Prediksi Kepuasan Penumpang Maskapai Menggunakan XGBoost Berbasis Machine Learning
Demo & Pengujian Sistem: Prediksi Kepuasan Penumpang Maskapai Menggunakan XGBoost Berbasis Machine Learning
Video di atas mendemonstrasikan implementasi antarmuka, inference model, dan workflow end-to-end dari project Prediksi Kepuasan Penumpang Maskapai Menggunakan XGBoost Berbasis Machine Learning via TikTok.
Overview & Cara Kerja
AeroMetrics merupakan platform analitik prediktif kecerdasan buatan (Artificial Intelligence) berbasis Machine Learning Classification dan Aviation Decision Support System yang mengimplementasikan algoritma mutakhir XGBoost (Extreme Gradient Boosting) untuk memprediksi status kepuasan penumpang maskapai penerbangan (satisfied vs neutral/dissatisfied) dengan tingkat akurasi tinggi (96.35%, Presisi 97.24%, Recall 94.38%, F1-Score 95.79%, dan ROC-AUC 99.53%) pada dataset masif sebesar 129.880 observasi penumpang riil.
Fitur Utama Project
Arsitektur & Pipeline Sistem
Alur data interaktif dari input request hingga hasil pemrosesan sistem:
129.880 Airline Passenger Records Ingestion
Ingesti dan pra-pemrosesan 129.880 observasi survei penumpang maskapai internasional (103.904 data train dan 25.976 data test holdout), mencakup audit missing values, encoding target kepuasan biner, dan verifikasi tipe data.
Aviation Domain Feature Engineering & Imputation
Imputasi fisik arrival delay berbasis korelasi linier (r = 0.9655) dan rekayasa 6 fitur komposit domain penerbangan (Total Delay, Is Delay Flag, Inflight Comfort Score, Flight Operations Score, Digital Convenience Score).
8 Machine Learning Models Comparative Evaluation
Pelatihan dan evaluasi komparatif 8 algoritma (XGBoost, Random Forest, Gradient Boosting, Decision Tree, KNN, Logistic Regression, SVM, Naive Bayes) pada metrik Accuracy, F1-Score, dan ROC-AUC.
XGBoost Hyperparameter Tuning & Interpretability
Penyetelan hyperparameter XGBoost via 3-Fold Stratified RandomizedSearchCV (meraih Test Accuracy 96.35% dan ROC-AUC 0.9953), dilanjutkan analisis Feature Importance Gain dan Permutation Importance.
AeroMetrics Web Simulator & RESTful API Engine
Deployment pipeline model scikit-learn ke aplikasi web interaktif Flask 3.0 dan Tailwind CSS, dilengkapi 14 slider layanan, simulator delay, preset penumpang, gauge probabilitas, rekomendasi manajerial, dan endpoint API `/predict`.
Struktur Berkas & Repositori
Hierarki folder dan berkas yang disertakan dalam paket proyek ini:
prediksi-kepuasan-penumpang-maskapai-xgboost-machine-learning.zip
Arsip paket ZIP lengkap berisi 100% seluruh berkas di atas siap dijalankan.
Dokumentasi Teknis
Tersedia dokumentasi teknis komprehensif untuk project ini:
Kebutuhan Sistem & Spesifikasi
Spesifikasi minimum perangkat untuk menjalankan project ini dengan lancar:
Cross-platform compatible
Lingkungan kerja teruji
Optimal untuk running service
Untuk berkas & dependensi
Pertanyaan yang Sering Diajukan (FAQ)
Jawaban ringkas terkait lisensi, akses file unduhan, dan panduan instalasi:
Bagaimana cara mendapatkan source code setelah pembayaran?
Segera setelah pembayaran lunas (PAID), berkas ZIP project dapat langsung diunduh secara instan dari halaman ini atau menu Dashboard > Pembelian & Unduhan. Salinan bukti invoice transaksi dan tautan akses juga dikirim otomatis ke alamat email Anda.
Apakah ada panduan instalasi dan dokumentasi teknis?
Ya! Setiap project di Devilda Projects menyertakan dokumentasi teknis komprehensif, arsitektur sistem, struktur database, serta instruksi langkah demi langkah cara setup environment lokal hingga siap di-run.
Bolehkah source code ini dimodifikasi untuk tugas akhir/skripsi/komersial?
Tentu saja. Pembelian lisensi memberikan Anda hak penuh untuk memodifikasi, mengkustomisasi, dan mengembangkan source code ini untuk keperluan tugas akhir, skripsi, portfolio kerja, maupun proyek komersial klien Anda.
Bagaimana jika saya mengalami kendala teknis saat instalasi?
Tim teknis Devilda siap membantu asistensi. Anda dapat berkonsultasi langsung dengan tim kami via WhatsApp CS Devilda (0878-2851-5500). Kami siap membantu kendala instalasi.
Ulasan Pembeli
Ulasan terverifikasi dari pengguna yang telah membeli project ini.
Belum ada ulasan untuk project ini.
Pembayaran aman via QRIS (Semua E-Wallet) & Virtual Account.
Yang Anda Dapatkan:
- Full Source Code Lengkap & Aset Project
- Teknologi: Python, Flask, HTML, CSS
- Panduan Instalasi & Konfigurasi Lingkungan
- Seluruh Bab Dokumentasi Teknis Langkah demi Langkah
- Hak Lisensi Tugas Akhir, Skripsi & Komersial
- Akses Unduhan Berkas ZIP & Code Explorer Langsung