Support Vector Machine Dengan Kernel Linier, Polinomial, Dan Radial Basis Function Untuk Klasifikasi Keputusan Pembelian Kembali Pelanggan Pt Pupuk Indonesia

Anggreni, Kadek Siska Putri and Dr. Ir. Solimun,, MS. (2023) Support Vector Machine Dengan Kernel Linier, Polinomial, Dan Radial Basis Function Untuk Klasifikasi Keputusan Pembelian Kembali Pelanggan Pt Pupuk Indonesia. Sarjana thesis, Universitas Brawijaya.

Abstract

Penelitian ini bertujuan untuk mengetahui performa dari SVM dengan menggunakan kernel linier, polinomial, dan RBF dilihat dari nilai akurasi, sensitivitas, dan spesifisitas setiap kernel dalam mengklasifikasikan keputusan pembelian kembali pelanggan PT Pupuk Indonesia. Metode yang digunakan adalah metode kuantitatif dengan menggunakan analisis SVM. Data yang digunakan merupakan data primer dengan sampel penelitian sebanyak 100 pelanggan PT Pupuk Indonesia yang dipilih dengan menggunakan purposive sampling karena terdapat kriteria responden yang harus terpenuhi. Hasil penelitian menunjukkan bahwa SVM dengan kernel RBF merupakan metode yang terbaik atau yang paling tepat dalam mengklasifikasikan keputusan pembelian kembali pelanggan PT Pupuk Indonesia karena menghasilkan nilai akurasi dan spesifisitas pada data testing yang paling tinggi daripada kernel lainnya yaitu akurasi sebesar 85% dan spesifisitas sebesar 88,89%

English Abstract

This study aims to determine the performance of SVM using linear, polynomial, and RBF kernels in terms of the accuracy, sensitivity, and specificity of each kernel in classifying PT Pupuk Indonesia's customer repurchase decisions. The method used is a quantitative method using SVM analysis. The data used are primary data with a sample of 100 customers of PT Pupuk Indonesia selected using purposive sampling because there are respondent criteria that must be met. The results showed that SVM with the RBF kernel was the best or most appropriate method in classifying PT Pupuk Indonesia's customer repurchase decisions because it produced the highest accuracy and specificity values in data testing of other kernels, that is 85% accuracy and 88.89% specificity.

Item Type:	Thesis (Sarjana)
Identification Number:	052309
Uncontrolled Keywords:	Keputusan Pembelian Kembali, Kernel Linier, Kernel Polinomial, Kernel RBF, Support Vector Machine, Repurchase Decision, Linear Kernel, Polynomial Kernel, RBF Kernel, Support Vector Machine.
Subjects:	500 Natural sciences and mathematics > 519 Probabilities and applied mathematics > 519.5 Statistical mathematics
Divisions:	Fakultas Matematika dan Ilmu Pengetahuan Alam > Statistika
Depositing User:	PKN 03 UB
Date Deposited:	08 Jun 2023 03:07
Last Modified:	08 Jun 2023 03:07
URI:	http://repository.ub.ac.id/id/eprint/201170

Text (DALAM MASA EMBARGO) Kadek Siska Putri Anggreni.pdf Restricted to Registered users only until 31 December 2025. Download (2MB)

Actions (login required)

View Item