Muhammad Ali Imron, 4611415034 (2020) PENINGKATAN AKURASI ALGORITMA K-NEAREST NEIGHBOR MENGGUNAKAN NORMALISASI Z-SCORE DAN PARTICLE SWARM OPTIMIZATION UNTUK PREDIKSI CUSTOMER CHURN. Under Graduates thesis, UNNES.

Preview

PDF (PENINGKATAN AKURASI ALGORITMA K-NEAREST NEIGHBOR MENGGUNAKAN NORMALISASI Z-SCORE DAN PARTICLE SWARM OPTIMIZATION UNTUK PREDIKSI CUSTOMER CHURN) - Published Version Download (2MB) | Preview

Abstract

Pesatnya perkembangan teknologi, sistem informasi, dan ilmu pengetahuan mengakibatkan persaingan dalam dunia bisnis menjadi semakin ketat. Dengan meningkatnya persaingan dalam dunia bisnis, banyak perusahaan memanfaatkan teknik data mining untuk mengetahui tingkat loyalitas pelanggan. Dalam usaha ini, data mining dapat digunakan untuk mengetahui tingkat loyalitas pelanggan. Data mining terdiri dari beberapa model penelitian, salah satunya adalah klasifikasi. Salah satu metode paling umum digunakan dalam klasifikasi adalah algoritma K-Nearest Neighbor. Dalam penelitian ini, data yang digunakan adalah German Credit Datasets yang diperoleh dari UCI machine learning repository yang terdiri dari 20 atribut dan 1 atribut class. Dataset ini memiliki struktur data yang tidak normal dimana nilai pada atribut tertentu memiliki range yang cukup jauh. Untuk mengatasi masalah data tersebut, Maka digunakan metode normalisasi Z-Score, dimana metode Z-Score digunakan untuk menormalkan stuktur data yang tidak normal menjadi normal. Kemudian untuk meningkatkan kinerja K-Nearest Neighbor, penentuan parameter nilai K pada penelitian ini menggunakan Particle Swarm Optimization sehingga meningkatkan akurasi pada klasifikasi K-Nearest Neighbor. Metode Particle Swarm Optimization menghasilkan parameter nilai K=10. Dari hasil penelitian ini, penerapan normalisasi Z-Score dan Particle Swarm Optimization dengan algoritma K-Nearest Neighbor berhasil meningkatkan akurasi sebesar 14%. Dengan akurasi awal 68,5%, setelah melakukan penerapan normalisasi Z-Score dan Particle Swarm Optimization menjadi 82,5%. Penelitian ini dapat dijadikan sebagai bahan acuan bagi peneliti selanjutnya agar melakukan penelitian pada tahap preprocessing dan optimasi karena pada tahap tersebut terbukti dapat memberikan peningkatan akurasi. Particle Swarm Optimization dalam penelitian kali ini kurang efisien dalam melakukan pencarian parameter nilai K, sehingga pada penelitian selanjutnya diharapkan dapat mengatasi masalah ini dengan menggunakan metode lain.

Actions (login required)

View Item