Garuda - Garba Rujukan Digital

Prediksi Tren Data Penjualan Album K-Pop Berbasis Machine Learning Menggunakan Algoritma XGBoost Maesaroh Andiyani; Erwin Harahap; Didi Suhaedi
Jurnal Riset Matematika Volume 5, No.2, Desember 2025, Jurnal Riset Matematika (JRM)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrm.v5i2.8340

Abstract. The South Korean music industry (K-Pop) is experiencing rapid growth and holds significant global influence. Despite the dominance of digital platforms, physical album sales remain strong, although their trends are not always consistent. This study aims to predict K-Pop album sales trends for the period 2025–2029 using the eXtreme Gradient Boosting (XGBoost) machine learning algorithm, based on historical data from 2020–2024. Data were manually collected from multiple digital platforms, including Circle Chart, YouTube, Instagram, X, and Naver. The research follows the Knowledge Discovery in Database (KDD) framework, consisting of data selection, pre-processing, transformation, data mining, and evaluation stages. The model’s performance was evaluated using the Mean Absolute Percentage Error (MAPE) metric. The results show a general upward trend in album sales across all four major K-Pop agencies HYBE, SM Entertainment, JYP Entertainment, and YG Entertainment although the growth patterns vary by agency. Feature importance analysis revealed different key influencing factors 24-hour MV views played a dominant role at HYBE and SM, the album releases was most significant at JYP, and the active artists had the greatest impact at YG. These findings demonstrate that XGBoost can effectively model and predict K-Pop album sales while identifying agency-specific influencing factors. Abstrak. Industri musik Korea Selatan (K-Pop) mengalami pertumbuhan pesat dan memiliki pengaruh global yang signifikan. Meskipun era digital mendominasi, penjualan album fisik K-Pop terus meningkat, namun tidak selalu menunjukkan pola yang konsisten. Penelitian ini bertujuan untuk memprediksi tren penjualan album K-Pop menggunakan algoritma machine learning eXtreme Gradient Boosting (XGBoost) dengan prediksi tren data penjualan album tahun 2025–2029, berdasarkan data historis periode 2020–2024. Sumber data diperoleh dari platform digital seperti Circle Chart, YouTube, Instagram, X, dan Naver. Penelitian ini dilakukan melalui pendekatan Knowledge Discovery in Database (KDD), dan model dievaluasi menggunakan Mean Absolute Percentage Error (MAPE). Berdasarkan hasil penelitian, dapat disimpulkan bahwa pola dan tren penjualan album K-Pop tahun 2025–2029 menunjukkan peningkatan dari tahun ke tahun, dengan pola yang beragam pada setiap agensi tergantung pada faktor seperti jumlah album dan aktivitas artis. Hasil feature importance menggunakan algoritma XGBoost menunjukkan bahwa setiap agensi memiliki faktor yang berbeda dalam memengaruhi penjualan album, seperti total tayangan MV 24 jam pada agensi HYBE Corporation dan SM Entertainment, total album pada agensi JYP Entertainment, serta jumlah artis aktif pada agensi YG Entertainment.

Penerapan Metode GRA-DEMATEL Pada Pilihan E-Commerce Fashion Gen Z Rini Kurniasih; Didi Suhaedi; Erwin Harahap
Jurnal Riset Matematika Volume 5, No.2, Desember 2025, Jurnal Riset Matematika (JRM)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrm.v5i2.8446

Abstract. The rapid growth of fashion e-commerce has encouraged Generation Z, as digital natives, to navigate various online shopping platforms. Their unique consumption preferences, shaped by impulsive lifestyles and high exposure to social media, present challenges in selecting the most suitable e-commerce platform for fashion purchases. This study aims to determine the best e-commerce platform for Gen Z in fashion shopping using a Multi-Criteria Decision Making (MCDM) approach. This quantitative research involved 111 Gen Z respondents residing in the Greater Bandung area who have shopped for fashion products on Shopee, Tokopedia, and Lazada. Data were collected through an online questionnaire and processed using the Entropy method to objectively weigh the evaluation criteria, Grey Relational Analysis (GRA) to rank the alternatives, and the Decision Making Trial and Evaluation Laboratory (DEMATEL) to analyze the interrelationships among criteria. The evaluation was based on four main criteria: price, product, appeal, and user experience. The results indicate that Shopee ranks first as the preferred platform. The DEMATEL analysis identified product and price as the most influential criteria affecting appeal and user experience. These findings contribute to a better understanding of Gen Z’s shopping behavior and offer strategic insights for e-commerce platforms seeking to enhance competitiveness and user satisfaction. Abstrak. Pertumbuhan e-commerce fashion yang pesat mendorong Gen Z, sebagai generasi digital native, untuk menghadapi berbagai pilihan platform belanja daring. Preferensi konsumsi mereka yang unik, dipengaruhi gaya hidup impulsif dan eksposur media sosial, menimbulkan tantangan dalam memilih platform e-commerce yang paling sesuai. Penelitian ini bertujuan menentukan platform e-commerce terbaik bagi Gen Z dalam pembelian produk fashion dengan pendekatan Multi-Criteria Decision Making (MCDM). Penelitian bersifat kuantitatif dengan melibatkan 111 responden Gen Z yang berdomisili di wilayah Bandung Raya dan pernah berbelanja fashion di Shopee, Tokopedia, dan Lazada. Data dikumpulkan melalui penyebaran kuesioner daring, kemudian diolah menggunakan metode Entropy untuk pembobotan kriteria secara objektif, Grey Relational Analysis (GRA) untuk pemeringkatan alternatif, serta Decision Making Trial and Evaluation Laboratory (DEMATEL) untuk menganalisis hubungan antarkriteria. Evaluasi dilakukan berdasarkan empat kriteria: harga, produk, daya tarik, dan pengalaman pengguna. Hasil menunjukkan bahwa Shopee menempati peringkat pertama sebagai platform pilihan. Analisis DEMATEL mengidentifikasi produk dan harga sebagai kriteria paling berpengaruh terhadap daya tarik dan pengalaman pengguna. Temuan ini memberikan kontribusi dalam memahami perilaku belanja Gen Z serta menjadi referensi bagi pelaku e-commerce dalam merancang strategi yang relevan dan kompetitif.

Segmentasi Pelanggan Menggunakan K-Means Clustering berbasis Analisis RFM Jumidah; Didi Suhaedi; Erwin Harahap
Jurnal Riset Matematika Volume 6, No.1, Juli 2026, Jurnal Riset Matematika (JRM)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract. Increasing business competition requires companies to understand customer behavior in order to maintain customer loyalty and reduce the risk of customer churn. This study aims to perform customer segmentation and identify customers with churn potential using the K-Means Clustering method based on Recency, Frequency, and Monetary (RFM) values. Transaction data were obtained from PD XYZ, a store operating on an e-commerce platform in Indonesia. The data were processed through preprocessing, transformation, and scaling using RobustScaler to standardize the data and reduce the influence of outliers. The optimal number of clusters was determined using the Elbow method and evaluated with the Silhouette Coefficient and Davies–Bouldin Index. The results indicate that k = 3 is the optimal number of clusters, with a Silhouette Coefficient of 0.771495 and a Davies–Bouldin Index of 0.547348. The segmentation produced three customer groups: non-loyal, moderate, and loyal customers. A total of 3,840 customers were identified as having churn potential, while 236 customers were classified as non-churn. The findings demonstrate that the RFM-based clustering approach is effective for understanding customer characteristics and supporting the development of more targeted customer retention and marketing strategies. Abstrak. Peningkatan persaingan usaha mendorong pelaku usaha untuk memahami perilaku pelanggan guna mempertahankan loyalitas dan mengurangi risiko kehilangan pelanggan. Artikel ini bertujuan melakukan segmentasi pelanggan serta mengidentifikasi pelanggan yang berpotensi churn menggunakan metode K-Means Clustering berbasis Recency, Frequency, dan Monetary (RFM). Data transaksi yang digunakan berasal dari PD XYZ, sebuah toko yang beroperasi pada platform e-commerce di Indonesia. Data diproses melalui tahap pra-pemrosesan, transformasi, dan scaling menggunakan RobustScaler untuk menyesuaikan skala data serta mengurangi pengaruh outlier. Jumlah klaster ditentukan menggunakan metode Elbow dan dievaluasi dengan Silhouette Coefficient serta Davies-Bouldin Index. Hasil menunjukkan bahwa k = 3 merupakan jumlah klaster terbaik dengan nilai Silhouette Coefficient sebesar 0,771495 dan Davies-Bouldin Index sebesar 0,547348. Segmentasi menghasilkan tiga kelompok pelanggan, yaitu pelanggan tidak loyal, pelanggan moderate, dan pelanggan loyal. Sebanyak 3.840 pelanggan teridentifikasi berpotensi churn, sedangkan 236 pelanggan tidak churn. Hasil penelitian menunjukkan bahwa pendekatan RFM berbasis klaster efektif dalam memahami karakteristik pelanggan dan mendukung penyusunan strategi retensi serta pemasaran yang lebih tepat sasaran.

Simulasi Monte Carlo pada Pola Tidur Shift Worker untuk Estimasi Risiko Penyakit Sabrina Vidya Siswantoro; Didi Suhaedi; Erwin Harahap
Jurnal Riset Matematika Volume 6, No.1, Juli 2026, Jurnal Riset Matematika (JRM)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrm.v6i1.10137

Abstract. Shift work can disrupt the body’s circadian rhythm and is associated with changes in sleep duration and an increased risk of chronic diseases. This study aims to model the distribution of sleep duration among day-shift and night-shift workers using Monte Carlo Simulation and to estimate the Population Relative Risk (RRpop) for Coronary Heart Disease and Type 2 Diabetes Mellitus. A total of 10,000 simulation iterations were performed for each shift using sleep duration parameters adopted from previous studies, namely = 7,53 hours (= 1,60) for day shift and = 5,74 hours (= 1,30) for night shift. Relative risk values for each sleep duration category were derived from meta-analysis studies and applied to the simulation results. Among night-shift workers, the majority exhibited short sleep duration, contributing to a higher risk of Coronary Heart Disease (RRpop= 1,1602) compared to day-shift (RRpop= 1,1096). Conversely, day-shift workers generally demonstrated adequate sleep duration but showed an increased proportion of long sleep duration, which was associated with a higher risk of Type 2 Diabetes Mellitus (RRpop= 1,1706) compared to night-shift (RRpop= 1,1390). Overall, health risks among night-shift workers are primarily driven by sleep compression, whereas risks among day-shift workers are more influenced by excessive sleep tendencies. Abstrak. Sistem kerja shift dapat mengganggu ritme sirkadian tubuh dan berhubungan dengan perubahan durasi tidur serta peningkatan risiko penyakit kronis. Penelitian ini bertujuan untuk memodelkan distribusi durasi tidur pada pekerja shift siang dan malam menggunakan Simulasi Monte Carlo, serta mengestimasi Risiko Relatif Populasi (RRpop) terhadap Penyakit Jantung Koroner dan Diabetes Melitus Tipe 2. Simulasi dilakukan sebanyak 10.000 iterasi untuk masing-masing shift dengan parameter durasi tidur yang diadopsi dari studi sebelumnya, yaitu = 7,53 jam ( = 1,60) untuk shift siang dan = 5,74 jam ( = 1,30) untuk shift malam. Nilai risiko relatif per kategori durasi tidur diadopsi dari studi meta-analisis dan diaplikasikan pada hasil simulasi. Pada pekerja shift malam mayoritas individu memiliki durasi tidur yang tergolong pendek, yang berkontribusi terhadap peningkatan risiko Penyakit Jantung Koroner (RRpop = 1,1602) dibandingkan shift siang (RRpop = 1,1096). Sebaliknya, pada kelompok shift siang mayoritas individu memiliki durasi tidur cukup, namun terdapat peningkatan pada durasi tidur berlebih, yang berdampak pada risiko Diabetes Melitus Tipe 2 yang lebih tinggi (RRpop = 1,1706) dibandingkan shift malam (RRpop = 1,1390). Dengan demikian, risiko kesehatan pada pekerja shift malam didominasi oleh kompresi waktu tidur, sementara pada pekerja shift siang risiko lebih dipengaruhi oleh kecenderungan tidur berlebih.

Penerapan Algoritma Linier untuk Fitur Pencarian di Google Sheets dengan AppsScript Rian Abdul Wahab; Respitawulan Respitawulan; Erwin Harahap
Jurnal Riset Matematika Volume 6, No.1, Juli 2026, Jurnal Riset Matematika (JRM)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrm.v6i1.10139

Abstract. The rapid development of information technology has increased the demand for data management and retrieval systems that are fast, accurate, and easily accessible. Google Sheets is widely used as a cloud-based data storage platform; however, its built-in search feature has limitations, particularly in retrieving data across multiple sheets. This study aims to develop a more structured search feature in Google Sheets using Apps Script by implementing the Linear Search algorithm. Theoretically, the Linear Search algorithm works by sequentially comparing each data element until the target data are found, making it suitable for searching unsorted datasets. The research method consisted of designing and implementing the Linear Search algorithm using Apps Script, followed by testing on regional taxpayer data from City/Regency X. The results show that the developed search feature can display search results in a more organized manner within a dedicated search sheet and retrieve data from all available sheets. Furthermore, variations in keyword categories and keyword length do not significantly affect the search performance. These findings demonstrate that implementing the Linear Search algorithm in Google Sheets improves the efficiency of data management and retrieval. Abstrak. Perkembangan teknologi informasi mendorong meningkatnya kebutuhan akan sistem pengelolaan dan pencarian data yang cepat, akurat, serta mudah diakses. Google Sheets banyak digunakan sebagai media penyimpanan data berbasis cloud, namun fitur pencarian bawaan masih memiliki keterbatasan, terutama dalam menampilkan hasil pencarian dari beberapa sheet. Penelitian ini bertujuan mengembangkan fitur pencarian yang lebih terstruktur pada Google Sheets menggunakan Apps Script dengan menerapkan algoritma pencarian linier (Linear Search). Secara teoritis, algoritma pencarian linier bekerja dengan membandingkan setiap elemen data secara berurutan hingga data yang dicari ditemukan sehingga sesuai diterapkan pada data yang tidak terurut. Metode penelitian dilakukan melalui perancangan dan implementasi algoritma pencarian linier menggunakan Apps Script, kemudian diuji pada data wajib pajak daerah di Kota/Kabupaten X. Hasil penelitian menunjukkan bahwa fitur pencarian yang dikembangkan mampu menampilkan hasil pencarian secara lebih terorganisir pada sheet pencarian serta dapat mencari data dari seluruh sheet yang tersedia. Selain itu, pemilihan kategori kata kunci maupun jumlah karakter pada kata kunci tidak memberikan pengaruh yang signifikan terhadap kecepatan pencarian. Hasil tersebut menunjukkan bahwa penerapan algoritma pencarian linier pada Google Sheets mampu meningkatkan kemudahan pengelolaan dan pencarian data.

Title

Found 5 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 5 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 5 Documents
Search