Azzahra, Fedhira Syaila Putri (2025) PENERAPAN HYBRID MACHINE LEARNING UNTUK PREDIKSI DAN KLASIFIKASI RISIKO MULTI-DIMENSI DALAM PROYEK PENGADAAN TEKNOLOGI INFORMASI (TA.2.25.024). Diploma thesis, UNIVERSITAS LOGISTIK DAN BISNIS INTERNASIONAL.
Full text not available from this repository.Abstract
Fedhira Syaila Putri Azzahra, Program Studi D-IV Teknik Informatika, Penerapan Hybrid Machine Learning untuk Prediksi dan Klasifikasi Risiko Multi-Dimensi dalam Proyek Pengadaan Teknologi Informasi. Proyek pengadaan teknologi informasi (TI) sering menghadapi kegagalan akibat kompleksitas risiko multi-dimensi dan manajemen risiko yang belum optimal. Penelitian ini mengusulkan pendekatan hybrid machine learning untuk memprediksi dan mengklasifikasi risiko tersebut secara akurat. Metodologi yang digunakan adalah Cross-Industry Standard Process for Data Mining (CRISP-DM). Model dikembangkan dengan mengombinasikan K-Means clustering untuk pengelompokan risiko dan XGBoost untuk klasifikasi. Dataset "Project Risk Raw Dataset" dari Kaggle, mencakup 4.000 proyek dengan 51 fitur dan variabel target Risk_Level (Rendah, Menengah, Tinggi), digunakan dalam studi ini. Proses implementasi dilakukan menggunakan Python dan pustaka machine learning standar. Evaluasi model memanfaatkan metrik kinerja seperti akurasi, presisi, recall, F1-score, dan analisis confusion matrix, untuk menunjukkan efektivitas model dalam mengidentifikasi risiko proyek TI. Tujuan akhir penelitian ini adalah menyediakan sistem cerdas dan aplikatif yang mampu memberikan informasi risiko terukur, sehingga meminimalkan kegagalan dan meningkatkan efisiensi manajemen proyek TI. Kata Kunci: Hybrid Machine Learning, Risiko Proyek TI, Prediksi Risiko, Klasifikasi Risiko, K-Means, XGBoost, CRISP-DM.
| Item Type: | Thesis (Diploma) |
|---|---|
| Subjects: | T Technology > TA Engineering (General). Civil engineering (General) |
| Divisions: | Sekolah Vokasi > Teknik Informatika D4 |
| Depositing User: | PKL TUJUH TUJUH |
| Date Deposited: | 29 Sep 2025 03:25 |
| Last Modified: | 29 Sep 2025 03:25 |
| URI: | http://eprints.ulbi.ac.id/id/eprint/3622 |
Actions (login required)
 |
View Item |
