Hasil Pencarian  ::  Simpan CSV :: Kembali

"Poverty is still a serious challenge for all countries in the world, including Indonesia. The Central Statistics Agency (BPS) noted that 25.9 million people were still living in poverty as of March 2023. The challenge of inefficient and poorly targeted budget distribution in some programs hampers poverty alleviation efforts. In line with that, the objective of this study is to categorize provinces based on poverty indicators to provide an understanding of the characteristics and patterns of poverty in various Indonesian provinces. This research uses the Link-based Cluster Ensemble method, which combines various solutions from different clustering methods, namely K-medoids and Agglomerative Hierarchical Clustering to obtain more optimal results. The final result of ensemble clustering is obtained through a similarity matrix by applying the Connected-Triple-based Similarity (CTS) algorithm, which utilizes pairwise similarity relationships between all data points. The data for this study comes from BPS regarding Poverty Data in Indonesia in 2023, with the selection of variables that can reveal the characteristics of poverty in Indonesia, such as aspects of education, employment, expenditure, and household facilities. The results showed that the Link-based Cluster Ensemble method, which was formed through a three-member ensemble from the results of K-Medoids and Agglomerative Hierarchical Clustering, successfully outperformed the single clustering method based on cluster evaluation values using Silhouette, Davies-Bouldin, and Dunn Index. The results grouped the provinces into four clusters: Cluster 1 reveals poverty conditions with low education participation and sanitation facilities, Cluster 2 with low education and high expenditure, Cluster 3 with high unemployment, and Cluster 4 with low clean water facilities.

---

Kemiskinan masih menjadi tantangan serius bagi seluruh negara di dunia, termasuk Indonesia. Badan Pusat Statistik(BPS) mencatat sebanyak 25,9 juta masyarakat masih hidup dalam kemiskinan per Maret 2023. Tantangan dalam penyaluran anggaran yang tidak efisien dan tepat sasaran pada beberapa program menghambat upaya pengentasan kemiskinan. Sejalan dengan hal itu, tujuan dari penelitian ini adalah mengelompokkan provinsi berdasarkan indikator kemiskinan untuk memberikan pemahaman tentang karakteristik dan pola kemiskinan di berbagai provinsi Indonesia. Penelitian ini menggunakan metode Link-based Cluster Ensemble, yang menggabungkan berbagai solusi dari metode pengelompokan berbeda, yaitu K-medoids dan Agglomerative Hierarchical Clustering untuk mendapatkan hasil yang lebih optimal. Hasil akhir pengelompokan ensemble diperoleh melalui similarity matrix dengan menerapkan algoritma Connected-Triple-based Similarity (CTS), yang memanfaatkan hubungan kesamaan berpasangan antara seluruh titik data. Data penelitian ini berasal dari BPS mengenai Data Kemiskinan di Indonesia tahun 2023, dengan pemilihan variabel yang dapat mengungkapkan karakteristik kemiskinan di Indonesia, seperti aspek pendidikan, ketenagakerjaan, pengeluaran konsumsi, dan fasilitas rumah tangga. Hasil penelitian menunjukkan bahwa metode Link-based Cluster Ensemble, yang dibentuk melalui tiga anggota ensemble dari hasil pengelompokan K-Medoids dan Agglomerative Hierarchical Clustering, berhasil mengungguli metode pengelompokan tunggal berdasarkan nilai evaluasi cluster menggunakan Silhouette, Davies-Bouldin, dan Dunn Index. Hasil penelitian mengelompokkan provinsi ke dalam empat cluster: Cluster 1 mengungkapkan kondisi kemiskinan dengan aspek partisipasi pendidikan dan fasilitas sanitasi yang rendah, Cluster 2 dengan kondisi aspek pendidikan yang rendah dan pengeluaran konsumsi yang tinggi, Cluster 3 dengan kondisi pengangguran yang tinggi, dan Cluster 4 dengan kondisi fasilitas air bersih yang rendah."

"Analisis kelompok adalah metode multivariat yang bertujuan mengelompokkan pengamatan berdasarkan karakteristiknya. Salah satu metode analisis pengelompokan adalah metode cluster ensembel dengan pengelompokan dilakukan dengan satu metode berulang kali hingga diperoleh hasil yang lebih baik dibandingkan jika dilakukan satu kali. Penelitian ini mencoba menggunakan Cluster Ensemble Based Mixed Data Clustering (CEBMDC), yaitu metode pengelompokan yang biasa dilakukan untuk data dengan variabel campuran yaitu numerik dan kategorik. Tahap awal dalam metode ini yaitu membagi data awal menjadi data dengan hanya variabel-variabel numerik dan data dengan hanya variabel-variabel kategorik. Data yang telah dipisahkan berdasarkan jenis variabelnya kemudian dikelompokan menggunakan metode yang sesuai secara simultan. Hasil pengelompokan ini menjadi data baru dengan dua variabel kategorik yaitu hasil pengelompokan dengan variabel numerik dan hasil pengelompokan dengan variabel kategorik. Data baru dengan dua variabel kategorik ini kemudian dilakukan proses pengelompokan. Metode pengelompokan untuk data dengan variabel numerik adalah metode Hierarchical Agglomerative Clustering. Metode clustering untuk data kategorik adalah ROCK (RObust Clustering using linKs) dan K-medoids/PAM (Partition Around Medoids). Penelitian ini membandingkan hasil pengelompokan ROCK dan K-medoids. Pengelompokan dilakukan pada data mengenai sarana dan prasarana sekolah yang diambil dari 5.094 SMP yang ada di Jawa barat. Metode pengelompokan dengan kinerja terbaik pada penelitian ini adalah Ensemble K-medoids berdasarkan rasio antara simpangan baku di dalam kelompok (¬SW) dan simpangan baku antar kelompok (SB) terkecil. Penelitian ini menghasilkan 3 kelompok yang mencerminkan kondisi sekolah-sekolah pada jenjang SMP di Jawa Barat.

---

Clustering analysis is a multivariate method that aims to classify observations based on their characteristics. One method of clustering analysis is the ensemble clustering method in which the grouping is done using a method repeatedly until better results are obtained than if it is done once. This study uses the Cluster Ensemble Based Mixed Data Clustering (CEBMDC), which is a grouping method that commonly used for data with numerical and categorical variables. The first step in this method is to divide the initial data into two parts, that is data with only numerical variables and data with categorical variables. After data has been separated based on the types of variables, and then clustering using the appropriate method is conducted simultaneously. The results of these two clustering method become a new data with two categorical variables, namely the results of clustering with numeric variables and the results of clustering with categorical variables. The new data with two categorical variables are then carried out the clustering process. The clustering method for data with numerical variables is the Hierarchical Agglomerative Clustering method. Clustering methods for categorical data are ROCK (RObust Clustering using linKs) and K-medoids / PAM (Partition Around Medoids). This study compares the results of ROCK and K-medoids clustering. The study was conducted on data of school facilities and infrastructure taken from 5094 junior high schools in West Java. The best performance grouping method in this study is the Ensemble K-medoids based on the ratio between the standard deviation in the group (SW) and the smallest standard inter-group (SB) deviation. This study produced 3 groups that reflect the condition junior high schools in West Java."

"ABSTRAKPenelitian ini mengimplementasikan metode spectral clustering-Fuzzy C-Means pada tiga microarray data ekspresi gen, dengan tujuan untuk mengelompokkan gen-gen yang memiliki tingkat ekspresi yang similar. Spectral clustering secara teoritis terdiri dari tiga tahap utama yaitu: membangun matriks jarak, membentuk matriks Laplacian, dan proses partisi, khususnya dalam tesis ini menggunakan algoritma partisi Fuzzy C-Means. Oleh karena itu, implementasi dari spectral clustering-FCM lebih sederhana dan intuitif pada pelaksanaannya. Analisis cluster singkat juga akan dipaparkan untuk masing-masing microarray data yang digunakan yaitu: Carcinoma, Leukemia, dan Lymphoma. Hasil cluster yang sangat baik didapatkan, sehingga metode yang diusulkan memiliki potensi besar ke depannya dalam penelitan pada bidang medis.

---

ABSTRACTThis research implements the spectral clustering FCM method on three microarray gene expression data, with the aim of grouping genes with similar expression levels. Spectral clustering is theoretically composed of three main stages building distance matrix, forming Laplacian matrix, and partitioning process, especially in this thesis using Fuzzy C Means partition algorithm. Therefore, the implementation of spectral clustering FCM is simpler and more intuitive in its implementation. Brief cluster analysis will also be presented for each microarray data used Carcinoma, Leukemia, and Lymphoma. Excellent cluster results are obtained, so the proposed method has great potential for future research in the medical field. "

"Pola konsumsi pangan didefinisikan sebagai kebiasaan makan yang berbeda antara satu individu dengan individu lainnya. Perbedaan kebiasaan makan seseorang sejatinya dapat disebabkan oleh berbagai faktor, mulai dari faktor kesehatan, faktor harga, faktor agama, dan faktor budaya. Penelitian ini bertujuan untuk mengelompokkan individu dari lima kota besar di Indonesia berdasarkan pola konsumsi pangan. Terdapat 18 variabel yang digunakan dalam penelitian ini, 6 diantaranya merupakan variabel numerik dan 12 variabel lainnya merupakan variabel kategorik. Mengingat data yang digunakan terdiri dari dua jenis variabel yang berbeda, maka pengelompokan dilakukan secara terpisah. Variabel numerik dikelompokkan menggunakan metode K-Means Clustering, sementara variabel kategorik dikelompokkan menggunakan metode ROCK Clustering. Hasil kedua pengelompokan tersebut kemudian digabungkan dan dipandang sebagai data baru yang terdiri dari dua variabel bertipe kategorik. Variabel baru tersebut kemudian dikelompokkan kembali menggunakan metode pengelompokan data kategorik yang sebelumnya digunakan, yaitu ROCK Clustering. Proses pengelompokan data gabungan tersebut kemudian dikenal sebagai Ensemble Clustering. Hasil dari penelitian ini menunjukkan bahwa kelompok optimal yang terbentuk untuk data gabungan adalah sebanyak tiga klaster. Klaster satu terdiri dari 286 individu yang pola konsumsi pangannya cenderung dipengaruhi faktor harga, agama, dan budaya. Klaster dua terdiri dari 233 individu yang pola konsumsi pangannya cenderung dipengaruhi faktor kesehatan, agama, dan budaya serta cenderung netral akan faktor harga. Sementara itu, klaster tiga terdiri dari 191 individu yang pola konsumsi pangannya dipengaruhi faktor kesehatan, agama, dan budaya.

---

Food consumption patterns are defined as eating habits that differ from one individual to another. Differences in a person's eating habits can be caused by various factors, ranging from health factors, price factors, religious factors, and cultural factors. This study aims to clustering individuals from five cities in Indonesia based on food consumption patterns. There are 18 variables used in this study, 6 of them are numerical variables and 12 others are categorical variables. Since the data consists of two different types of variables, the clustering process will be done separately. Numerical variables were grouped using the K-Means Clustering, while categorical variables were grouped using the ROCK Clustering. The grouping result of numerical and categorical variables are then combined into a new data with two categorical variables. The new data then regrouped using the categorical data grouping method, namely ROCK Clustering. This process then known as Ensemble Clustering. The results of this study indicate that the optimal group formed for the new categorical data is three clusters. Cluster one consists of 286 individuals, where food consumption patterns in this cluster tend to be influenced by price, religion, and culture factors. Cluster two consists of 233 individuals, where food consumption patterns in this cluster tend to be influenced by health, religion, and cultural factors and tend to be neutral on price factors. Cluster three consists of 191 individuals, where food consumption patterns in this cluster are influenced by health, religion, and cultural factors."

"Indikator untuk mengukur tingkat kesejahteraan rumahtangga bersifat relatif. Dalam tugas akhir ini telah ditemukan bahwa tingkat kemampuan sosial ekonomi rumahtangga di DKI Jakarta yang heterogen dapat dibagi ke dalam beberapa kelompok/cluster yang relatif homogen. Metode yang digunakan adalah Analisis Cluster. Dengan Analisis Cluster pengelompokan terhadap obyek/individu akan menghasilkan variabilitas yang rendah untuk obyek-obyek yang berkumpul dalam satu cluster, dan variabilitas yang tinggi untuk obyekobyek dari cluster yang berbeda. Data yang digunakan adalah data SUSENAS tahun 1993 untuk propinsi DKI Jakarta dengan besar sampel 3058 rumahtangga. Dengan metode Partisi K-Mean, 3058 rumahtangga yang diukuroleh 21 variabel dapat dikelompokw ke dalam 7 cluster, dan komposisi ke-tujuh cluster tersebut kemudian dirangkum dalam 3 kelompok sosial ekonomi."

"ABSTRAKTuberkulosis (TB) adalah penyakit menular yang disebabkan oleh infeksiMycobacterium tuberculosis (MTb). Penyakit infeksi M.Tb ini menyerang semuanegara di dunia. Selain menyebabkan kematian, penderita TB ini juga mengalamikerugian secara ekonomis dan menghadapi stigma negatif di masyarakat.Indonesia merupakan negara dengan jumlah penderita TB terbanyak ke-5 didunia, dan meskipun program DOTS digalakkan, penurunan insidensinya masihbelum berarti.Penelitian ini merupakan studi ekologi dengan desain cross sectionalbertujuan mengelompokkan prevalensi TB dan faktor risikonya. Dilaksanakanpada bulan Maret sampai Juni 2013. Data yang dipergunakan merupakan hasildari Riskesdas dan Survei kependudukan dari BPS tahun 2007. Penggugusandilakukan dengan cluster analysis, sementara untuk melihat faktor penentu yangpaling berperan terhadap prevalensi TB dilakukan dengan multiple regressionanalysis.Hasil akhir pembentukan klaster yang optimal sebanyak 5, dan didapatkansebagian besar kabupaten/kota di wilayah Indonesia Bagian Barat dan Tengahberada dalam satu klaster. Empat kabupaten/kota di Provinsi Papua berada dalamsatu klaster dan merupakan wilayah dengan prevalensi TB terbesar, dengan ratarataempat faktor risiko lebih tinggi dibandingkan klaster lainnya. Faktor penentuyang paling berpengaruh terhadap prevalensi TB adalah jumlah prevalensiDiabetes Mellitus (DM).Masing-masing klaster menunjukkan permasalahannya sendiri, sehinggadalam upaya untuk menurunkan prevalensi TB di masyarakat dan denganketerbatasan sumber daya yang dimiliki pemerintah, perlu ditentukan prioritasprogram yang dilakukan untuk mengatasi faktor risiko TB sesuai denganpermasalahan di tiap-tiap daerah.

---

ABSTRACTTuberculosis, a communicable disease transmitted by Mycobacteriumtuberculosis, has become a global issue. With its high mortality and morbidity,this disease become a negative stigma in population Indonesia accounts fornearly one twentieth of the global burden of TB. Although it has a growing DOTSprogramme there has not been a discernible reduction in the incidence of TB inthis country.A cross-sectional ecological study was conducted to determine TB prevalence andits risk factors between March and June 2013. Data was taken from Basic HealthResearch and Demographic Survey from Center of Statistical Bureau 2007, thenclustered with cluster analysis, while to find the most affecting risk factor on TBdata was analyzed with multiple regression analysis.Result showed the number of optimal cluster was 5, and most city/town in westand central Indonesian region were within one cluster. Four city/town in PapuaProvince were in one cluster with highestTB prevalence, with four average riskfactor higher than other cluster. The determining factor which was the mostaffecting onTB prevalence was DM prevalence.Since each cluster has its specific problems, Indonesian government has to setpriority on program dealing with TB risk factors based on regional problems,inspite of minimal sources."

"Dengue adalah salah satu penyakit endemik yang terjadi pada banyak daerah sub tropis dan tropis. Nyamuk Aedes aegypti merupakan vektor utama penyakit dengue. Jumlah insiden dengue telah meningkat secara drastis di seluruh dunia dalam beberapa dekade terakhir. Perubahan iklim dapat menyebabkan perubahan curah hujan, suhu, kelembapan, dan arah udara, sehingga dapat berpengaruh pada perkembangbiakan hidup nyamuk Aedes. Pada skripsi ini, penulis mengimplementasikan algoritma ­K-Medoids dan Fuzzy C-Means Clustering menggunakan jarak Euclidean pada data insiden dengue dan cuaca yang diambil dari kelima wilayah di DKI Jakarta pada tahun 2009 hingga 2016. Variabel yang digunakan terdiri atas rata-rata temperatur, rata-rata kelembapan udara relatif, curah hujan, dan insiden dengue. Proses implementasi dalam skripsi ini dibedakan atas 2 skenario penelitian, yaitu menggunakan 4 variabel yang telah disebutkan di atas dan 3 variabel (variabel yang sama seperti sebelumnya, namun tanpa variabel insiden dengue). Tujuan penelitian dalam skripsi ini adalah menganalisis keterkaitan antara variabel cuaca tersebut dan insiden dengue dari kelima wilayah di DKI Jakarta. Untuk menentukan jumlah klaster yang digunakan, pada metode K-Medoids Clustering dilakukan perhitungan Silhouette Coefficient dan pada metode Fuzzy C-Means Clustering dilakukan perhitungan Modified Partition Coefficient. Hasil menunjukkan bahwa terdapat korelasi yang cenderung positif antara insiden dengue dengan rata-rata kelembapan udara relatif dan jumlah curah hujan di DKI Jakarta. Sementara itu, terdapat korelasi yang cenderung negatif antara jumlah insiden dengue dengan rata-rata temperatur di DKI Jakarta. Hasil dari kedua skenario menunjukkan bahwa terdapat kemiripan nilai rata-rata temperatur yang terjadi antara Jakarta Pusat dan Jakarta Utara, serta antara Jakarta Timur, Jakarta Selatan, dan Jakarta Barat. Kemiripan nilai rata-rata kelembapan udara relatif juga terjadi pada wilayah-wilayah seperti yang telah disebutkan sebelumnya. Hasil dari kedua skenario juga menunjukkan bahwa insiden dengue yang terjadi di Jakarta Pusat dan Jakarta Utara cenderung lebih rendah dari Jakarta Timur, Jakarta Barat, dan Jakarta Selatan. Berdasarkan hasil yang diperoleh, pembentukan klaster pada skenario pertama cenderung dipengaruhi oleh jumlah insiden dengue. Sementara itu, pembentukan klaster pada skenario kedua cenderung dipengaruhi oleh jumlah curah hujan.

---

Dengue is an endemic disease prevalent in sub-tropical and tropical regions. The Aedes aegypti mosquito is the main vector of dengue. Dengue incidence has been rising dramatically throughout the last few decades. Climate change may lead to changes in rainfall, temperature, humidity, and wind direction, so that it can affect the breeding of Aedes mosquitoes. In this study, we employ K-Medoids Clustering and Fuzzy C-Means (FCM) Clustering algorithms using Euclidean distance on five regions in DKI Jakarta every year from 2009 to 2016. The variables used consist of average temperature, average relative humidity, rainfall, and dengue incidence. The implementation process in this study is divided into 2 research scenarios. Firstly using the 4 variables that was mentioned above, and secondly using 3 variables (the same variables as before, but without the dengue incidence variable). The purpose of this study is to analyze the relationships between these weather variables and dengue incidence in the five regions in DKI Jakarta. In order to determine the number of clusters used, for K-Medoids Clustering we determine the Silhouette Coefficient, and for Fuzzy C-Means Clustering we determine the Modified Partition Coefficient. The results show that there tends to be a positive correlation between the number of dengue incidence with average relative humidity and the amount of rainfall. On the other hand, there tends to be a negative correlation between the number of dengue incidence with the average temperature. The results of the two scenarios show that there are similarities in the average temperature between Central Jakarta and North Jakarta, as well as between the East Jakarta, South Jakarta, and West Jakarta. Similarities in the average relative humidity also occur in the areas mentioned before. The results of both scenarios also show that the dengue incidence in Central Jakarta and North Jakarta tend to be lower than in East Jakarta, West Jakarta, and South Jakarta. Based on the results, cluster formation in the first scenario tends to be influenced by the number of dengue incidence. Meanwhile, cluster formation in the second scenario tends to be influenced by the amount of rainfall."

"ABSTRAKEkuitas merek merupakan salah satu intangible asset yang dapat meningkatkan daya tarik suatu merek. Menyadari hal tersebut, banyak perusahaan yang berlomba-lomba dalam meningkatkan ekuitas merek yang dimiliki. Beberapa penghargaan pun digelar secara rutin untuk mengetahui jajaran merek dengan ekuitas tertinggi, yang diukur dengan menggunakan metode survei. Meskipun sejauh ini ekuitas merek dapat diukur dengan baik, namun penggunaan metode survei memiliki beberapa kekurangan dari sisi akurasi, efisiensi dan ekonomis. Dengan maraknya penggunaan media sosial, secara khusus Twitter, menjadikannya sebagai media yang kaya akan informasi dan tepat untuk penerapan query-based survey. Oleh karena itu, Penelitian ini bertujuan untuk menguji potensi pemanfaatan Twitter sebagai alternatif dalam pengukuran tingkat ekuitas merek. Penelitian dilakukan dengan pendekatan text mining, sedangkan proses pengolahan data dilakukan dengan menggunakan model CRISP-DM. Proses scraping dilakukan untuk mengumpulkan data Twitter pada 1 Januari 2015 hingga 31 Desember 2018, untuk mengukur ekuitas merek pada tahun 2016 hingga 2019, dengan data dari Top Brand Index sebagai ground truth data. Penelitian ini menggunakan dimensi brand awareness, brand loyalty, perceived quality, dan brand association yang menghasilkan 15 kemungkinan kombinasi dimensi untuk mengukur tingkat ekuitas dari 54 merek dalam 7 kategori pada sektor jasa. Hasil penelitian ini menunjukan bahwa penggunaan data media sosial Twitter dapat digunakan untuk mengukur tingkat ekuitas merek, dengan tingkat kemiripan sebesar 70.57%. Selain itu, kombinasi dari brand awareness, brand loyalty dan perceived quality terbukti sebagai dimensi yang memberikan hasil terbaik dalam pengukuran tingkat ekuitas merek.

---

ABSTRACT

Brand equity is one of the intangible assets that can increase the attractiveness of a brand. Therefore, many brands are attempted to increase their brand equity level. Several award were conducted routinely to find out the best brands by using the survey method. Although so far brand equity can be measured properly using survey method, it has several disadvantages in terms of accuracy, efficiency and economics. With the widespread use of social media, specifically Twitter, it becomes a media that is rich in information and has the potential to be used as a query-based survey. Therefore, this study aims to examine the potential utilization of Twitter as an alternative methods in measuring brand equity levels. The research was conducted using text mining, while the data processing was carried out using the CRISP-DM model. Scraping process is carried out to collect Twitter data from January 1, 2015 to December 31, 2018, to measure brand equity in 2016 until 2019, with data from the Top Brand Index as ground truth data. This study uses the dimensions of brand awareness, brand loyalty, perceived quality, and brand association which produces 15 possible combinations to measure the equity level of 54 selected brands in 7 categories from the service sector. The results of this study indicate that the use of Twitter data can be used to measure brand equity with 70.57% of similarity level. Combination of brand awareness, brand loyalty and perceived quality dimension also proven as the most accurate dimensions to be used to measure the brand equity level."

"PT. XYZ adalah sebuah pasar daring dan salah satu dari empat unicorn teknologi di Indonesia. Untuk menyasar pasar luring, PT. XYZ meluncurkan aplikasi baru Mitra XYZ di awal 2018. Target utama aplikasi ini adalah warung dan toko kelontong tradisional dengan fitur seperti "Belanja Grosir". Namun, target penerimaan Belanja Grosir di akhir 2018 tidak mencapai target. Berdasarkan analisis akar masalah, isu yang berusaha dipecahkan oleh penelitian ini adalah mencari metode sistem rekomendasi produk yang bisa diterapkan bagi pembeli grosir. Penelitian dimulai dari pemahaman data terhadap struktur, karakteristik, hingga fungsinya. Data lalu diproses dan dibersihkan agar bisa menjadi masukan untuk teknik penggalian data. Penggalian data dilakukan menggunakan bahasa pemrograman R dengan paket utama cluster, arules, dan factoextra. Sistem rekomendasi terdiri dari dua tahapan: (1) segmentasi pelanggan dan (2) analisis keranjang belanja. Segmentasi pelanggan dilakukan dengan algoritme klustering CLARA dikombinasikan dengan model LRFM. Hasil segmentasi menemukan bahwa pelanggan Belanja Grosir terbagi ke dalam empat kelompok dengan karakteristik yang berbeda. Berikutnya, analisis keranjang belanja dilakukan untuk setiap empat kelompok ini menggunakan algoritme penggalian pola asosiasi ECLAT. Dari analisis, ditemukan bahwa produk rokok dan kopi sachet mendominasi kombinasi produk yang sering dibeli bersamaan. Berdasarkan informasi ini, PT. XYZ bisa membuat strategi penjualan dan pemasaran melalui rekomendasi produk.

---

PT. XYZ is an online marketplace and one of Indonesian tech unicorns. To acquire offline market, PT. XYZ launched new Mitra XYZ application on early 2018. The main user of this app is traditional mom-and-pop shops with feature like "Groceries Store". Unfortunately, Groceries Store revenue target was not achieved by the end of 2018. Based on the root cause analysis, the main issue that this research try to solve is finding a product recommendation system method for groceries user. The first step is data structure, characteristics, and function understanding. The raw data is then cleaned-up and preprocessed to be put to the data mining processes. The data mining technique is using R framework with main package cluster, arules, and factoextra. The recommendation system is a 2-step process: (1) customer segmentation and (2) market basket analysis. The customer segmentation part is implemented using CLARA clustering algorithm combined with LRFM model. The clustering results show that Groceries Store users are grouped into four clusters with unique characteristics. Next, the market basket analysis part for each of the four clusters is implemented using association rules mining ECLAT algorithm. The analysis show that cigarrettes and stick coffee products dominate the product combinations that are often bought together. Based on these findings, PT. XYZ can develop sales and marketing strategy by utilizing the proposed product recommendation system."

"Ada beberapa alasan mengapa orang memilih untuk bermigrasi dari negara asalnya. Salah satu alasan terpenting adalah karena masalah ekonomi seperti pengangguran atau gaji yang tidak mencukupi di negara asal mereka. Dalam hal migrasi dan faktor ekonomi terkait dengan remitansi. Remitansi membantu meningkatkan pendapatan rumah tangga yang menjadikannya kekuatan anti-kemiskinan yang kuat. Penelitian ini bertujuan untuk mengkaji pengaruh remitansi terhadap kemiskinan di Indonesia. Studi ini mengamati dampak remitansi terhadap kemiskinan di Indonesia dari tahun 1995 hingga 2019. Data diperoleh melalui beberapa laporan tahunan dari beberapa sumber resmi pemerintah. Untuk mengeksplorasi estimasi dan hasil ekonomi, digunakan data deret waktu dan analisis Ordinary Least Squared (OLS). Hasilnya menunjukkan bahwa tiga dari empat variabel ditemukan signifikan secara statistik. Variabel tersebut adalah remitansi, PDB per kapita atau pendapatan, dan inflasi. Remitansi memiliki hubungan negatif dengan kemiskinan, sedangkan Inflasi dan PDB per kapita memiliki hubungan positif dengan kemiskinan. Artinya, remitansi mengurangi kemiskinan. Namun, dampak remitansi dalam pengentasan kemiskinan relatif rendah. Hal ini dapat dijelaskan dengan tren penurunan pekerja migran, latar belakang pendidikan rendah, remitansi yang tidak tercatat, dan lain-lain.

---

There are several reasons why people choose to migrate from their home country. One of the most important reasons would be due to the economic problems like being unemployed or having insufficient salary in their home countries. In the case of migration and economic factors, it is related to remittances. Remittances help to increase the household income which makes them a powerful anti-poverty force. This study aims to examine the effects of remittances on poverty in Indonesia. This study observes the remittances impact on poverty in Indonesia from 1995 to 2019. The data is obtained through several annual reports of several official government sources. To explore the estimated and economic results, time-series data and Ordinary Least Squared (OLS) analysis were used. The results show that three out of four variables are found to be statistically significant. Those variables are remittances, GDP per capita or income, and inflation. Remittances have a negative relationship with poverty, while Inflation and GDP per capita have a positive relationship with poverty. This means that remittances reduce poverty. However, the impact of remittances in poverty reduction is relatively low. It can be explained by the decline trend of migrant workers, low education background, unrecorded remittances, and others."