Hasil Pencarian  ::  Simpan CSV :: Kembali

"Seiring dengan kemajuan teknologi, fase konstruksi dan pembangunan mengalami perkembangan yang cukup pesat secara signifikan dalam mempersingkat waktu desain konstruksi. Proses desain bangunan hijau yang memakan waktu lebih lama daripada bangunan konvensional membuat industri konstruksi diharapkan mampu menemukan cara alternatif dengan alat desain terkomputerisasi yang efisien. Salah satunya dengan penerapan teknologi dengan menggunakan pembelajaran mesin. Tujuan dari penelitian ini adalah untuk menyelidiki persiapan data bangunan hijau untuk digunakan dalam alat desain berbasis pembelajaran mesin yang diusulkan agar lebih akurat dalam memprediksi variabel bangunan hijau khususnya kualitas lingkungan dalam ruangan daripada metode desain konvensional. Tinjauan literatur tentang bangunan hijau, serta pembelajaran mesin dalam konstruksi dilakukan untuk mengidentifikasi topik penelitian yang sedang dilakukan. Data umum tersebut dikuantifikasi, dianalisis, dan diproses untuk digunakan dalam model desain bangunan hijau yang dikembangkan menggunakan algoritma dan pemrograman artificial neural network dan support vector regression. Konsep pengembangan model ini menunjukkan bahwa alat desain akan membantu mengambil keputusan dalam memprediksi variabel bangunan hijau secara kuantitatif dengan akurasi yang memadai. Metode yang diambil sebagai model terbaik dalam penelitian ini adalah model dengan algoritma support vector regression.

---

Along with technological advances, the construction and development phases have developed quite rapidly, significantly shortening the construction design time. The green building design process which takes longer than conventional buildings makes the construction industry expected to be able to find alternative ways with efficient computerized design tools. One of them is by applying technology using machine learning. The aim of this study is to investigate the preparation of green building data for use in a machine learning-based design tool which is proposed to be more accurate in predicting green building variables especially indoor environmental quality than conventional design methods. A review of the literature on green building, as well as machine learning in construction was conducted to identify the topic of the research being carried out. The general data is quantified, analyzed, and processed to be used in a green building design model developed using algorithms and programming artificial neural networks and support vector regression. The concept of developing this model shows that design tools will help make decisions in predicting green building variables quantitatively with sufficient accuracy. The method taken as the best model in this study is a model with a support vector regression algorithm."

"Menurut EEB Laboratory Jakarta, pada tahun 2016 sektor bangunan memiliki mengkonsumsi 18-20% dari total penggunaan energi di Indonesia, dan terus menerus meningkat seiring perkembangan teknologi yang membutuhkan sumber energi dalam upaya peningkatan kualitas hidup penghuni bangunan. Bangunan pintar merupakan sebuah konsep pemanfaatan teknologi yang tidak hanya bertujuan meningkatkan kenyamanan penghuni, tetapi juga dapat membantu dalam upaya efisiensi energi pada operasional bangunan. Maka dari itu, penelitian ini akan membantu upaya perancangan efisiensi energi pada sebuah bangunan dengan meninjau fitur dan karakteristik yang berpotensi dalam mendukung efisiensi energi dengan penerapan konsep bangunan pintar. Selain itu, akan dibuat sebuah model dengan pemanfaatan machine learning yang mampu memberikan prediksi tingkat penggunaan energi berdasarkan fitur-fitur yang diberikan. Model machine learning yang dihasilkan memiliki rata-rata nilai kesalahan relatif sebesar 17,76%, serta didapatkan tingkat efisiensi dengan penerapan seluruh fitur yang diidentifikasi pada rentang 34,5% hingga 45,3% tergantung pada lantai yang ditinjau.

---

According to EEB Laboratory Jakarta, Indonesian building sector accounts for 18- 20% energy consumption in 2016, and this trend will continuously increase as technology needed to increase housing residents' quality keeps advancing. Smart building is a concept to utilise technology that does not only help increase occupants' comfort inside the building, but it can also help increase energy usage efficiency in building operations. This research aims to help the effort in designing energy efficiency planning for a building by reviewing potential features and characteristics that could help improves energy efficiency with implementation of the smart building concept. A model based on machine learning that could give prediction on the level of energy consumption based on given features will also be discussed here. This model of machine learning has a 17,76% average of relative error, as well as 34,5% until 45,3% efficienct level that includes implementation of all features, depending on analysed floor."

"Green building merupakan suatu konsep bangunan yang memperhatikan dampak suatu bangunan terhadap lingkungannya, sedangkan healthy building merupakan konsep yang berfokus pada dampak yang ditimbulkan dari suatu bangunan terhadap kesehatan penghuni di dalamnya. Pertimbangan terhadap aspek kelestarian lingkungan dan kesehatan manusia ini telah menjadi urgensi dalam proses perencanaan bangunan. Namun dengan adanya berbagai kinerja yang dilingkupi pada dua konsep bangunan tersebut, proses perencanaan green building dan healthy building cenderung membutuhkan proses perencanaan yang ekstensif, sehingga waktu perencanaan yang dibutuhkan menjadi lebih lama dibandingkan waktu perencanaan bangunan konvensional. Untuk mengatasi hal itu, penelitian ini bertujuan untuk mengembangkan suatu sistem prediksi berbasis pendekatan machine learning berbasis data yang diintegrasikan dengan Building Information Modeling (BIM). Kombinasi metode kuantitatif dan kualitatif melalui analisis arsip, benchmarking, studi kasus, validasi pakar, dan uji coba sistem digunakan untuk mencapai tujuan tersebut. Penelitian ini menghasilkan dua model machine learning dengan nilai akurasi yang terbaik untuk memprediksi kinerja green building dan healthy building dari desain suatu bangunan. Kedua model machine learning tersebut diintegrasikan ke dalam BIM agar dapat langsung diaplikasikan pada alur kerja proses perencanaan. Dengan sistem prediksi yang dikembangkan pada penelitian ini, efisiensi waktu perencanaan bangunan sebesar 20% dapat diperoleh melalui minimalisasi proses analisis kinerja bangunan untuk mewujudkan konsep green building dan healthy building.

---

Green building is a building concept that focuses on the impact of a building on its environment, while a healthy building pays more attention to the impact of a building on the health of the occupants. Considering these environmental sustainability and human health aspects has become urgent in the building planning process. However, with the various performances covered by the two building concepts, the planning process for green buildings and healthy buildings tends to require a relatively extensive process, affecting the length of time required for the planning process. This study aims to develop a prediction system based on a machine learning computational approach integrated into Building Information Modeling (BIM) to address this issue. The combination of quantitative and qualitative methods through literature review, benchmarking, case studies, expert validation, and system testing was used to achieve the research objectives. This research produces two machine learning models with the best level of accuracy for predicting the performance parameters of green buildings and healthy buildings from the conceptual design of a building. Both machine learning models are integrated into BIM to directly apply to the planning process workflow. With the prediction system proposed in this study, a time efficiency of 20% can be obtained from the building planning process by minimizing the building performance analysis process to implement green building and healthy building concepts. "

"Rancang campur beton merupakan proses bertahap dan kompleks untuk mencoba menemukan komposisi bahan terbaik guna menghasilkan beton dengan performa terbaik. Kuat tekan beton merupakan sifat terpenting dalam kualitas beton dibandingkan sifat-sifat lain. Dalam proses pembuatannya, banyak variabel terutama jumlah komposisi material penyusun yang dapat memengaruhi kuat tekan beton. Terdapat beberapa metode konvensional dalam memprediksi beton yang terkadang memberikan hasil prediksi lebih atau kurang dari kuat tekan yang ditargetkan. Diperlukan metode yang akurat dalam memprediksi kuat tekan beton agar dapat memberikan keuntungan secara signifikan terhadap penggunaan bahan. Oleh karena itu, penelitian ini menggunakan Deep Neural Network (DNN) sebagai subbidang dari Machine Learning (ML) dan Artificial Intelligence (AI), untuk memprediksi kuat tekan beton berdasarkan komposisi campuran dan properti materialnya. Penelitian ini menghasilkan formula matematika berupa persamaan yang dihasilkan dari model DNN terbaik dengan melihat aspek error model dan grafik model loss. Terdapat total 2048 model yang dianalisis dengan variasi jumlah variabel input (feature) yang berbeda-beda. Model 280 pada kasus 1 dan model 23 pada kasus 5 merupakan model terbaik yang dihasilkan penelitian ini, dengan masing-masing nilai error model 43,8028 dan 5778,5850 untuk Mean Squared Error (MSE) serta 5,0073 dan 59,8225 Maen Absolute Error (MAE).

---

Concrete mix design is a gradual and complex process of trying to find the best ingredient composition to produce the best performing concrete. The compressive strength of concrete is the most important property in concrete quality compared to other properties. In the manufacturing process, many variables, especially the amount of material composition, can affect the compressive strength of concrete. There are several conventional methods of predicting concrete that sometimes give predictive results more or less than the targeted compressive strength. An accurate method of predicting the compressive strength of concrete is needed in order to significantly benefit the use of materials. Therefore, this research utilizes Deep Neural Network (DNN), a subfield of Machine Learning (ML) and Artificial Intelligence (AI), to predict the compressive strength of concrete based on its mix composition and material properties. This research produces mathematical formulas in the form of equations generated from the best DNN model by looking at the aspects of model error and model loss graphs. There are a total of 2048 models analyzed with different variations in the number of input variables (features). Model 280 in case 1 and model 23 in case 5 are the best models produced by this study, with model error values of 43.8028 and 5778.5850 for Mean Squared Error (MSE) and 5.0073 and 59.8225 Maen Absolute Error (MAE), respectively."

"Pembangunan Ibu Kota Negara yang terletak di Kalimantan Timur menjadi proyek besar pemerintah dengan anggaran biaya Rp 466 Triliun. Untuk menjamin efisiensi biaya konstruksi dari proyek ini, diperlukan pendekatan estimasi biaya yang baik. Namun estimasi biaya dalam konstruksi di Indonesia saat ini masih didominasi metode konvensional yang masih memiliki kekurangan dalam hal akurasi maupun waktu pemantauan. Oleh karena itu, penelitian ini dilakukan dengan tujuan untuk mengembangkan model machine learning untuk memprediksi estimate at completion biaya konstruksi sebagai alternatif dari metode konvensional. Penelitian ini dilakukan dengan metode analisis studi literatur dan benchmarking dari penelitian yang telah ada untuk menjalankan simulasi model menggunakan perangkat lunak RapidMiner yang kemudian akan divalidasi oleh narasumber pakar melalui wawancara. Diperoleh hasil bahwa model terbaik didapat menggunakan algoritma neural network. Dari simulasi model tersebut dengan menggunakan data dari salah satu proyek pembangunan jalan raya di Ibu Kota Negara, didapat hasil output berupa prediksi penghematan sebesar 17,8% dari nilai budget at completion proyek. Hasil dari prediksi model tersebut menghasilkan output yang lebih konservatif apabila diperbandingkan dengan metode konvension menggunakan formula estimate at completion biaya.

---

The development of the National Capital City located in East Kalimantan has become a major government project with a budget of IDR 466 trillion. To ensure cost efficiency in the construction of this project, a good cost estimation approach is required. However, cost estimation in construction in Indonesia is currently dominated by conventional methods that still have shortcomings in terms of accuracy and monitoring time. Therefore, this research is conducted with the aim of developing a machine learning model to predict the estimate at completion of construction costs as an alternative to conventional methods. The research is carried out through the analysis of literature studies and benchmarking from existing research to execute a simulation model using the RapidMiner software, which will then be validated by expert informants through interviews. The results indicate that the best model is obtained by using neural network algorithm. From the simulation model using data from one of the road construction projects in the National Capital City, the output shows a predicted savings of 17.8% from the project’s budget at completion value. This model prediction produce a more conservative result than conventional methods of estimating costs at completion."

"ABSTRACTBig data or Data driven farming have been the latest improvement in agricultural sector. Data driven farming allows farmers to maximize the output of harvest by processing any significant data gathered regarding the crop. With the data of the crop available, it opens the possibility of evaluating the data to make a model for the crop. This model will allow predictions to be made which would improve the data driven farming to an extent. This project is based on improving Farmbot, a data driven farming tool, to allow the makings of a prediction based on sensor readings gathered by the tool. Several machine learning algorithms have been evaluated which takes account two sensor reading of the plant, and performances have been discussed. These parameters include soil moisture and light exposure level and the performance level gauged are predictability and interpretability. Based on the said parameters, Decision Tree Machine Learning Algorithm have been deemed the best method of prediction for a 2 class problem. This is based on its ability to make a prediction with relatively high confidence level with the addition of having high interpretability about how the algorithm come to the said conclusion. Decision Trees current state may be improved by implementing tree pruning method to omit unnecessary splits.

---

ABSTRACTBig-Data Farming atau pertanian berbasis data merupakan perkembangan mutakhir pada sektor agrikultur. Dengan berbasis data mengenai asupan cahaya dan tingkat kelembaban, petani dapat memaksimalkan hasil panen dari suatu tanaman dengan memproses data mengenai tanaman tersebut. Dengan menyediakan data mengenai tanaman, hal ini memungkinkan pengolahan data dan membuat model yang menggambarkan pengaruh data ndash; data yang diperoleh dengan hasil panen suatu tanaman. Proyek ini dilaksanakan atas dasar mengembangkan sistem Farmbot, sebuah alat tanam automatis berbasis data, untuk menyediakan prediksi tentang bagaimana hasil panen tanaman tersebut berdasarkan data yang diperoleh dari sensor yang terdapat pada alat tersebut. Kemampuan Farmbot untuk melakukan perdiksi tersebut bisa dilakukan dengan mengimplementasikan algoritma Machine Learning, Dengan adanya berbagai macam algoritma Machine Learning, pemilihan algoritma yang paling tepat untuk implementasi Farmbot juga merupakan salah satu bahan pembahasan. Berhubung 2 parameter yang telah disebutkan merupakan kunci dari pembuatan model prediksi, algoritma Decision Tree dianggap sebagai algoritma yang paling optimal untuk diimplementasikan. Keputusan ini berdasarkan kemampuan Decision Tree dalam membuat prediksi dengan tingkat keyakinan yang tinggi dan juga berkemampuan untuk menggambarkan langkah langkah yang ditempuh untuk mencapai suatu prediksi. Algoritma Decision Tree yang telah diimplementasikan pada Farmbot dapat ditingkatkan dengan mengimplementasikan metode Tree Pruning untuk menghilangkan perpisahan yang tidak dibutuhkan."

"Jaringan optik adalah jaringan telekomunikasi berkapasitas tinggi dengan menggunakan teknologi dan komponen optik. Di Indonesia, CWDM biasanya digunakan pada jaringan optik di daerah urban, hal ini dikarenakan CWDM memiliki bandwidth yang lebar dan sesuai dengan kebutuhan daerah urban yang hanya butuh jarak yang pendek. Machine learning (ML) merupakan salah satu cabang kecerdasan buatan yang sangat cocok untuk menangani masalah kompleks yang sulit dijawab dalam waktu yang wajar. Prediksi Quality of Transmission (QoT) yang akurat sebelum pembentukan koneksi sangat penting untuk penyediaan layanan dan pemanfaatan sumber daya jaringan. Model Coarse Wavelength Division Multiplexing (CWDM) yang digunakan jaringan sesuai dengan standar ITU-T G.694.2 yaitu splitting sebesar 20nm, pada wavelength yang terdaftar pada standar yaitu 1551 nm, 1571 nm, 1591 nm, dan 1611 nm. Pendekatan yang digunakan adalah algoritma jenis linear regression dengan akurasi 82,47%, k-nearest neighbor regression dengan akurasi 77,18%, support vector regression dengan akurasi 83,88%, random forest regression 91,44%, dan deep learning ANN regression dengan akurasi 94,52%. Algoritma machine learning yang paling baik dalam memprediksi kualitas transmisi adalah random forest regressor. Algoritma ini tidak lebih baik dari deep learning yaitu, ANN regression. Namun waktu komputasi pada ANN regression cenderung lebih lama yaitu 12,451 ms sedangkan pada random forest regression hanya 1,9098 ms.

---

An optical network is a high-capacity telecommunications network using optical technology and components. In Indonesia, CWDM is usually used on optical networks in urban areas, this is because CWDM has a wide bandwidth and is in accordance with the needs of urban areas that only need a short distance. Machine learning (ML) is a branch of artificial intelligence that is very suitable for dealing with complex problems that are difficult to answer in a reasonable time. Accurate Quality of Transmission (QoT) prediction prior to connection establishment is critical for service provision and utilization of network resources. The Coarse Wavelength Division Multiplexing (CWDM) model used by the network complies with the ITU-T G.694.2 standard, which is 20nm splitting, the wavelengths registered in the standard are 1551 nm, 1571 nm, 1591 nm, and 1611 nm. The approach used is a linear regression type algorithm with an accuracy of 82.47%, k-nearest neighbor regression with an accuracy of 77.18%, support vector regression with an accuracy of 83.88%, random forest regression of 91.44%, and ANN deep learning regression. With an accuracy of 94.52%. The best machine learning algorithm for predicting transmission quality is the random forest regressor. This algorithm is no better than deep learning i.e., ANN regression. However, the computational time for ANN regression tends to be longer, namely 12.451 ms, while for random forest regression it is only 1.9098 ms. "

"

Polusi udara merupakan permasalahan krusial di Jakarta yang dapat berdampak pada berbagai sektor. Karena itu, penelitian ini mengembangkan model spasial-temporal kualitas udara di Jakarta menggunakan machine learning sebagai upaya manajemen kualitas udara yang efektif. Penelitian ini menggunakan PM2.5 sebagai variabel dependen dan kondisi meteorologi sebagai prediktor. Data PM2.5 diekstrak dari laman Jakarta Rendah Emisi sedangkan data meteorologi diekstrak dari laman Open Weather Map menggunakan API. Data yang terkumpul akan dirata-ratakan berdasarkan 4 interval waktu (00:00–05:00, 06:00–11:00, 12:00–17:00, dan 18:00–23:00) dan dua musim (kemarau dan hujan). Kemudian, data akan diinterpolasi dengan menggunakan Kriging interpolation. Hasil interpolasi akan digunakan sebagai input untuk model machine learning dengan menggunakan algoritma Random Forest (RF) dan XGBoost. Secara umum, algoritma RF memberikan performa yang lebih baik dilihat dari rendahnya nilai RMSE, MAE, dan MAPE yang dihasilkan. Selanjutnya, output machine learning digunakan untuk memetakan konsentrasi PM2.5 di Jakarta. Pemetaan tersebut menunjukan konsentrasi PM2.5 pada musim kemarau cenderung lebih tinggi daripada musim hujan yang disebabkan oleh proses washing out. Pada musim kemarau, konsentrasi PM2.5 pada malam hingga pagi bernilai lebih tinggi daripada siang hari yang disebabkan oleh rendahnya tinggi lapisan pencampuran udara yang membatasi pergerakan polutan udara. Sedangkan pada musim hujan, konsentrasi PM2.5 yang tinggi dipengaruhi oleh curah hujan yang rendah dan kelembapan yang tinggi. Selain itu, Kota Administrasi Jakarta Utara memiliki konsentrasi yang relatif lebih rendah dibandingkan kota administrasi lainnya akibat angin laut yang memicu dispersi polusi udara.

---

Air pollution is a crucial issue in Jakarta that can have impacts on various sectors. Therefore, this research develops a spatial-temporal model of air quality in Jakarta using machine learning as an effort for effective air quality management. This study uses PM2.5 as the dependent variable and meteorological conditions as predictors. PM2.5 data is extracted from the Jakarta Rendah Emisi website, while meteorological data is extracted from the Open Weather Map using an API. The collected data will be averaged based on four time intervals (00:00–05:00 a.m.; 6:00–11:00 a.m; 12:00–5:00 p.m; 6:00pm–11:00pm) and two seasons (dry and rainy). Then, the data will be interpolated using Kriging interpolation. The interpolation results will be used as input for the machine learning model using the Random Forest (RF) and XGBoost algorithms. The RF algorithm provides better performance with low values of RMSE, MAE, and MAPE. Furthermore, the output of the machine learning model is used to map the PM2.5 concentrations in Jakarta. The mapping shows that PM2.5 concentrations during the dry season tend to be higher than during the rainy season, due to the washing out process. During the dry season, PM2.5 concentrations are higher at night, due to low mixing layer height that restricts pollutants movement. During the rainy season, high PM2.5 concentrations are influenced by low rainfall and high humidity. In addition, the North Jakarta area has a relatively lower concentration compared to other area due to wind induced by the coastline which trigger the spread of air pollution.

"

"Banyaknya konferensi menyulitkan peneliti memilih konferensi berkualitas. Kemungkinan peneliti tertipu dengan konferensi predator merupakan ancaman nyata yang perlu diperhatikan. Penilaian konferensi umumnya menggunakan pakar yang membutuhkan waktu dan biaya yang tinggi. Penelitian ini fokus untuk menganalisis jika h-indeks, impact factor, jumlah dokumen, dan SJR dapat menghasilkan penilaian kualitas yang sesuai dengan penilaian manual pakar dari beberapa situs penilaian konferensi serta membandingkan hasil performanya dengan penilaian jurnal. Data yang digunakan dikumpulkan dari empat sumber situs web yang mengkalkulasi kualitas konferensi luar negeri, yaitu CORE, ERA/QUALIS, AMiner, dan ScimagoJR. Data untuk penilaian jurnal didapatkan dari Guide2Research. Variabel yang digunakan untuk penilaian adalah h-indeks, jumlah dokumen, impact factor, dan SJR. Penelitian ini menggunakan metode K-Nearest Neighbor (KNN), Support Vector Machine (SVM), Naïve Bayes, dan Decision Tree (DT). KNN menghasilkan nilai akurasi tertinggi sebesar 72,22% dan f1 score senilai 63,06% menggunakan data Qualis dengan faktor h-indeks, IF, dan SJR.

---

The number of conferences makes it difficult for researchers to choose quality conferences. The possibility of researchers being fooled by predatory conferences is a real threat that deserves attention. Conference assessments generally use experts who require time and money to evaluate the conferences. This study focuses on analyzing whether h-index, impact factor, number of documents, and SJR can produce quality assessments in accordance with expert manual assessments from several conference assessment sites and compare the resulting performance with journal assessments. The data used were collected from four website sources that calculate the quality of overseas conferences, namely CORE, ERA/QUALIS, AMiner, and ScimagoJR. Data for journal assessments were obtained from Guide2Research. The variables used for the assessment are h-index, number of documents, impact factor, and SJR. This research used K-Nearest Neighbor (KNN), Support Vector Machine (SVM), Naïve Bayes, and Decision Tree (DT). KNN produced the highest accuracy value of 72.22% and the f1 score of 63.06% using Qualis data with the h-index, IF, and SJR factors."

"Budidaya udang vaname (Litopenaeus vannamei) sangat diminati sehingga permintaan udang ini meningkat setiap tahunnya. Masalah terberat para petambak adalah kegagalan panen yang berakibat kepada keberlangsungan usaha mereka. Perlu adanya usaha perbaikan untuk meningkatkan keberhasilan panen. Penelitian ini bertujuan untuk lebih menggali mengenai penggunaan machine learning dalam prediksi hasil panen dari data kualitas air. Hasil prediksi ini selanjutnya dipakai dan digunakan dalam proses bisnis sehingga dapat meningkatkan produktivitas. Analisis yang digunakan pada penelitian ini adalah analisis kuantitatif dan kualitatif serta perbaikan proses bisnis. Analisis kuantitatif dengan metode big data dan machine learning. Model yang dipakai adalah k-Nearest Neighbor (kNN), Decision Tree (DT) dan Logistic Regression (LR). Analisis kualitatif dilakukan dengan observasi dan interview untuk memperbaiki proses bisnis. Proses bisnis diperbaiki mengikuti BPM Lifecycle dengan memasukan hasil analisis kuantitatif. Dari penelitian ini didapatkan bahwa prediksi machine learning dengan model Decision Tree dari variabel rasio bakteri merugikan dan NH4+ memberikan akurasi tertinggi mencapai 96%. Setelah didapatkan model dan variabel dengan akurasi tertinggi, penelitian ini juga melakukan penerapan ke dalam proses bisnis dengan pendekatan BPM Lifecycle sehingga hasil tersebut dapat diimplementasi dan memberikan hasil yang lebih produktif.

---

Interest in Vaname shrimp (Litopenaeus vannamei) farming is growing every year. The biggest problem for shrimp farming was the unsuccessful harvest that affected their business sustainability. So, there should be an improvement made to increase the chance of a successful harvest and its productivity. Past research mentioned that vaname shrimp harvest result can be predicted by machine learning approach from water quality data. It gave good accuracy and can be used to have faster decision making. The objective of this research is to deep dive into the utilization of machine learning to predict the successful harvest from water quality data. The predicted result will be utilized in the business process to improve productivity. Analysis that used at this research are quantitative and qualitative with business process improvement. Quantitative analysis used big data methode and machine learning. Models that have been applied are k-Nearest Neighbor (kNN), Decision Tree (DT) dan Logistic Regression (LR). Data that is used for analysis are pH, salinity, NOx, NH4+, and harmful bacteria index. Qualitative analysis was applied by observation and interview with the focus to improve business process. Business processes will be improved using BPM Lifecycle with the utilization of quantitative result. This research showed that prediction machine learning with Decision Tree model from harmful bacteria index and NH4+ giving the best accuracy until 96%. The next step was utilizing the quantitative result at the business process with BPM Lifecycle approach so the result can be implemented and gave more productive result."