Abstract:Abstract: Australia chicken eggs are one of the animal foods that are consumed in addition to meat, fish and milk. Australian chicken eggs contain high nutrition, sustainable availability, and relatively higher prices compared…
mpared to other eggs, making Australian chicken eggs in great demand by consumers. However, Australian chicken eggs are easily damaged and decreased in quality due to the entry of bacteria into the eggs. CV. Bintang Ternak selection of quality eggs is still done manually by employees, so there is a need for a new method in determining quality eggs. cv. Bintang Ternak has a sample of 90 Australian chicken eggs. The sample used is Australian chicken egg shell, in determining the quality of Australian chicken eggs can be seen from the condition of the egg shells. Planning in solving these problems will use the C4.5 algorithm method. With the application of the C4.5 algorithm method contained in the rapidminer5 application, there are several advantages to be gained, namely in making a simpler decision, shortening employee work, more flexibility in selecting class attributes, accuracy in predicting more effectively and efficiently and easy to understand with there are conclusions generated by the rapidminer5 application that can be seen from the decision tree or rules obtained using 90 samples of test data resulting in an accuracy of 90%.
Keywords: Rapid Miner5;Algorithm C4.5;Determining the Best Quality of Australian Chicken Eggs.
Abstract: Telur Ayam Autralia merupakan salah satu bahan makanan hewani yang dikonsumsi selain daging, ikan dan susu. Telur ayam australia mengandung gizi yang tinggi, ketersediaan yang berkelanjutan, dan harga yang relatif lebih dibandingkan dengan telur lainnya sehingga menjadikan telur ayam australia sangat diminati oleh para konsumen. Namun, telur ayam australia mudah mengalami kerusakan dan penurunan kualitas akibat masuknya bakteri kedalam telur. CV. Bintang Ternak pemilihan telur yang berkualitas masih dilakukan secara manual oleh karyawan, sehigga perlu adanya metode terbaru dalam penentuan telur yang berkualitas. Cv. Bintang Ternak memiliki sampel telur ayam australia 90 butir. Sampel yang digunakan yaitu kulit telur ayam australia, dalam menentukan kualitas telur ayam australia dapat dilihat dari kondisi kulit telurnya. Perencanaan dalam penyelesaian permasalahan tersebut akan menggunakan metode algoritma C4.5. Dengan adanya penerapan metode algoritma C4.5 yang terdapat pada aplikasi rapidminer5 maka ada beberapa keuntungan yang didapat diperoleh yaitu dalam mengambil suatu keputusan lebih sederhana, mempersingkat pekerja karyawan, lebih fleksibel dalam pemilihan atribut kelas, keakuratan dalam memprediksi lebih efektif dan efisien dan mudah dipahami dengan adanya kesimpulan yang dihasilkan oleh aplikasi rapidminer5 yang dapat dilihat dari pohon keputusan atau rule yang diperoleh dengan menggunakan 90 sampel data uji memghasilkan akurasi sebesar 90%.
Kata kunci:RapidMiner5;Algoritma C4.5;Menentukan Kualitas Telur Ayam Australia Terbaik.
Abstract:Abstract: Food is the most important foodstuff needed by humans, in addition to consumption, the production of food crops can also be used as a source of business in the economy. This study aims to predict the production…
of food crops in the Agriculture Office of Asahan Regency. Based on data on food crop production from 2012 to 2019 at the Asahan District Agriculture Office experienced ups and downs, food crop production sometimes does not meet the consumption of people in Asahan Regency (devisit) and sometimes overproduction (surplus). So far, the Agriculture Office of Asahan Regency has predicted the production of food crops only with estimates so that the results are not accurate. Based on these problems, a proper forecasting system is needed so that it is able to predict the production rate of food crops quickly and accurately. Applications are built using Visual Basic Net 2010 and MySQL databases and use the Single Moving Average method. The results of this study can help the Agriculture Office of Asahan Regency in predicting the amount of food crop production in the next period according to the needs.
Keywords : Forecasting, Production, Food Crops, Single Moving Average
Abstrak: Pangan merupakan bahan makanan paling utama yang di butuhkan oleh manusia, selain untuk dikomsumsi, hasil produksi dari tanamana pangan juga dapat dijadikan sebagai sumber usaha dalam perekonomian. Penelitian ini bertujuan untuk melakukan prediksi produksi tanaman pangan pada Dinas Pertanian Kabupaten Asahan. Berdasarkan data produksi tanaman pangan dari tahun 2012 sampai dengan tahun 2019 pada Dinas Pertanian Kabupaten Asahan mengalami naik turun, produksi tanaman pangan terkadang tidak memenuhi konsumsi masyarakat di Kabupaten Asahan (devisit) dan terkadang kelebihan produksi (surplus). Selama ini Dinas Pertanian Kabupaten Asahan melakukan prediksi produksi tanaman pangan hanya dengan perkiraaan-perkiraan saja sehingga hasilnya tidak akurat. Berdasarkan permasalahan tersebut maka dibutuhkan sistem peramalan yang tepat sehingga mampu meramalkan tingkat produksi tanaman pangan dengan cepat dan akurat. Aplikasi dibangun menggunakan Visual Basic Net 2010 dan database MySQL serta menggunakan metode Single Moving Average. Hasil dari penelitian ini dapat membantu Dinas Pertanian Kabupaten Asahan dalam memprediksi jumlah produksi tanaman pangan pada periode berikutnya sesuai dengan kebutuhan.
Kata Kunci : Peramalan, Produksi, Tanaman Pangan, Single Moving Average
Abstract:Abstract: Student graduation is an urgent matter that is an indicator of the success of a university in producing its learning output. Several factors influence student graduation such as GPA, attendance, late taking credits,…
dits, and lack of student involvement in academic activities. The urgency of this research, universities need a method that is able to predict student graduation early so that it can provide academic intervention to students who have the potential to experience delays or fail to graduate. However, limited access to real academic data is often an obstacle in the development of predictive models, Therefore, this study aims to implement the XGBoost algorithm to predict student graduation based on several academic variables, namely the Cumulative Grade Point Average (GPA), the number of credits taken, the percentage of attendance, and the average grade of students. Model training using the XGBoost algorithm using a simulation dataset of 500 students who are labeled as graduating into two classes, namely passed and failed. The results of the study showed that the classification performance was very good with an accuracy value of 99.6%, Precision 99.7%, recall 99.4%.
Keywords: xgboost algorithm; data mining; student graduation
Abstrak: Kelulusan mahasiswa merupakan hal urgensi yang menjadi indikator keberhasilan sebuah perguruan tinggi dalam menghasilkan output pembelajarannya. Beberapa Faktor yang mempengaruhi kelulusan mahasiswa seperti IPK, kehadiran, keterlambatan pengambilan SKS, serta kurangnya keterlibatan mahasiswa dalam aktifitas akademik. Yang menjadi urgensi penelitian ini, Perguruan tinggi memerlukan suatu metode yang mampu memprediksi kelulusan mahasiswa secara dini sehingga dapat memberikan intervensi akademik kepada mahasiswa yang berpotensi mengalami keterlambatan atau tidak lulus. Namun, keterbatasan akses terhadap data akademik riil sering menjadi kendala dalam pengembangan model prediksi, Oleh karena itu, penelitian ini bertujuan mengimplementasikan algoritma XGBoost untuk memprediksi kelulusan mahasiswa berdasarkan beberapa variabel akademik, yaitu Indeks Prestasi Kumulatif (IPK), jumlah SKS yang ditempuh, persentase kehadiran, dan nilai rata-rata mahasiswa. Pelatihan model menggunakan algoritma XGBoost dengan menggunakan dataset simulasi 500 mahasiswa yang diberi label kelulusan menjadi dua kelas yaitu lulus dan tidak lulus. Hasil penelitian menunjukan bahwa performance klasifikasi yang sangat baik dengan nilai accurasi sebesar 99,6%, Precision 99,7%, recall 99,4%.
Kata kunci: algoritma xgbosst; kelulusan mahasiswa; penambangan data
Abstract:This study aimed to compare the performance of machine learning algorithms and user experience in predicting students’ academic achievement. The research is motivated by the need for prediction systems that are not only…
y highly accurate but also easily interpretable by users. The proposed methodology involved the implementation of two algorithms, namely Decision Tree and Random Forest, using an academic dataset that included grade point average, attendance, and assessment scores. Model performance was evaluated using accuracy, precision, recall, and F1-score, while user experience was assessed through the System Usability Scale (SUS) based on a simple user interface. The findings revealed that Random Forest achieved higher predictive accuracy, whereas Decision Tree provided better interpretability and ease of understanding for users. These results indicated a trade-off between model performance and user experience, suggesting that algorithm selection should consider both aspects in order to develop an effective and user-friendly academic prediction system
Abstract:Abstract: Accurate forecasts of tea harvest production are important for workforce planning, factory operations, and marketing decisions, yet conventional estimation in plantations often relies on field experience and can…
n be biased and less adaptive to changing conditions. This study aims to develop a Random Forest Regression model to predict tea harvest production at the Bah Butong tea plantation using historical operational and climate-related data. The dataset consists of 60 monthly records (2020–2024) with six predictor variables: rainfall (mm), number of rainy days, pest level, weed level, number of harvested trees and land area. Data were split into 80% training (48 samples) and 20% testing (12 samples). Model hyperparameters were optimized using RandomizedSearchCV with RepeatedKFold cross-validation (5 folds, 3 repeats). The tuned model achieved MSE of 668,980,524.45, RMSE of 25,864.66 kg, MAE of 19,838.69 kg, and MAPE of 7.59% on the test set. The results indicate that the model can provide practical production estimates, with errors averaging about 7–8% of the actual production. Feature importance analysis shows that the number of harvested tea bushes and cultivated area contribute most to predictions. Future work should extend the historical period and incorporate time-based features (seasonality/lag) for improved forecasting.
Keywords: hyperparameter tuning; production prediction; random forest; regression; tea harvest
Abstrak: Perkiraan akurat produksi panen teh sangat penting untuk perencanaan tenaga kerja, operasional pabrik, dan keputusan pemasaran, namun estimasi konvensional di perkebunan seringkali bergantung pada pengalaman lapangan dan dapat bias serta kurang adaptif terhadap perubahan kondisi. Studi ini bertujuan untuk mengembangkan model Regresi Random Forest untuk memprediksi produksi panen teh di perkebunan teh Bah Butong menggunakan data operasional dan data terkait iklim historis. Dataset terdiri dari 60 catatan bulanan (2020–2024) dengan enam variabel prediktor: curah hujan (mm), jumlah hari hujan, tingkat hama, tingkat gulma, jumlah pokok panen, dan luas lahan. Data dibagi menjadi 80% data pelatihan (48 sampel) dan 20% data pengujian (12 sampel). Parameter model dioptimalkan menggunakan RandomizedSearchCV dengan validasi silang RepeatedKFold (5 lipatan, 3 pengulangan). Model yang telah disempurnakan mencapai MSE sebesar 668.980.524,45, RMSE sebesar 25.864,66 kg, MAE sebesar 19.838,69 kg, dan MAPE sebesar 7,59% pada set data uji. Hasil tersebut menunjukkan bahwa model dapat memberikan estimasi produksi yang praktis, dengan kesalahan rata-rata sekitar 7–8% dari produksi aktual. Analisis kepentingan fitur menunjukkan bahwa jumlah semak teh yang dipanen dan luas lahan budidaya paling berkontribusi pada prediksi. Pekerjaan selanjutnya harus memperpanjang periode historis dan menggabungkan fitur berbasis waktu (musiman/lag) untuk peramalan yang lebih baik.
Kata kunci: panen teh; prediksi produksi; random forest; regresi; tuning parameter
Abstract:Abstract: Rehabilitation programs are essential in correctional systems to equip inmates with the skills and behavioral readiness required for social reintegration. However, rehabilitation program assignment in many correctional…
ectional institutions remains dependent on manual and subjective assessments, which may result in inconsistent decisions. This study develops a Random Forest–based prediction system to support objective and data-driven rehabilitation program determination. A quantitative approach was applied using historical inmate data from January 2023 to January 2025, comprising 2,023 records. The research process included data preprocessing, an 80:20 training–testing split, model training, and performance evaluation using accuracy, precision, recall, and F1-score metrics. The results show that the model achieved an accuracy of 86.17% during training in Google Colab and 68.83% when deployed within the application system. This performance gap reflects real-world deployment and computational constraints rather than model failure. The proposed system provides consistent and objective rehabilitation program recommendations, thereby supporting more effective rehabilitation planning and decision-making in correctional institutions.
Keywords: correctional institutions; inmate rehabilitation programs; machine learning; random Forest; prediction system
Abstrak: Program pembinaan narapidana memiliki peran penting dalam sistem pemasyarakatan untuk membekali warga binaan dengan keterampilan serta kesiapan perilaku dalam proses reintegrasi ke masyarakat. Namun, pada banyak lembaga pemasyarakatan, penentuan program pembinaan masih bergantung pada penilaian manual yang bersifat subjektif, sehingga berpotensi menimbulkan ketidakkonsistenan dalam pengambilan keputusan. Penelitian ini mengembangkan sistem prediksi program pembinaan narapidana berbasis algoritma Random Forest guna mendukung pengambilan keputusan yang objektif dan berbasis data. Pendekatan kuantitatif diterapkan menggunakan data historis narapidana periode Januari 2023 hingga Januari 2025 sebanyak 2.023 data. Tahapan penelitian meliputi prapemrosesan data, pembagian data latih dan uji dengan rasio 80:20, pelatihan model, serta evaluasi performa menggunakan metrik akurasi, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model mencapai akurasi sebesar 86,17% pada tahap pelatihan di Google Colab dan 68,83% saat diimplementasikan pada sistem aplikasi. Perbedaan performa tersebut mencerminkan keterbatasan lingkungan operasional, bukan kegagalan model. Secara keseluruhan, sistem yang dikembangkan mampu memberikan rekomendasi program pembinaan yang lebih objektif dan konsisten, sehingga mendukung perencanaan pembinaan yang lebih efektif.
Kata kunci: mesin pembelajaran; program pembinaan narapidana; random Forest; sistem pemasyarakatan; sistem prediksi
Abstract:Abstract: SMP Muhammadiyah 5 Samarinda still relies on manual evaluation with limited data analysis tools in predicting student academic achievement. This study aims develop a system for predicting the learning achievement…
nt of students at SMP Muhammadiyah 5 Samarinda using the Naive Bayes classification method. The dataset used consists of 192 student exam scores covering academic scores, attendance, parents’ education and income, and living conditions as independent variables, while the dependent variable is the achievement label (achieved or not achieved). The preprocessing stage includes label normalization, feature selection, and median imputation to handle missing data. The dataset was divided into 75% training data and 25%. The model was implemented as a pipeline consisting of a median imputer and a Gaussian Naive Bayes classifier. The evaluation results showed that the model achieved an accuracy of 79.2%, with a perfect recall value (1.00) in the high-achieving class and (0.64) in the low-achieving class. This shows that the model is quite effective in identifying high-achieving students. The trained model was then integrated into a Flask-based web application, which enables online predictions through a simple form interface, facilitating contextual interpretation. This system is expected to assist in educational decision-making by helping teachers identify students’ achievement levels early on and design more targeted learning interventions.
Keywords: academic performance; educational data mining; naive bayes; prediction system; student achievement
Abstrak: SMP Muhammadiyah 5 Samarinda masih bergantung pada evaluasi manual dengan alat analisis data terbatas dalam melakukan prediksi prestasi akademik siswa. Penelitian ini bertujuan mengembangkan sistem prediksi prestasi belajar siswa SMP Muhammadiyah 5 Samarinda menggunakan metode klasifikasi Naive Bayes. Dataset yang digunakan terdiri atas 192 data nilai ujian siswa yang mencakup skor akademik, kehadiran, pendidikan dan pendapatan orang tua, serta kondisi tempat tinggal sebagai variabel independen, sedangkan variabel dependen berupa label prestasi (berprestasi atau tidak berprestasi). Tahap preprocessing meliputi normalisasi label, seleksi fitur, serta imputasi median untuk menangani data yang hilang. Dataset dibagi menjadi 75% data latih dan 25%. Model diimplementasikan dalam bentuk pipeline yang terdiri atas median imputer dan Gaussian Naive Bayes classifier. Hasil evaluasi menunjukkan bahwa model mencapai akurasi sebesar 79,2%, dengan nilai recall sempurna (1,00) pada kelas berprestasi dan lebih rendah (0,64) pada kelas tidak berprestasi. Hal ini menunjukkan bahwa model cukup efektif dalam mengidentifikasi siswa berprestasi. Model yang telah dilatih kemudian diintegrasikan ke dalam aplikasi web berbasis Flask, yang memungkinkan prediksi secara daring melalui antarmuka formulir sederhana untuk mendukung interpretasi kontekstual. Sistem ini diharapkan dapat membantu untuk pengambilan keputusan dalam pendidikan dengan membantu guru mengidentifikasi tingkat prestasi siswa sejak dini dan merancang intervensi pembelajaran yang lebih terarah.
Kata kunci: prestasi akademik; penambangan data Pendidikan; naive bayes; sistem prediksi; prestasi siswa
Abstract:Abstract: Stroke is one of the leading causes of death and disability in various parts of the world, including in Indonesia. Along with the development of digital technology, the use of Machine Learning in the health sector…
tor is growing, one of which is in an effort to predict the occurrence of stroke. This study aims to implement the Logistic Regression algorithm in predicting the likelihood of a person having a stroke based on data from the Brain Stroke dataset. The research process includes data preprocessing (missing value handling, normalization, and label encoding), dividing the data into 80% training data and 20% test data, as well as model training. The model was then evaluated using several measures such as accuracy, precision, recall, F1-score, and ROC-AUC, as well as a confusion matrix. The results of the study showed that Logistic Regression was able to provide stroke classification results with an accuracy of 82.4%, precision of 80.1%, recall of 78.6%, F1-score of 79.3%, and a ROC-AUC value of 0.87. Then, the model is integrated into applications that use Streamlit, so it can be used interactively to predict stroke risk in new data. The results of this study show that the combination of Machine Learning and web-based applications has the potential to support efforts to detect early stroke risk.
Keywords: logistic regression; machine learning; prediction; streamlit; stroke.
Abstrak: Stroke adalah salah satu penyebab utama kematian dan kecacatan di berbagai belahan dunia, termasuk di Indonesia. Seiring perkembangan teknologi digital, penggunaan Machine Learning dalam bidang kesehatan semakin berkembang, salah satunya dalam upaya memprediksi terjadinya penyakit stroke. Penelitian ini bertujuan untuk mengimplementasikan algoritma Logistic Regression dalam memprediksi kemungkinan seseorang mengalami stroke berdasarkan data dari dataset Brain Stroke. Proses penelitian meliputi preprocessing data (penanganan missing value, normalisasi, dan label encoding), membagi data menjadi 80% data latih dan 20% data uji, serta pelatihan model. Model kemudian dievaluasi menggunakan beberapa ukuran seperti akurasi, precision, recall, F1-score, dan ROC-AUC, serta confusion matrix. Hasil penelitian menunjukkan bahwa Logistic Regression mampu memberikan hasil klasifikasi penyakit stroke dengan akurasi sebesar 82,4%, precision 80,1%, recall 78,6%, F1-score 79,3%, dan nilai ROC-AUC sebesar 0,87. Kemudian, model tersebut diintegrasikan ke dalam aplikasi yang menggunakan Streamlit, sehingga dapat digunakan secara interaktif untuk memprediksi risiko stroke pada data baru. Hasil penelitian ini menunjukkan bahwa kombinasi Machine Learning dan aplikasi berbasis web berpotensi mendukung upaya deteksi dini risiko stroke.
Kata kunci: logistic regression; machine learning; prediksi; streamlit; stroke.
Abstract:Abstract: This study applies an integrated approach to optimize heart failure classification. The main objective is to address the challenge of class imbalance in medical datasets and to improve the accuracy, sensitivity,…
, and generalization of the classification model. The urgency of this issue is emphasized by statistics showing that cardiovascular diseases cause approximately 17.9 million deaths worldwide each year. Using a quantitative experimental approach, this study analyzes the "Heart Failure Prediction Dataset" from Kaggle, which consists of 918 records. The data were processed through normalization and encoding, followed by the application of SMOTE on the training set to balance class distribution. This step successfully increased model accuracy from 88.41% to 90.22% and minority class recall from 0.82 to 0.88. Furthermore, Bayesian Optimization was employed to refine the hyperparameters of SVM, resulting in a final model with an accuracy of 89.13% that demonstrated better generalization. This integrated approach significantly enhances the stability, sensitivity, and generalization of the model, making it a reliable tool for clinical decision support systems in predicting heart failure.
Keywords: bayesian optimization; heart failure; machine learning; SMOTE; SVM.
Abstrak: Penelitian ini menerapkan pendekatan terintegrasi untuk mengoptimalkan klasifikasi gagal jantung. Tujuan utama studi ini adalah untuk mengatasi tantangan ketidakseimbangan kelas dalam dataset medis dan meningkatkan akurasi, sensitivitas, serta generalisasi model klasifikasi. Urgensi ini ditegaskan oleh statistik yang menunjukkan bahwa penyakit kardiovaskular menyebabkan sekitar 17,9 juta kematian setiap tahun secara global. Menggunakan pendekatan eksperimental kuantitatif, penelitian ini menganalisis "Heart Failure Prediction Dataset" dari Kaggle, yang terdiri dari 918 catatan. Data diproses dengan normalisasi dan encoding, lalu SMOTE diterapkan pada data pelatihan untuk menyeimbangkan distribusi kelas. Langkah ini berhasil meningkatkan akurasi dari 88,41% menjadi 90,22% dan recall kelas minoritas dari 0,82 menjadi 0,88. Selanjutnya, Bayesian Optimization menyempurnakan hyperparameter SVM, menghasilkan model akhir dengan akurasi 89,13% yang menunjukkan generalisasi lebih baik. Pendekatan terintegrasi ini secara signifikan meningkatkan stabilitas, sensitivitas, dan generalisasi model. Hasil penelitian ini menjadikannya alat yang andal untuk sistem pendukung keputusan klinis dalam prediksi gagal jantung.
Kata kunci: bayesian optimization; gagal jantung; machine learning; SMOTE; SVM
Abstract:Abstract: Non-performing loans remain one of the main challenges faced by cooperatives, particularly when the loan eligibility assessment process is still conducted manually. This traditional approach tends to be time consuming,…
nsuming, subjective, and prone to inaccurate decisions. This study aims to develop a predictive model for borrower eligibility using the Support Vector Machine (SVM) algorithm as a more efficient and objective machine learning-based solution. A total of 1,000 loan history records were processed using RapidMiner software, taking into account variables such as salary, years of employment, loan amount, monthly installment, employment status, monthly expenses, number of dependents, housing status, age, and collateral value. The model’s performance was evaluated using a confusion matrix and classification metrics including accuracy, precision, recall, and kappa. The results indicate that the SVM model achieved an accuracy of 90.05%, precision of 90.13%, recall of 90.05%, and f1 score of 90,08%, reflecting a strong performance in classifying borrower eligibility. The application of this method makes a significant contribution to the development of data driven decision support systems within cooperative environments. This finding expands the scientific understanding in the field of microfinance and supports the implementation of artificial intelligence technologies in making decisions that are more precise, rapid, and accurate.
Keywords: cooperative; eligibility prediction; machine learning; non-performing loan; SVM
Abstrak: Kredit macet merupakan salah satu permasalahan utama yang dihadapi koperasi, terutama ketika proses penilaian kelayakan peminjam masih dilakukan secara manual. Pendekatan ini cenderung lambat, subjektif, dan berisiko menghasilkan keputusan yang kurang akurat. Penelitian ini bertujuan untuk membangun model prediksi kelayakan peminjam menggunakan algoritma Support Vector Machine (SVM) sebagai solusi berbasis machine learning yang lebih efisien dan objektif. Sebanyak 1.000 data riwayat pinjaman diolah menggunakan tools RapidMiner dengan mempertimbangkan variabel: gaji, lama bekerja, besar pinjaman, angsuran per bulan, status pegawai, pengeluaran bulanan, jumlah tanggungan, status rumah, umur, dan nilai jaminan. Evaluasi model dilakukan menggunakan confusion matrix dan metrik klasifikasi seperti akurasi, presisi, recall, dan kappa. Hasil menunjukkan bahwa model SVM mencapai akurasi 90,05%, presisi 90,13%, recall 90,05%, dan f1 score 90,08%, yang mencerminkan performa model yang sangat baik dalam mengklasifikasikan kelayakan peminjam. Penerapan metode ini memberikan kontribusi penting dalam pengembangan sistem pendukung keputusan berbasis data di lingkungan koperasi. Temuan ini memperluas wawasan keilmuan di bidang keuangan mikro dan mendukung penerapan teknologi kecerdasan buatan dalam pengambilan keputusan yang lebih tepat, cepat, dan akurat.
Kata Kunci: koperasi; kredit macet; machine learning; prediksi kelayakan; SVM