Implementasi Algoritma C4.5 untuk memprediksi Penjualan Paket Internet
Notice bibliographique
Résumé
Kebutuhan paket internet akan semakin meningkat seiring dengan perkembangan teknologi yang semakin pesat. Hal ini membuat perusahaan telekomunikasi seperti telkomsel menghadapi tantangan dalam memprediksi penjualan paket internet. Prediksi yang akurat dapat membantu perusahaan dalam menyusun strategi pemasaran dan penyediaan paket stok yang efektif. Penelitian ini dilakukan untuk memprediksi penjualan paket internet berdasarkan data penjualan dari PT. Golden Communication di kota Binjai. Preoses penelitian ini menggunakan algoritma C4.5 untuk membentuk pohon keputusan (Decision Tree) yang menghasilkan perhitungan entropy dan gain dari berbagai variabel seperti Paket, Harga, Masa Aktif dan Terjual. Hasil dari penelitian ini menunjukkan bahwa algoritma C4.5 mampu memprediksi penjualan paket internet menggunakan aplikasi RapidMiner dengan tingkat akurasi sebesar 94,5 % dengan 200 data pengujian. Berdasarkan analisis yang dilakukan faktor-faktor yang paling berpengaruh terhadap penjualan paket internet adalah masa aktif,paket dan harga. Paket dengan masa aktif yang lebih pendek dan harga yang lebih murah cenderung lebih diminati konsumen.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,005 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».