Yurika Permanasari
Prodi Matematika, Fakultas Matematika Dan Ilmu Pengetahuan Alam, Universitas Islam Bandung, Indonesia.

Published : 32 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 32 Documents
Search

Penyelesaian Masalah Multiple Criteria Decision Making dalam Pemilihan Supplier Obat Menggunakan Metode WASPAS Annisa Melinia Rahayu; Didi Suhaedi; Yurika Permanasari
Bandung Conference Series: Mathematics Vol. 3 No. 2 (2023): Bandung Conference Series: Mathematics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcsm.v3i2.8778

Abstract

Abstrak. Penilaian supplier dengan pemantauan langsung yang dilakukan apotek untuk memilih supplier obat. Hal ini mempengaruhi pengambilan keputusan yang tidak efektif dan terlalu subjektif. Metode Multiple Criteria Decision Making (MCDM) digunakan untuk menentukan supplier obat terbaik berdasarkan beberapa kriteria yang telah ditentukan dan dianggap mempengaruhi pemilihan supplier terbaik bagi apotek yang bersangkutan. Dalam penelitian ini, metode Weighted Aggregated Sum Product (WASPAS) diterapkan untuk memilih supplier obat terbaik di apotek. Metode WASPAS dipilih karena kemampuannya dalam menangani banyak kriteria dan mempertimbangkan preferensi pembuat keputusan. Terdapat 32 alternatif supplier yang dinilai berdasarkan kriteria harga, waktu pengiriman, penawaran program, dan pelayanan. Dari hasil perangkingan, terdapat 5 supplier obat teratas yang dipilih yaitu supplier Ae, supplier V, supplier T, supplier M, dan supplier F. Perangkingan tersebut diurutkan dari nilai akhir tertinggi, yaitu 2,4131 untuk supplier Ae, hingga nilai akhir terendah, yaitu 1,7395 untuk supplier Q. Dengan demikian, metode WASPAS dapat digunakan sebagai alat bantu pengambilan keputusan dalam memilih supplier obat terbaik. Abstract. The evaluation of suppliers with direct monitoring conducted by pharmacies to select drug suppliers affects ineffective and overly subjective decision-making. The Multiple Criteria Decision Making (MCDM) method is used to determine the best drug supplier based on several predefined criteria considered to influence the selection of the best supplier for the respective pharmacy. In this research, the Weighted Aggregated Sum Product (WASPAS) method is implemented to select the best drug supplier in the pharmacy. WASPAS method was chosen due to its ability to handle multiple criteria and consider decision-makers' preferences. There are 32 alternative suppliers evaluated based on criteria such as price, delivery time, program offerings, and services. From the ranking results, the top 5 drug suppliers selected are supplier Ae, supplier V, supplier T, supplier M, and supplier F. These rankings are arranged from the highest final score, 2.3141 for supplier Ae, to the lowest final score, 1.7395 for supplier Q. Therefore, the WASPAS method can be used as a decision-making tool in selecting the best drug supplier.
Analisis Panjang Populasi dan Banyak Generasi Algoritma Genetika pada Traveling Salesman Problem Muhammad Iqbal Mubarok; Icih Sukarsih; Yurika Permanasari
Bandung Conference Series: Mathematics Vol. 3 No. 2 (2023): Bandung Conference Series: Mathematics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcsm.v3i2.9467

Abstract

Abstrak. Traveling Salesman Problem (TSP) adalah masalah optimasi yang penting dalam bidang ilmu komputer dan matematika. Tujuan utama dari TSP adalah mencari rute terpendek yang melibatkan kunjungan ke sejumlah titik atau kota tertentu oleh seorang salesman. Algoritma Genetika (AG) telah menjadi salah satu pendekatan populer dalam menyelesaikan Traveling Salesman Problem karena kemampuannya untuk menghasilkan solusi yang mendekati optimum. Pada penelitian ini, dilakukan analisis mengenai panjang populasi dan banyak generasi pada Algoritma Genetika dalam menyelesaikan Traveling Salesman Problem. Tujuan penelitian ini adalah untuk menganalisis pengaruh kedua parameter tersebut terhadap kinerja Algoritma Genetika dalam mencapai solusi yang mendekati optimal. Digunakan studi kasus pendistribusian suatu produk UMKM (Usaha Mikro Kecil dan Menengah) di Bandung. Evaluasi dilakukan berdasarkan panjang rute terpendek yang ditemukan oleh Algoritma Genetika dalam jumlah iterasi tertentu. Hasil eksperimen menunjukkan bahwa dengan peningkatan panjang populasi pada Algoritma Genetika dapat meningkatkan kemampuan algoritma untuk menemukan solusi yang lebih baik. Dengan jumlah individu dalam populasi yang lebih besar, algoritma memiliki lebih banyak kesempatan untuk menjelajahi ruang solusi dan menemukan rute terpendek yang memenuhi kriteria Traveling Salesman Problem. Abstract. The Traveling Salesman Problem (TSP) is an important optimization problem in the fields of computer science and mathematics. Its main objective is to find the shortest route that involves visiting a specific set of points or cities by a salesman. Genetic Algorithms (GA) have become a popular approach in solving the Traveling Salesman Problem due to their ability to generate solutions that approximate optimality. In this study, an analysis was conducted on the population size and number of generations in the Genetic Algorithm for solving the Traveling Salesman Problem. The aim of this research was to analyze the influence of these two parameters on the performance of the genetic algorithm in achieving near-optimal solutions. A case study was conducted on the distribution of a small and medium-sized enterprise (SME) product in Bandung. The evaluation was based on the shortest route length discovered by the the Genetic Algorithms within a specified number of iterations. The experimental results indicated that increasing the population size in the Genetic Algorithms can enhance the algorithm's ability to find better solutions. With a larger number of individuals in the population, the algorithm had more opportunities to explore the solution space and discover the shortest routes that met the the Traveling Salesman Problem criteria.
Prediksi Curah Hujan di Kota Bandung Menggunakan Model Logika Fuzzy Time Series Dinda Salsabilla Nur Aliana; Yurika Permanasari
Jurnal Riset Matematika Volume 1, No.1, Juli 2021, Jurnal Riset Matematika (JRM)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrm.v1i1.220

Abstract

Rainfall prediction is useful for life activities, such as public safety, agricultural prodaction, animal husbandry, fisheries, aviation, etc. This study aims to determine the prediction of rainfall in Bandung using the Fuzzy Time Series Logic model and its level of accuracy using Mean Absolute Error (MAE). The rainfall data in January 2010-December 2019 from BMKG was used to build the model and predict the rainfall in January 2020. Based on the results, the predicted rainfall in January 2020 is 225mm or moderate rainfall. The error using MAE is 3.848583 mm. The error shows that the prediction value using Fuzzy Time Series Logic is less accurate which may be caused by several factors, such as the raw data have error and missing values so that the data is not normally distributed, also the occurrence of El Nino and La Nina in 2015, 2016 and 2019. Informasi prediksi curah hujan diperlukan bagi berbagai macam aktivitas kehidupan, seperti keselamatan masyarakat, produksi pertanian, peternakan, perikanan, penerbangan dan lain sebagainya. Penelitian ini bertujuan untuk mengetahui proses penerapan dalam memprediksi curah hujan di Kota Bandung dan tingkat akurasi model Logika Fuzzy Time Series dalam memprediksi curah hujan di Kota Bandung menggunakan Mean Absolute Error (MAE). Data yang digunakan adalah data curah hujan Januari 2010-Desember 2019 yang berasal dari BMKG. Berdasarkan hasil analisis prediksi curah hujan Kota Bandung menggunakan Logika Fuzzy Time Series, nilai prediksi curah hujan Januari 2020 sebesar 225mm atau akan terjadi hujan menengah (sedang) nilai error menggunakan MAE sebesar MAE = 3,848583. Nilai error yang dihasilkan menunjukkan bahwa nilai prediksi menggunakan Logika Fuzzy Time Series kurang akurat dikarenakan terdapat beberapa faktor yang mempengaruhi seperti banyaknya data yang bernilai error dan tidak tercatat sehingga data tidak berdistribusi normal, peristiwa El Nino dan La Nina pada tahun 2015, 2016 dan 2019
Prediksi Jumlah Penumpang Pesawat dengan Backpropagation Neural Network Desy Pitriyani; Yurika Permanasari
Jurnal Riset Matematika Volume 2, No. 2, Desember 2022, Jurnal Riset Matematika (JRM)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrm.v2i2.1327

Abstract

Abstract. The surge in passengers at Soekarno-Hatta International Airport in new normal era, urged the airport to have information about how many passengers in the next several time periods in order to know the proper plan and optimization of airport operations. This paper aims to use Backpropagation Neural Network methods to predict the number of airplane passengers. The data used is monthly data on the number of passengers on domestic flights at Soekarno-Hatta International Airport from January 2006 to April 2022 obtained from Badan Pusat Statistik (BPS). The results showed predictions with Backpropagation Neural Network method produced the best predictions with 19.77% MAPE. The prediction of the number of passengers in the next period, May 2022 is 1.060.500 passengers. Abstrak. Melonjaknya penumpang di Bandara Internasional Soekarno-Hatta pada era new normal, pihak bandara perlu memiliki informasi mengenai berapa banyak penumpang pada beberapa periode waktu ke depan guna mengetahui perencanaan dan pengoptimalan pengoperasian bandara yang tepat. Penelitian ini bertujuan untuk memprediksi jumlah penumpang pesawat menggunakan Backpropagation Neural Network. Data yang digunakan adalah data bulanan jumlah penumpang pesawat penerbangan domestik di Bandara Internasional Soekarno-Hatta mulai Januari 2006 hingga April 2022 yang diperoleh dari Badan Pusat Statistika (BPS). Hasil penelitian menunjukkan prediksi dengan metode Backpropagation Neural Network menghasilkan prediksi yang baik dengan MAPE 19,77%. Prediksi jumlah penumpang pada periode selanjutnya yaitu Mei 2022 adalah sebanyak 1.060.500 penumpang.
Algoritma Deeplearning menggunakan Backpropagation Neural Network Angga Aditya Pratama; Yurika Permanasari; Didi Suhaedi
Bandung Conference Series: Mathematics Vol. 4 No. 1 (2024): Bandung Conference Series: Mathematics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcsm.v4i1.15299

Abstract

Abstract. The Backpropagation method is a technique used to minimize errors in output values by updating weights and biases. This process is crucial to ensure that the Neural Network's computations result in an output value with minimal error. This article focuses on the form of the Backpropagation Neural Network algorithm, aiming to understand the role of Backpropagation in Neural Network calculations. Based on the MSE graph in this study, the MSE values decreased but did not reach the minimum error value, as the case was limited to up to the 100th iteration. In this study, Backpropagation influences the attainment of an output value with minimal error, even though the minimum error value has not yet been reached. It is observed that in subsequent iterations, the error values will continue to decrease, approaching the minimum error value. With increasingly optimal error values, the prediction error decreases, leading to more accurate predictions. Abstrak. Metode Backpropagation adalah sebuah metode yang akan meminimalkan kesalahan dalam sebuah nilai Output, dengan cara memperbarui nilai bobot dan bias. Hal tersebut penting dilakukan dengan tujuan hasil yang didapatkan dari perhitungan Neural Network menghasilkan suatu nilai Output dengan nilai error yang minimum. Artikel ini difokuskan pada bagaimana bentuk Algoritma Backpropagation Neural Network, dengan tujuan untuk mengetahui bagaimana peranan Backpropagation dalam perhitungan Neural Network. Berdasarkan grafik MSE pada penelitian ini, nilai MSE yang dihasilkan menurun akan tetapi belum mencapai nilai error minimum, karena kasus tersebut dibatasi hanya sampai iterasi ke-100. Backpropagation dalam penelitian ini berpengaruh untuk mendapatkan nilai Output dengan nilai error yang minimum meskipun nilai error minimum belum tercapai. Terlihat bahwa untuk iterasi selanjutnya nilai error yang akan dihasilkan juga akan terus menurun sampai mendekati nilai error minimum. Dengan nilai Error yang semakin optimal, maka semakin kecil kesalahan yang dikeluarkan untuk menentukan prediksi tersebut.
Analysis of Disaster Vulnerability Areas in West Bandung Regency, West Java, Indonesia Usman, Dudi Nasrudin; Sukarsih, Icih; Permanasari, Yurika; Mildani, Deni; Widayati, Sri; Nuryahya, Himawan; Pulungan, Linda; Ramadhani, Rully Nurhasan
Journal of Geoscience, Engineering, Environment, and Technology Vol. 8 No. 4 (2023): JGEET Vol 08 No 04 : December (2023)
Publisher : UIR PRESS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25299/jgeet.2023.8.4.10065

Abstract

Mineral resources, coal, and rock are one of the potentials possessed by Indonesia to be able to earn income from the mining sector. West Bandung Regency is one of the areas that have quite a lot of potential rock and mineral resources. The potential of this area is quite large, namely andesite rock, sand, limestone, and sandstone. Zeolite and others. On the other hand, the West Bandung area has a high potential and threat of being a disaster-prone. West Bandung Regency has the highest number of natural disasters occurring in the type of landslide disaster, which occurred 52 times in the period 2008-2016, or 68% of all disasters. Loss of economic value also occurs for mining material resources which are limited by the existence of a disaster zone. So it is necessary to carry out mitigation from the start to map disaster areas that have an impact on the distribution and existence of mining material resources. This study aims to identify and analyze the potential of rock resources in disaster-prone areas, so as to be able to prioritize conservation aspects for potential mining materials. The method used in this research is through literature study, mapping the potential of mining materials, mapping the potential of disaster-prone areas, processing of secondary data, and analysis using remote sensing. The results of this study are that the rocks in the West Bandung area are divided into groups of volcanic rocks, sedimentary rocks, and alluvial deposits. The volcanic rock group got a score of 3 because it was considered more prone to erosions than the sedimentary and alluvial rock groups which were scored 2 and 1. with a weighted level of disaster vulnerability. The zone of high disaster susceptibility is considered to have the highest probability of a disaster occurring. Therefore, in the final result, the overlap between the distribution of the potential for minerals and the zone of high disaster susceptibility results in a potential area for minerals that are relatively safe from disasters, both soil movement, and flooding. Potential mining resources in West Bandung Regency are Andesite basalt 1,860,412 ha (1.43%), Limestone 667.05 ha (0.50%), Sirtu 40,949.76 ha (31.35%%).
Pengaruh Learning Rate pada Artificial Neural Network terhadap Hasil Prediksi Cuaca Hujan Imran, Baihaky Muhammad; Yurika Permanasari
Jurnal Riset Matematika Volume 5, No.1, Juli 2025, Jurnal Riset Matematika (JRM)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrm.v5i1.6571

Abstract

Abstract. Artificial Neural Network (ANN) is a machine learning method that mimics the way the human brain processes information. ANN has the ability to recognize patterns from complex and non-linear data, making it suitable for use in various applications, including weather prediction. In this study, ANN is used to predict rainfall based on a dataset consisting of 8 attributes, namely year, day, rainfall, surface pressure, air temperature, humidity, wind speed, and wind direction. This research aims to understand the ANN algorithm in processing data on rainy weather prediction. The model training process is carried out using weight update optimization through Adam Optimizer, which is designed to accelerate convergence and improve prediction accuracy. Stages in the training process include data processing, determining parameters such as learning rate, and evaluating model performance using BMKG daily observation data for 184 days. The feedforward propagation process uses linear, ReLU, and sigmoid functions, while backpropagation with Adam Optimizer adapts the weights based on the learning rate and gradient of the loss function. The results show that the algorithm for rainy weather prediction is built with the parameters of learning rate, activation function, weight, bias, and optimizer as the main conditions. Therefore, these parameters are very important in the ANN algorithm to process data for rainy weather prediction. Abstrak. Artificial Neural Network (ANN) merupakan salah satu metode pembelajaran mesin yang meniru cara kerja otak manusia dalam memproses informasi. ANN memiliki kemampuan untuk mengenali pola dari data yang kompleks dan tidak linear, sehingga cocok digunakan dalam berbagai aplikasi, termasuk prediksi cuaca. Dalam penelitian ini, ANN digunakan untuk memprediksi curah hujan berdasarkan dataset yang terdiri dari 8 atribut, yaitu tahun, hari ke, curah hujan, tekanan permukaan, suhu udara, kelembaban, kecepatan angin, dan arah angin. Penelitian ini bertujuan untuk memahami algoritma ANN dalam memproses data pada prediksi cuaca hujan. Proses pelatihan model dilakukan dengan menggunakan optimasi pembaruan bobot melalui Adam Optimizer, yang dirancang untuk mempercepat konvergensi dan meningkatkan akurasi prediksi. Tahapan dalam proses pelatihan meliputi pengolahan data, penentuan parameter seperti learning rate, dan evaluasi performa model menggunakan data hasil pengamatan harian BMKG selama 184 hari. Proses feedforward propagation menggunakan fungsi linear, ReLU, dan sigmoid, sementara backpropagation dengan Adam Optimizer yang mengadaptasi bobot berdasarkan learning rate dan gradien dari fungsi loss. Hasil penelitian menunjukkan bahwa algoritma untuk prediksi cuaca hujan dibangun dengan parameter learning rate, fungsi aktivasi, bobot, bias, dan optimizer sebagai kondisi utama. Oleh karena itu, parameter-parameter ini sangat penting dalam algoritma ANN untuk memproses data pada prediksi cuaca hujan.
Perbandingan Algoritma Dijkstra dan Bellman Ford dalam Menentukan Rute Terpendek Cafe Hopping Dieva Gheamelia; R Respitawulan; Yurika Permanasari
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.v5i2.8297

Abstract

Abstrak. Penelitian ini bertujuan untuk membandingkan dua algoritma pencarian rute terpendek, yaitu Dijkstra dan Bellman-Ford, dalam konteks kegiatan cafe hopping di Kota Bandung. Dengan semakin maraknya minat masyarakat terhadap eksplorasi tempat-tempat kuliner seperti cafe, dibutuhkan sistem yang mampu memberikan rute tercepat dan terpendek agar kegiatan tersebut lebih efisien. Penelitian dilakukan dengan membangun model graf berarah berbobot dari beberapa lokasi cafe populer, menggunakan jarak antar titik sebagai bobot sisi. Implementasi algoritma dilakukan menggunakan Python di Google Colab. Hasil pengujian menunjukkan bahwa meskipun kedua algoritma menghasilkan rute dan jarak yang sama dari titik awal ke tujuan akhir, Algoritma Dijkstra memproses data lebih cepat karena tidak melakukan relaksasi berulang seperti Bellman-Ford. Namun, Bellman-Ford memiliki keunggulan dalam menangani graf dengan bobot negatif. Penelitian ini menyimpulkan bahwa pemilihan algoritma harus disesuaikan dengan karakteristik graf dan kebutuhan aplikasi. Rekomendasi untuk pengembangan selanjutnya mencakup penggunaan graf dua arah dan integrasi data waktu tempuh aktual agar solusi lebih relevan terhadap kondisi nyata di lapangan. Abstract. This study aims to compare two shortest path algorithms, namely Dijkstra and Bellman-Ford, in the context of cafe hopping activities in Bandung City. With the growing public interest in exploring culinary destinations such as cafés, a system that can determine the most efficient and shortest route is essential. The research was conducted by modeling a directed weighted graph based on several popular cafe locations, using the distance between each point as edge weights. The algorithms were implemented using Python on the Google Colab platform. The results show that although both algorithms produced the same route and distance from the starting point to the destination, Dijkstra's algorithm processed the data faster due to its single-pass nature, unlike Bellman-Ford which performs multiple relaxation steps. However, Bellman-Ford has the advantage of handling graphs with negative weights. This study concludes that the selection of an algorithm should align with the graph characteristics and application needs. Future development is recommended to include bidirectional graphs and real-time travel time data to ensure more practical and realistic solutions in real-world scenarios. 
Implementasi Perhitungan dengan Metode Garis Lurus dan Saldo Menurun Ganda Andrea Widhi Hastanti; Onoy Rohaeni; Yurika Permanasari
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.v5i2.8461

Abstract

Abstrak. Penentuan nilai objek sewa yang sesuai dengan prinsip-prinsip syariah merupakan aspek penting dalam transaksi keuangan Islami. Penelitian ini ditujukan kepada sebuah implementasi model berbasis Python yang dapat digunakan untuk menghitung nilai sewa objek secara akurat dan sesuai dengan ketentuan syariah. Dengan memanfaatkan bahasa pemrograman Python, penelitian ini menyusun algoritma yang mengintegrasikan metode penilaian syariah seperti metode garis lurus dan metode Saldo Menurun Ganda yang diakui dalam keuangan Islam. Tujuan dari penelitian ini adalah untuk mengetahui metode mana yang paling berpengaruh terhadap laba perusahaan dan untuk mengetahui metode mana yang efektif dipilih oleh perusahaan. Berdasarkan penelitian ini, metode garis lurus memiliki keuntungan yang tidak terlalu besar dan pada beban penyusutan tidak terlalu besar pada tiap tahunnya, sedangkan pada metode saldo menurun dari segi keuntungan memang besar akan tetapi pada beban penyusutan juga besar pertahunnya, maka akan berpengaruh pada tarif sewa kepada yang akan menyewa. Abstract. Determining the value of a leased asset in accordance with Sharia principles is an important aspect of Islamic financial transactions. This study focuses on a Python-based implementation model that can be used to accurately calculate the lease value of an asset in compliance with Sharia regulations. By leveraging the Python programming language, this research develops an algorithm that integrates Sharia valuation methods such as the straight- line method and the double declining balance method, both recognized in Islamic finance. The aim of this study is to identify which method has the greatest impact on the company’s profit and to determine which method is effectively preferred by the company. Based on the research findings, the straight-line method yields moderate profit and relatively low annual depreciation expenses, whereas the double declining balance method results in higher profits but also incurs higher annual depreciation expenses, which in turn affects the rental rates charged to lessees.
Eksplorasi Tren Data Sains Modern dan Signifikansi Matematika dalam Pemodelan Data dan Machine Learning Yurika Permanasari; Onoy Rohaeni; Farid Hirji Badruzzaman; Yenie Syukriyah
Data Enthusiast: Jurnal Ilmiah Sains Data Vol. 2 No. 1 (2026): Data Enthusiast: Jurnal Ilmiah Sains Data
Publisher : Fakultas Sains dan Teknologi Universitas Koperasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32670/dej.v2i1.18

Abstract

peningkatan signifikan penelitian di bidang data sains. Bidang ini merupakan interdisipliner yang mengintegrasikan matematika, statistika, komputasi, serta pengetahuan untuk mengekstraksi informasi bernilai dari data berskala besar. Penelitian ini bertujuan mengkaji tren mutakhir data sains serta menganalisis peran matematika dalam pemodelan data dan machine learning. Metode yang digunakan adalah kajian literatur sistematis terhadap publikasi ilmiah terkini terkait data science, artificial intelligence, dan matematika terapan. Hasil kajian menunjukkan bahwa fokus penelitian saat ini mencakup machine learning, big data analytics, explainable artificial intelligence, serta isu etika data. Matematika terbukti menjadi fondasi utama melalui probabilitas, statistika, aljabar linear, dan optimasi matematis dalam pembangunan model prediktif dan analitik. Integrasi matematika dan teknologi data science menghasilkan model analitik yang lebih akurat dan reliabel, sehingga menjadi faktor penting dalam pengembangan teknologi analitik modern serta pendidikan berbasis data di masa depan.