/37875/15565</dc:relation>
</oai_dc:dc>