Chrystia Aji Putra’s scientific contributions

Industri layanan streaming musik mengalami pertumbuhan yang pesat, namun dengan meningkatnya jumlah pengguna, risiko churn atau pelanggan yang berhenti berlangganan juga semakin tinggi. Churn dapat berdampak signifikan terhadap pendapatan dan efisiensi biaya akuisisi pelanggan baru, sehingga penting bagi perusahaan untuk mengidentifikasi pelanggan yang berisiko churn dengan tepat. Penelitian ini mengusulkan penggunaan dua algoritma pembelajaran mesin berbasis gradient boosting, yaitu LightGBM dan CatBoost, untuk memprediksi churn pelanggan layanan streaming musik. Model ini dilatih menggunakan dataset Streaming Subscription Churn, dengan menerapkan teknik SMOTE untuk menangani ketidakseimbangan kelas. Evaluasi model dilakukan menggunakan metrik seperti akurasi, presisi, recall, F1-Score, dan AUC-ROC. Hasil penelitian menunjukkan bahwa kedua model memiliki akurasi yang hampir identik, yaitu 84%. Namun, CatBoost unggul dalam recall (0.86) dibandingkan LightGBM (0.84), yang menunjukkan kemampuannya yang lebih baik dalam mendeteksi pelanggan berisiko churn. Model CatBoost juga memiliki F1-Score 0.85 dan AUC-ROC 0.94, sementara LightGBM memiliki F1-Score 0.84 dan AUC-ROC 0.94. Berdasarkan hasil ini, CatBoost lebih direkomendasikan untuk strategi retensi pelanggan karena lebih efektif dalam mengidentifikasi pelanggan yang berpotensi churn.

Keberagaman iklim dan cuaca yang diakibatkan oleh letak geografis Indonesia yang dilalui oleh garis khatulistiwa menyebabkan perubahan cuaca yang tidak menentu yang berpengaruh kepada kehidupan manusia. Oleh karena itu, diperlukan sebuah solusi berupa pengelompokan atau klasifikasi curah hujan harian. Penelitian ini menggunakan metode K-Nearest Neighbor untuk melakukan proses klasifikasi. Yang dimana K-Nearest Neighbor adalah algoritma untuk menemukan kelompok K dalam data training yang paling dekat dengan data uji dan melakukan pencarian label pada kelas tertentu dalam lingkup data. Dengan menggunakan metrik jarak euclidean, metode ini dapat menghasilkan akurasi paling akurat sebesar 86%.

The liver is a vital organ that is important for humans because it plays a role in regulating hormone cycles, neutralizing toxins, and controlling the composition of blood. Liver disease is a common ailment worldwide. Often, this disease occurs without specific symptoms (asymptomatic). Therefore, liver disease is known as a "silent killer," and it is necessary to quickly and accurately diagnose and treat liver diseases. Data mining technology can be useful for rapidly detecting liver diseases from laboratory diagnosis results. One classification algorithm that can be used is the C50 algorithm. This algorithm is an improvement over the previous C45 algorithm, with several advantages such as efficient memory usage and more concise tree results. However, the C50 algorithm may experience overfitting on complex medical data, requiring the boosting process using AdaBoost. The AdaBoost algorithm can make the C50 algorithm more susceptible to overfitting. Another advantage of the AdaBoost algorithm is its ability to handle imbalanced datasets in terms of target labels. This research used 583 data from UCI machine learning with two target labels: liver and normal. The research results show that the C50 algorithm is capable of identification with an accuracy rate of 74.58%. Furthermore, the C50 algorithm's accuracy can be maximized by AdaBoost to reach 86.44%

Algorithm selection is the main key in producing a system, especially an artificial intelligence-based system, for example, a course scheduling system that involves many constraints in producing an optimal schedule. This research develops a scheduling system using the ICWFPSO algorithm which is a development from previous research, namely the development of a scheduling system using the MIPSO algorithm. The use of inertia weight in the MIPSO algorithm which is used as a scheduling algorithm in previous research can be optimized by using a combination of inertia weight and constriction factor. Scheduling system development is carried out using the waterfall method with research steps namely problem and needs analysis, data collection and literature study, system design, system implementation, and ends with testing the performance of the algorithms that are applied to the scheduling system that is built. Based on the tests carried out, it can be concluded that the ICWFPSO algorithm provides 2 times better performance compared to the MIPSO algorithm in terms of optimal schedule generation time. Meanwhile, tests carried out on CPU and RAM usage showed that there was no significant impact on these two parameters through the implementation of MIPSO and ICWFPSO in the course scheduling system created. Keywords: best scheduling, ICWFPSO, number of iterations

Sentiment analysis is widely used in cases of text processing and comments. One of the case studies is about the analysis of a hotel review by the public. The method used in analyzing a sentiment from comments or reviews of a hotel is the Naïve Bayes Classifier. One that can be used is the Multinomial Naïve Bayes method. In improving the results of the accuracy of the method required an optimization method. There are many optimization methods that can be applied to algorithms in sentiment analysis case studies. One well-known method is Particle Swarm Optimization (PSO). This study aims to determine the effect of PSO optimization on the Multinomial Naïve Bayes algorithm in the case of sentiment analysis. From the results of optimization and model testing, the highest accuracy was obtained in the Multinomial Naïve Bayes test with PSO optimization as hyperparameter tunning and feature selection of 97%.

Business owners need to estimate their revenue, which is crucial for the sustainability of their operations. Thus, entrepreneurs such as micro, small, and medium-sized business owners, as well as owners of grocery stores, leverage technological advancements to maximize their sales operations. However, manual sales activities can pose challenges for managing sales data, such as disorganized sales record keeping, failure to record sales of high-volume customers, and time-consuming manual reporting for revenue predictions. To address these issues, researchers have developed a revenue prediction information system. In this study, revenue and profit predictions for the following period were calculated using the Least Square algorithm with the Mean Absolute Percentage Error (MAPE). An example calculation for a 12-month period resulted in a revenue forecast of Rp. 2,837,687.76 for the month of June 2023 with a MAPE of 12.71%.

Usaha Mikro Kecil dan Menengah (UMKM) mempunyai peranan yang sangat penting dalam pertumbuhan ekonomi di Indonesia. Salah satunya, UMKM mampu menyerap tenaga kerja dalam jumlah besar. Wedang Jempol Bu Shobah merupakan UMKM yang berasal dari Blitar yang saat ini banyak tenaga kerja yang menghasilkan produk minuman herbal. Sayangnya, secara kemasan jauh sekali dari standart kemasan yang telah di tentukan. Namun jika tidak didukung dengan kemasan produk yang informatif dan estetik, maka akan sulit untuk UMKM bersaing dengan produk pabrikan. Perancangan ini merancang kemasan produk minuman wedang jempol Bu Shobah dengan tujuan untuk menambah segmen pasar sekaligus meningkatkan awareness.

Cagar budaya merupakan warisan budaya yang bisa bersifat kebendaaan dan perlu dilestarikan karena memiliki nilai penting bagi sejarah. Perkebunan Kopi De Karanganyar merupakan salah satu wisata cagar budaya yang terletak Kabupaten Blitar. Perkebunan ini didirikan tahun 1874 oleh warga Belanda bernama H.J. Velsink. Perkebunan kopi ini merupakan salah satu penghasil kopi hitam di Blitar. Perkebunan ini memiliki beberapa atraksi wisata didalamnya yang bisa dikunjungi oleh wisatawan. Atraksi wisata yang tersedia antara lain: Koffie Boomstaart, Roemah Lodji, Museum Nugroho, dan Pabrik. Perkebunan kopi ini merupakan salah satu destinasi wisata yang tersedia dalam paket wisata Saya Tour. Keberadaan wisata cagar budaya ini masih belum dikelola dengan optimal oleh Saya Tour, mitra kegiatan pengabdian. Berdasarkan kondisi mitra kegiatan pengabdian dan peluang yang bisa diberikan ke mitra, maka tujuan kegiatan pengabdian ini yaitu untuk memberikan pengetahuan dan wawasan terhadap mitra terkait dengan pemanfaatan teknologi digital untuk memetakan dan mengemas wisata cagar budaya. Metode yang digunaan dalam kegiatan pengabdian ini yaitu metode konsultasi dan pelatihan. Kegiatan telah dilaksanakan sesuai dengan target dan telah memberikan solusi atas permasalahan mitra dengan memberikan beberapa rekomendasi, antara lain pemetaan lokasi wisata berbasis digital, pengemasan wisata memanfaatkan teknologi multimedia dan virtual tourism