OPTIMISASI METODE PREDIKSI PADA DATA CUSTOMER ATTACK LIST (STUDI KASUS: PT AKASTRA TOYOTA)

GUSTIRA, DELLY ASEP (2025) OPTIMISASI METODE PREDIKSI PADA DATA CUSTOMER ATTACK LIST (STUDI KASUS: PT AKASTRA TOYOTA). S1 thesis, Universitas Mercu Buana Jakarta.

Preview	Text (HAL COVER) 01 COVER.pdf Download (493kB) | Preview
	Text (BAB I) 02 BAB I.pdf Restricted to Registered users only Download (123kB)
	Text (BAB II) 03 BAB II.pdf Restricted to Registered users only Download (262kB)
	Text (BAB III) 04 BAB III.pdf Restricted to Registered users only Download (145kB)
	Text (BAB IV) 05 BAB IV.pdf Restricted to Registered users only Download (402kB)
	Text (BAB IV) 06 BAB V.pdf Restricted to Registered users only Download (116kB)
	Text (DAFTAR PUSTAKA) 07 DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (193kB)
	Text (LAMPIRAN) 08 LAMPIRAN.pdf Restricted to Registered users only Download (323kB)

Abstract

Customer visits to the official TOYOTA workshop for servicing are recorded in a system. The service team uses customer data to schedule the next service. Even though this has been done for 2 years, the actual/real value number of customers coming in for service is not as expected. This study aims to predict how long customers wait between services using data analysis and machine learning models like linear regression, random forest, and gradient boosting. We found that these models can accurately predict when customers should need their next service. Therefore, we recommend using these models in the system to improve customer data management and align it better with the overall business process. Keywords: Data Mining, CRISP-DM, Linear Regression, Random Forest, Gradient Boosting. Kunjungan pelanggan di bengkel resmi TOYOTA untuk servis terdata oleh sistem aplikasi. Pengelolaan data pelanggan /data attack list diperlukan oleh tim general repair, untuk melakukan tindak lanjut berupa konfirmasi pengingat-penjadwalan servis selanjutnya. Proses ini sudah berjalan selama kurun waktu 2 tahun, namun hasil penjadwalan kedatangan kunjungan servis pelanggan belum sesuai dari total data pelanggan (attack list) yang dikonfirmasi. Penelitian ini dilakukan untuk memprediksi variabel rentang waktu servis, menggunakan metode eksplorasi dan analisa data (EDA), membuat model algoritma Linear Regression, Random Forest Regressor dan Gradient Boosting Regressor yang digunakan untuk prediksi. Dengan menggunakan metodologi Cross-Industry Standard Process for Data Mining (CRISP-DM). Nilai prediksi yang dihasilkan oleh setiap model algoritma, untuk variabel rentang_hari (waktu servis selanjutnya) memiliki akurasi yang mendekati nilai aktual/sebenarnya. Sehingga penelitian ini merekomendasikan penggunaan model algoritma, yang dapat diterapkan pada sistem aplikasi yang ada. Sehingga optimasi data pelanggan/attack list sinergis dengan proses bisnis yang berjalan. Kata Kunci : Data Mining, CRISP-DM, Linear Regression, Random Forest, Gradient Boosting

Item Type:	Thesis (S1)
Call Number CD:	FIK/SI. 25 031
NIM/NIDN Creators:	41820120001
Uncontrolled Keywords:	Data Mining, CRISP-DM, Linear Regression, Random Forest, Gradient Boosting
Subjects:	000 Computer Science, Information and General Works/Ilmu Komputer, Informasi, dan Karya Umum > 060 General Organizations, Foundations, and Museology/Organisasi-organisasi Umum, dan Museologi > 069 Museology (Museum science)/Museologi > 069.6 Personnel Management of Museum/Manajemen Personalia Museum > 069.62 Regulations for Patrons/Peraturan untuk Pelanggan 600 Technology/Teknologi > 620 Engineering and Applied Operations/Ilmu Teknik dan operasi Terapan > 622 Mining and Related Operations/Operasi Pertambangan dan Operasi Terkait 600 Technology/Teknologi > 650 Management, Public Relations, Business and Auxiliary Service/Manajemen, Hubungan Masyarakat, Bisnis dan Ilmu yang Berkaitan > 658 General Management/Manajemen Umum > 658.3 Personnel Management/Manajemen Personalia, Manajemen Sumber Daya Manusia, Manajemen SDM
Divisions:	Fakultas Ilmu Komputer > Sistem Informasi
Depositing User:	khalimah
Date Deposited:	14 Mar 2025 05:27
Last Modified:	14 Mar 2025 05:27
URI:	http://repository.mercubuana.ac.id/id/eprint/94894

Actions (login required)

View Item