Hasil Pencarian  ::  Simpan CSV :: Kembali

"Permintaan global akan produk kecantikan terus tumbuh seiring dengan meningkatnya kesadaran masyarakat dalam menggunakan kosmetik, dengan pertumbuhan 1,45% hingga 3,34% setiap tahunnya. Namun, menyebarnya pandemi COVID-19 secara global pada Desember 2019 mempengaruhi pertumbuhan bisnis tatap muka seperti industri kecantikan yang turun hingga –7,11% pada 2020. Penelitian ini bertujuan untuk menganalisis dampak pandemi COVID-19 terhadap industri kecantikan di Indonesia dan pergeseran segmen konsumen kecantikan selama pandemi. Studi ini mengadopsi kerangka react-cope-adapt (RCA) untuk menyusun periodisasi pandemi COVID-19 di Indonesia. Analisis korelasi digunakan untuk menentukan dampak pandemi COVID-19 terhadap penjualan perusahaan. Selain itu, teknik clustering digunakan untuk mengidentifikasi segmen konsumen dan preferensi produk selama pandemi. Penelitian ini menunjukkan bahwa kasus COVID-19 berkorelasi positif terhadap penjualan perusahaan selama fase react. Korelasi negatif yang kuat antara COVID-19 terhadap pendapatan perusahaan teramati pada fase cope. Pada fase adapt, dampak negatif COVID-19 terhadap penjualan perusahaan mengalami penurunan. Penelitian ini juga mengkonfirmasi adanya pergeseran perilaku pembelian konsumen selama pandemi. Konsumen lebih memilih membeli produk kosmetik secara online daripada offline selama fase react. Pada fase cope, konsumen perlahan mulai membeli secara offline. Konsumen kembali membeli kosmetik secara offline pada fase adapt, sama seperti sebelum pandemi. Hasil clustering menunjukkan tiga segmen konsumen: segmen konsumen loyal, segmen konsumen impulsif, dan segmen konsumen biasa. Selain itu, selama pandemi, konsumen lebih memilih membeli produk perawatan kulit dibandingkan produk make-up akibat kebijakan pemerintah yang menghimbau masyarakat untuk tinggal, bekerja, dan belajar dari rumah. Penelitian ini memiliki implikasi teoretis dan praktis. Secara teoritis, hasil penelitian ini mendukung kegunaan model RCA dan teknik clustering dalam menganalisis perubahan perilaku pembelian konsumen selama masa krisis, seperti pandemi COVID-19. Secara praktis, industri kecantikan dapat mengantisipasi pergeseran ini dengan mempercepat transformasi digital dan fokus terhadap produk yang paling disukai untuk mempertahankan bisnisnya.

---

The global demand for beauty products continues to grow due to raised public awareness of applying cosmetics, with a 1.45 % to 3.34 % growth annually. Unfortunately, the COVID-19 outbreak broke out globally in December 2019, affecting face-to-face businesses such as the beauty industry fall until –7.11 % in 2020. This study aims to analyze the impact of the COVID-19 outbreak on Indonesia’s beauty industry and the shift in the beauty consumer segment during the pandemic. This study adopts the react-cope-adapt (RCA) framework to construct the COVID-19 pandemic periodization in Indonesia. The correlation analysis was used to investigate the impact of the COVID-19 pandemic on the beauty industry. In addition, clustering techniques were employed to identify hidden consumer segments and product preferences throughout the COVID-19 outbreak. The study shows that COVID-19 cases positively impact beauty company’s sales during the reacting phase. A strong negative relationship between COVID-19 and company revenue was observed in the coping phase. In the adapt phase, the negative impact of COVID-19 on the company’s sales has decreased. Our finding also confirms the shift in consumer buying behavior during the pandemic. Consumers prefer to buy cosmetics products online than offline during the reaction phase. In the coping phase, consumers slowly begin to purchase in-store. Finally, consumers return to buying cosmetics offline in the adapting phase, similar to before the pandemic. The clustering results showed three hidden consumer segments: the loyal consumer segment, the impulsive consumer segment, and the regular consumer segment. In addition, during the pandemic, consumers prefer to buy skincare products over make-up products since government policies forced people to stay, work, and study at home. Our study has theoretical and practical implications. Theoretically, our results support the usefulness of the RCA model and clustering techniques in analyzing the change in consumer buying behavior during a time of crisis, such COVID-19 pandemic. Practically, beauty industries can anticipate this shift by accelerating the digital business transformation and focusing on the most preferred product to sustain their business."

"Perusahaan XYZ menerapkan Customer Life Cycle atau CLC yang sudah disesuaikan dengan kebutuhan perusahaan demi menjaga loyalitas pengguna. Tak hanya menjaga loyalitas, Perusahaan XYZ menerapkan CLC guna memperluas bisnis yang dijalani olehnya. Dengan bantuan teknologi, CLC dapat dengan mudah untuk dianalisis lebih mendalam. Teknologi yang digunakan berupa pembelajaran mesin. Pembelajaran mesin ini diimplementasikan untuk mendapatkan insight dari data yang dimiliki Perusahaan XYZ. Dalam mendapatkan insight tersebut, digunakan beberapa metode seperti Support Vector Machine, Logistic Regression, Gradient Boosting, Random Forest, Decision Tree, dan FPGrowth. Insight yang didapatkan selanjutnya ditampilkan dalam bentuk visualisasi data yang diaplikasikan ke dalam website. Terdapat tiga permasalahan berbeda yaitu prediksi pembeli potensial, prediksi produk yang akan dibeli, dan prediksi waktu pembelian berikutnya. Permasalahan pertama dapat diselesaikan dengan model Logistic Regression dengan f1-score sebesar 76.35%. Permasalahan kedua diselesaikan dengan model FP-Growth dengan nilai minimum support dan confidence sebesar 0.001. Untuk permasalahan ketiga dapat diselesaikan dengan model Decision Tree dengan nilai akurasi 78.76% dan f1-score sebesar 77.01%. Dilakukan pula pengujian terhadap response time serta SQL query yang digunakan pada setiap endpoint yang bekerja sebagai aktor untuk melakukan distribusi data kepada aplikasi frontend dan aktor untuk melakukan update database. Terakhir, dilakukan pula pengujian terhadap visualisasi data. Pengujian terhadap visualisasi data dilakukan secara kualitatif. Pengujian ini dilakukan dengan menerapkan beberapa tipe visualisasi data untuk tiap business question yang ada. Setelah itu, dilakukan perbandingan pada tiap tipe visualisasi data sehingga mendapatkan visualisasi data yang tepat untuk tiap business question yang ada.

---

XYZ Company implements customized Customer Life Cycle or CLC that fits with company’s needs in order to maintain user loyalty. Not only maintaining user loyalty, XYZ Company implements CLC in order to expand its business. With the help of technology, CLC can be easily analyzed with more depth. Technology that is being used within this research is machine learning. Machine learning is implemented to gain insights from data owned by Company XYZ. While obtaining insights, machine learning use several various methods such as Support Vector Machine, Logistic Regression, Gradient Boosting, Random Forests, and Decision Trees. The insights obtained from machine learning are displayed in the form of data visualization that is applied to website. Examination on the machine learning model was formed with different data balancing techniques. Examination using Undersampling balancing technique along with Decision Tree model gives the highest f1-score value at 88.70%. Examination were also conducted on the response time and SQL queries were also carried out for each endpoint that works as an actor to distribute data to frontend applications and actors to update the database. Finally, examination and comparison is conducted on data visualization using qualitative approach. Moreover, this examination is conducted by applying several types of data visualization for each existing business questions. At the end, comparisons were made for each type of data visualization to get the optimum visualization regarding each business question."

"Berdasarkan data World Health Organization (WHO) hingga 6 Januari 2022, terdapat 4.264.669 kasus terkonfirmasi COVID-19 dengan jumlah kematian sebanyak 144.116 pasien di Indonesia. Figur ini meningkat drastis saat dibandingkan data WHO hingga 25 April 2021 sebesar 1.636.792 kasus terkonfirmasi dengan jumlah kematian sebanyak 44.500 pasien. Varian B.1.617.2 atau lebih umum dikenal sebagai Delta dinyatakan hadir di Indonesia pada 3 Mei 2021 dengan dua kasus positif terdeteksi di Jakarta. Varian ini memiliki daya tular yang lebih tinggi dan mengakibatkan gejala COVID-19 lebih parah sehingga menjadi varian yang mendominasi persebaran COVID-19 di Indonesia. Menurut revisi protokol tatalaksana COVID-19 edisi ketiga, seorang pasien COVID-19 dapat dibedakan menjadi lima kategori berdasarkan severitas kasus yang diderita dengan tingkat risiko tertinggi yaitu kritis. Pasien COVID-19 yang digolongkan kategori kritis menunjukkan gejala Acute Respiratory Distress Syndrome (ARDS), sepsis, dan syok sepsis. Dengan menganalisisis berbagai faktor yang terkait dengan gejala-gejala tersebut, dapat dibangun sebuah pemahaman berbentuk model Machine Learning untuk mengestimasi tingkat risiko kasus seorang pasien COVID-19. Model Machine Learning yang dibangun mencakup berbagai model, seperti model berbasis tree maupun berbasis ensemble. Dalam penelitian ini, tingkat risiko disimplikasi menjadi dua, yaitu severe dan non-severe berdasarkan urgensi perawatan khusus di rumah sakit. Untuk menentukan model optimal, digunakan metrik evaluasi Recall guna memberi perhatian kepentingan pasien tergolong kasus severe berhasil dideteksi severe dengan benar. Digunakan data pasien positif COVID-19 pada salah satu rumah sakit di Jakarta dari Januari 2020 hingga Agustus 2021 yang dibagi menjadi dua periode, sebelum dan sesudah adanya varian Delta. Dengan pembagian data ini, dapat dibangun tiga model Machine Learning yaitu model sebelum Delta, model setelah Delta, dan model keseluruhan. Dari ketiga model yang terbangun, akan diperiksa apakah ada perbedaan yang signifikan. Lebih lanjut, model-model Machine Learning yang terbentuk akan diuji tingkat kepercayaan terhadap prediksinya menggunakan metode Conformal. Diperoleh model Random Forest berhasil mengklasifikasikan data COVID-19 dengan lebih baik dibanding model-model lainnya. Model Random Forest pada seluruh variabel respon mencapai Recall 86,49%. Dengan identifikasi 4 variabel terpenting, model mencapai Recall 80,18%. Mendukung hasil ini, model percaya 90% dengan prediksi yang dihasilkan.

---

According to World Health Organization (WHO) data to 6 January 2022, there have been 4.264.669 confirmed cases of COVID-19 with 144.116 patient deaths in Indonesia. This figure has significantly increased when compared with WHO data to 25 April 2021, where there were 1.636.792 confirmed cases with 44.500 patient deaths. The B.1.617.2 variant or more commonly known as Delta was announced to be present in Indonesia on 3 May 2021 with two positive cases detected in Jakarta. This variant is more contagious and causes worse COVID-19 symptoms which made it the dominating variant of COVID-19 distribution in Indonesia. According to the revision of COVID-19 governance protocol third edition, a patient of COVID-19 can be differentiated to five categories depending on the severity of their case with the highest risk being critical. A patient of COVID-19 that is categorized as critical will show symptoms of Acute Respiratory Distress Syndrome (ARDS), sepsis, and sepsis shock. Through analyzing the factors that are related to these symptoms, we can build an understanding in the form of Machine Learning to estimate a COVID-19 patient’s degree of severity. The Machine Learning model that will built encompasses many models, such as tree-based models and ensemble-based models. In this research, this degree is simplified into two, which are severe and non-severe with accordance to the urgency of special care in hospitals. To determine optimal models, the Recall evaluation metric is used as a means to give better attention to making sure severe patient cases are properly classified as severe. The data used will be positive COVID-19 patients in a Jakarta-based hospital from January 2020 until August 2021 which is split into two periods of before and after the presence of Delta variant. With this division, we can build three Machine Learning models which has it learn before Delta, after Delta, and overall. From each of these built models, we will then determine if there exists a significant difference between them. Furthermore, the Machine Learning models that are built will be tested in its confidence on their own prediction using the Conformal method. We procure that Random Forest model classifies COVID-19 data better than all other models. Random Forest built on all response variables achieve 86,49% Recall. With the identification of 4 most important variables, the model achieves 80,18%. Supporting this result, the model has 90% faith in its prediction."

"[ABSTRAKPerkembangan sistem informasi saat ini menyebabkan sistem informasi yang digunakan dalam sebuah organisasi terus bertambah dan semakin kompleks. Halini juga memunculkan fenomena meningkatnya jumlah data yang diolah dandihasilkan oleh sistem informasi. Kondisi ini membawa tantangan baru dalampengawasan operasional sistem informasi, seperti keterlambatan peringatankesalahan atau membanjirnya jumlah peringatan yang tidak tepat sasaran. Penelitian ini bertujuan membangun sebuah sistem pengawasan aplikasi padasistem informasi di PT. XYZ menggunakan Event Driven Architecture dan Machine Learning. Pengembangan ini menggunakan perangkat lunak R dan TIBCO StreamBase.

---

ABSTRACTAdvancement in information system nowadays has generated more quantities and complexities of an organization?s information system. This factalso leads to a phenomenon of the increase of data volume being processed andalso generated by any information system. This condition has brought a newchallenge in the operation and monitoring of the information systems, such asdelays in failure alert and also floods of incorrect alerts. This research aims to build a monitoring system for applications in the PT. XYZ information systems, using Event Driven Architecture and Machine Learning techniques. This development is done using R software and also TIBCO StreamBase. , Advancement in information system nowadays has generated more quantities and complexities of an organization’s information system. This factalso leads to a phenomenon of the increase of data volume being processed andalso generated by any information system. This condition has brought a newchallenge in the operation and monitoring of the information systems, such asdelays in failure alert and also floods of incorrect alerts. This research aims to build a monitoring system for applications in the PT. XYZ information systems, using Event Driven Architecture and Machine Learning techniques. This development is done using R software and also TIBCO StreamBase. ]"

"Diagnosis COVID-19 dapat dilakukan dengan berbagai metode, salah satunya dengan interpretasi citra medis rongga dada menggunakan machine learning. Namun, metode ini memiliki memerlukan waktu dan biaya yang besar, tidak ada standar dalam pengambilan gambar citra medis, dan pelindungan privasi pada data pasien. Model yang dilatih dengan dataset publik tidak selalu dapat mempertahankan performanya. Diperlukan metode pengklasifikasi berbasis multicenter yang dapat memiliki performa optimal pada dataset yang berbeda-beda. Skenario pertama dengan melatih model menggunakan arsitektur VGG-19 dan ConvNeXt dengan gabungan seluruh data dan masing-masing data. Lalu dilakukan fine tuning terhadap model yang dilatih pada gabungan seluruh data. Skenario kedua dengan Unsupervised Domain Adaptation berbasis maximum mean discrepancy dengan data publik sebagai source domain dan data privat sebagai target domain. Metode transfer learning dengan fine-tuning model pada arsitektur VGG-19 menaikkan train accuracy pada data Github menjadi 95% serta menaikkan test accuracy pada data Github menjadi 93%, pada data Github menjadi 93%, pada data RSCM menjadi 72%, dan pada data RSUI menjadi 75%. Metode transfer learning dengan fine-tuning model pada arsitektur ConvNeXt menaikkan evaluation accuracy pada data RSCM menjadi 73%. Metode unsupervised domain adaptation (UDA) berbasis maximum mean discrepancy (MMD) memiliki akurasi sebesar 89% pada dataset privat sehingga merupakan metode yang paling baik. Berdasarkan GRAD-CAM, model sudah mampu mendeteksi bagian paru-paru dari citra X-Ray dalam memprediksi kelas yang sesuai.

---

Diagnosis of COVID-19 can be done using various methods, one of which is by interpreting medical images of the chest using machine learning. However, this method requires a lot of time and money, there is no standard in taking medical images, and protecting patient data privacy. Models that are trained with public datasets do not always maintain their performance. A multicenter-based classification method is needed that can have optimal performance on different datasets. The first scenario is to train the model using the VGG-19 and ConvNeXt architecture by combining all data and each data. Then, the model trained using combined data is fine tuned. The second scenario uses Unsupervised Domain Adaptation based on maximum mean discrepancy with public data as the source domain and private data as the target domain. The transfer learning method with the fine-tuning model on the VGG-19 architecture increases train accuracy on Github data to 95% and increases test accuracy on Github data to 93%, on Github data to 93%, on RSCM data to 72%, and on data RSUI to 75%. The transfer learning method with the fine-tuning model on the ConvNeXt architecture increases the evaluation accuracy of RSCM data to 73%. The unsupervised domain adaptation (UDA) method based on maximum mean discrepancy (MMD) has an accuracy of 89% in private dataset making it the best method. Based on GRAD-CAM, the model has been able to detect parts of the lungs from X-Ray images in predicting the appropriate class."

"Just like electricity, Machine Learning will revolutionize our life in many ways-some of which are not even conceivable today. This book provides a thorough conceptual understanding of Machine Learning techniques and algorithms. Many of the mathematical concepts are explained in an intuitive manner. The book starts with an overview of machine learning and the underlying Mathematical and Statistical concepts before moving onto machine learning topics. It gradually builds up the depth, covering many of the present day machine learning algorithms, ending in Deep Learning and Reinforcement Learning algorithms. The book also covers some of the popular Machine Learning applications. The material in this book is agnostic to any specific programming language or hardware so that readers can try these concepts on whichever platforms they are already familiar with."

"Pelanggan mungkin menerima produk yang tidak sesuai, yang meningkatkan risiko mereka pergi dan tidak melakukan pembelian jika mereka tidak puas dengan produk tersebut. Saat ini, pelanggan sangat menginginkan penawaran yang sesuai dengan profil perilaku mereka. Studi tentang program Customer Value Management (CVM) ini menggunakan data transaksi untuk memprediksi perilaku pelanggan dan memberikan rekomendasi yang dipersonalisasi untuk kombinasi produk yang sesuai dengan kebutuhan mereka. Fenomena ini telah digunakan oleh banyak strategi penawaran untuk menciptakan penawaran personal yang paling signifikan. Pada artikel ini, kami memberikan cara memahami manajemen nilai pelanggan melalui perilaku pelanggan di industri seluler. Berdasarkan data transaksi pelanggan selama tiga bulan yang melibatkan 5,7 juta data pelanggan pada operator seluler di Indonesia, menunjukkan perilaku pelanggan yang menggambarkan kecenderungan perilaku pembelian. Menariknya, perilaku ini menunjukkan bahwa manajemen nilai pelanggan berdampak signifikan terhadap peningkatan pembelian layanan.

---

Customers may receive products that do not conform, which increases their risk of walking away and not making a purchase if they are dissatisfied with the product. Today, customers are hungry for offers that match their behavior profile. This study about Customer Value Management (CVM) program uses transaction data to predict customer behavior and provide personalized recommendations for product combinations that meet their needs. This phenomenon has been used by many offering strategies to create the most significant personalized offerings. In this article, we provide how to understand the customer value of management through customer behavior in the cellular industry. Based on three months of customer transaction data involving 5.7 million subscribers’ data on cellular operators in Indonesia, it shows customer behavior that depicts propensity of buying behavior. Interestingly, this behavior indicates that customer value management significantly impacts the increasing purchase of services."

"Penelitian ini menganalisis akurasi peramalan permintaan produk barang konsumsi cepat (FMCG) menggunakan model Machine Learning, yaitu LSTM (Long Short-Term Memory) dan SARIMAX (Seasonal AutoRegressive Integrated Moving Average with eXogenous regressors), dengan data sekunder dari April 2021 hingga April 2024 yang terdiri dari 36 observasi bulanan. Variabel dependen adalah total penjualan, sementara variabel eksogen mencakup pengeluaran per kapita, adopsi produk, proporsi penjualan dari promosi, jumlah toko yang menjual produk, dan pangsa pasar produk. Hasil menunjukkan model LSTM memiliki akurasi lebih tinggi dalam memprediksi nilai penjualan dibandingkan SARIMAX, dengan nilai Mean Absolute Percentage Error (MAPE) yang lebih rendah pada sebagian besar sampel. Analisis korelasi mengungkapkan variabel jumlah toko yang menjual produk dan adopsi produk berpengaruh signifikan terhadap nilai penjualan dalam model LSTM, sedangkan SARIMAX unggul dalam menangkap pola musiman namun memiliki MAPE lebih tinggi. Penelitian ini menyarankan penggunaan model LSTM untuk data time series yang kompleks dan tidak stasioner, sementara SARIMAX lebih cocok untuk data dengan komponen musiman yang kuat. Pemilihan model harus mempertimbangkan karakteristik data dan tujuan analisis.

---

This study analyzes the forecasting accuracy of fast-moving consumer goods (FMCG) demand using Machine Learning models, namely LSTM (Long Short-Term Memory) and SARIMAX (Seasonal AutoRegressive Integrated Moving Average with eXogenous regressors), utilizing secondary data from April 2021 to April 2024 with a total of 36 monthly observations. The dependent variable is sales value, while the exogenous variables include spend per buyer, product penetration, promo % of value, the number of stores selling, and market share. The results indicate that the LSTM model has higher accuracy in predicting sales value compared to the SARIMAX model, with a lower Mean Absolute Percentage Error (MAPE) for most samples. Correlation analysis reveals that the variables number of stores selling and product penetration significantly influence sales value in the LSTM model, whereas SARIMAX excels in capturing seasonal patterns but has a higher MAPE. This study recommends using the LSTM model for complex and non-stationary time series data, while SARIMAX is more suitable for data with strong seasonal components. Model selection should consider the characteristics of the data and the objectives of the analysis."

"Warung kopi atau coffee shop kian mengalami peningkatan dalam tren dan permintaan di Indonesia. Pandemi Covid-19 membuat pemberlakuan pembatasan sosial yang membuat penjualan dan permintaan menjadi susah diprediksi sehingga pengelolaan stok biji kopi menjadi masalah. Melakukan peprediksi menggunakan model machine learning dapat menjadi solusi untuk mengatasi masalah tersebut. Data yang digunakan adalah permintaan biji kopi yang didapatkan dari sistem POS (Point-of-Sales). Untuk membuat performa model yang lebih baik, ditambahkan beberapa variabel eksternal seperti cuaca, hari raya dan pembatasan sosial. Model prediksi yang digunakan adalah Multiple Linear Regression (MLR), Decision Tree (DT), Support Vector Regressor (SVR) dan Neural Network (NN). Hasil pelatihan model menunjukan model-model yang menggunakan semua variabel menghasilkan hasil prediksi yang lebih baik dibandingkan dengan model-model dengan menggunakan hanya variabel tanggal. Model DT menunjukan hasil prediksi yang terbaik berdasarkan pola prediksi dan error yang dihasilkan. Implementasi hasil prediksi dapat diterapkan dengan perhitungan Reorder Point (ROP) yang ditampilkan dalam dashboard, Expected Value Analysis untuk penentuan tingkat pemesanan, danpencatatan pemesanan bahan baku untuk perkiraan biaya yang dibutuhkan dihitung menggunakan metode FIFO (First in First Out).

---

The trend of Coffee shops in Indonesia keeps increasing as well as its. COVID-19 pandemic has caused the establishment of social restriction which creates hindrance in predicting the sales and demand, as a result disrupts the coffee beans inventory management. Forecasting using machine learning models could offer a solution to overcome those problems. The data used in this research is the coffee beans demand from POS (Point-of-Sales) system. Various external variables such as weather, event and social restrictions are added to increase model performance. Predictions models used are Multiple Linear Regression (MLR), Decision Tree (DT), Support Vector Regressor (SVR) and Neural Network (NN). The result of model training shows that models that use all variables produce better prediction than models that use date variables only. DT model generates the best prediction based on its pattern and error measurement. The prediction result from the chosen model is implemented to calculate the Reorder Point (ROP)  and visualized using  dashboard, Expected Value Analysis to determine the stock level estimation. Subsequently, material stock register calculated using FIFO (First in First Out). "

"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."