RANCANG BANGUN WEB FORMULIR BERBASIS MACHINE LEARNING DI PT TRIMEGAH ASSET MANAGEMENT
Abstract
Kebutuhan akan integritas data merupakan pilar fundamental dalam menjaga stabilitas sistem keuangan nasional. Namun, proses pendataan nasabah di banyak perusahaan yang masih mengandalkan entri data manual sangat rentan terhadap kesalahan manusia (human error), khususnya di PT. Trimegah Asset Management. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan dan membangun sebuah web formulir pendataan nasabah berbasis machine learning untuk memvalidasi data nasabah, khususnya data alamat. Metode yang digunakan adalah pengembangan model machine learning (ML) menggunakan algoritma Random Forest dan integrasi antara model ML dengan sistem yang dibangun menggunakan metode Rapid Application Development (RAD) menggunakan Flask API. Hasil penelitian menunjukkan bahwa model machine learning yang dibangun memiliki akurasi data sebesar 97%, mampu terintegrasi dengan sistem yang dibangun. Sistem tersebut mampu mengotomatisasi verifikasi data serta meningkatkan validitas entry data.
Downloads
References
[2] A. Fariah, “Mengeksplorasi Masa Depan Audit: Memanfaatkan Teknologi dan Analisis Data untuk Peningkatan Integritas Keuangan,” Cakrawala, vol. 6, 2023.
[3] N. Hanifah, M. Irwan, and P. Nasution, “Manajemen Data Yang Efektif : Solusi Untuk Mencegah dan Mengatasi Duplikasi Data Dalam Perusahaan,” vol. 3, no. 1, 2025.
[4] A. N. Rais and B. S. Informatika, “Sistem Informasi Prediksi Risiko Kredit Keuangan Berbasis Web Machine Learning,” vol. 02, 2024.
[5] N. I. Zaki and A. Qoiriah, “Implementasi Algoritma Machine Learning untuk Pengelolaan Laporan pada Website Dinas Penanaman Modal Dan Pelayanan Terpadu Satu Pintu ( DPMPTSP ) Kota Surabaya,” vol. 06, pp. 1063–1075, 2025.
[6] R. Anggara, “Digitalisasi Manajemen Sistem Informasi Pengarsipan Perpustakaan,” vol. 1, no. 2, pp. 86–92, 2025.
[7] L. C. B. H. Belgacem, X. Li, D. Bianculli, “A Machine Learning Approach for Automated Filling of Categorical Fields in Data Entry Forms,” 2022.
[8] et al. A. Hanmandla, J. Ranoliya, D. Ojha, “Webform Optimization using Machine Learning,” 2021.
[9] M. W. T. Kaluarachchi, “WebDraw: A Machine Learning-Driven Tool for Automatic Website Prototyping,” 2024.
[10] M. F. M. P. M.S. Rana, S.I. Omar, “House Rental Finding System Using Laravel, Vue.js, And PHP Machine,” 2024.
[11] V.R. Goli, “Developing Interactive Machine Learning Applications: A React-Based Frontend and a Microservices-Based Backend,” 2024.
[12] M. K. Shital Sobale, Harshwardhan More, Shubham Mulay, “Supervised Machine Learning Model Builder for Regression and Classification Analysis Featured as a Web Application,” 2023.
[13] K. M. Avinash Yadav, Rahul Yadav, “SMS Spam Detection with NLP and Ensemble Learning for Enhanced Classification,” 2025.
[14] S. N. A. Sangeetha, V. Hema, “No Fake News Detection Using Machine Learning Algorithm,” 2022.
[15] D. P. Rakha Putra Pebri Yandra, Hanif Fakhrurroja, “Performance Evaluation of a Modular Laravel–Flask Backend for Real-Time Air Quality Forecasting in IoT-Based Systems,” 2025.
[16] G. C.-V. José Manuel Aroca, José Francisco Díez Pastor, Pedro Latorre-Carmona, Antonio Canepa Oneto, Juan Carlos Rad, “WALGREEN: Web Based Platform for Soil Organic Carbon Inference Applications,” 2024.
Copyright (c) 2026 Evy Nurmiati, Muhammad Zikri Pasa
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
