Prediksi Waktu Kedatangan Pelanggan Servis Kendaraan Bermotor Berdasarkan Data Historis menggunakan Support Vector Machine

Abstract

Dealer kendaraan perlu menjaga hubungan baik dengan pelanggan sehingga inti bisnis dealer dapat berlanjut dan berkembang. Salah satu strategi yang digunakan adalah memprediksi kapan pelanggan akan berkunjung lagi untuk servis kendaraan (layanan perawatan atau perbaikan kendaraan) berdasarkan analisis data riwayat kunjungan pelanggan. Dengan hasil prediksi berupa hari kedatangan pelanggan dimasa depan maka dealer kendaraan dapat mengingatkan pelanggan tentang kapan waktunya servis kendaraan. Support vector machine (SVM) adalah sebuah model pembelajaran mesin (machine learning) yang menggunakan hyperplane dan support-vector untuk memisahkan kelas dalam suatu ruang dimensi secara optimal sehingga sesuai untuk digunakan dalam pemecahan masalah prediksi waktu kedatangan pelanggan. SVM diimplementasikan untuk memprediksi kapan pelanggan akan datang lagi dimasa depan untuk perbaikan atau perawatan kendaraan. Hasil menunjukkan bahwa, dengan pemilihan metode yang tepat, SVM dapat memprediksi waktu kedatangan pelanggan dengan tingkat akurasi mencapai 92.5% berdasarkan validasi K-Fold cross-validation pada data latih dan mencapai rata-rata 97.33% untuk pengukuran nilai presisi, akurasi dan recall pada data uji

Penerapan data mining dalam analisa profil mahasiswa menggunakan metode support vector machines (SVM)

“…Metode SVM adalah metode terbaik yang digunakan dalam melakukan prediksi berdasarkan kerangka kerja statistik yang dikembangkan oleh seorang peneliti yang bernama Chervonenkis dan Vapnik. SVM di dalam machine larbibf merupakan salah satu algoritme pembelajaran yang terawasi sehingga dapat digunakan dalam melakukan analisis untuk kebutuhan klasifikasi dan regresi [11].…”

Gray Level Co-Occurrence Matrices and Support Vector Machine for Improved Lung Cancer Detection

“…where n is a lot of data. The maximum separation of two classes from training data with an optimal hyperplane is expressed in the following equation [27][28] [37]:…”