http://hdl.handle.net/123456789/53728 Wed, 30 Sep 2026 03:42:30 GMT 2026-09-30T03:42:30Z http://hdl.handle.net/123456789/64175 Identifikasi SNP Terkait Ketahanan Penyakit Bacterial Spot (BS) dan Bacterial Wilt (BW) pada Tanaman Tomat Menggunakan Analisis GWAS Multi-Lokus Afriayni, Sintia Penyakit bacterial spot (BS) dan bacterial wilt (BW) merupakan kendala utama dalam produksi tomat karena dapat menurunkan hasil dan kualitas tanaman secara signifikan. Penelitian ini bertujuan untuk mengidentifikasi penanda molekuler berbasis Single Nucleotide Polymorphisms (SNP) yang berasosiasi dengan ketahanan tomat terhadap kedua penyakit tersebut serta membandingkan kinerja lima model Genome-Wide Association Study (GWAS) multi-lokus. Penelitian menggunakan 100 genotipe tomat koleksi PT Ewindo dengan 15.420 penanda SNP yang setelah proses penyaringan frekuensi alel minor diperoleh 15.120 penanda untuk analisis. Analisis asosiasi dilakukan menggunakan lima model GWAS multi- lokus, yaitu MLMM, BLINK, FarmCPU, MrMLM, dan ISIS EM-BLASSO. Hasil analisis menunjukkan bahwa pada penyakit BS teridentifikasi beberapa SNP signifikan pada berbagai kromosom, dengan konsentrasi tertinggi pada kromosom 11 yang mengindikasikan adanya hotspot genomik terkait ketahanan terhadap BS. Dua SNP pada kromosom tersebut, yaitu S11_31536146 dan S11_7283270, terdeteksi pada dua isolat BS sehingga berpotensi menjadi lokus penting yang berperan dalam ketahanan. Pada penyakit BW, SNP signifikan terutama teridentifikasi pada kromosom 7 dan kromosom 12, yang menunjukkan potensi peran penting wilayah genom tersebut dalam ketahanan terhadap BW. Evaluasi kinerja model menunjukkan bahwa pada trait BS model MLMM dan FarmCPU memiliki kalibrasi statistik paling baik, sedangkan pada trait BW model BLINK dan MLMM menunjukkan performa paling optimal. Analisis konsistensi multi-model mengidentifikasi beberapa SNP kandidat utama, yaitu S11_7283270, S1_97365330, dan S5_46922578 untuk BS serta S7_61187868, S8_10611554, S2_45492547, S_12_29_306, S_6_40_609, dan S8_50362160 untuk BW. SNP- SNP tersebut berpotensi dimanfaatkan sebagai penanda molekuler dalam seleksi berbantuan marker (MAS) untuk pengembangan varietas tomat tahan penyakit. Penelitian selanjutnya disarankan menggunakan populasi yang lebih besar dan beragam, menerapkan seleksi fitur penanda sebelum analisis, serta mengintegrasikan pendekatan machine learning dan analisis spasial untuk meningkatkan akurasi identifikasi SNP terkait ketahanan penyakit. Thu, 01 Jan 2026 00:00:00 GMT http://hdl.handle.net/123456789/64175 2026-01-01T00:00:00Z http://hdl.handle.net/123456789/62096 An Eiv-based Predictive Segmentation Framework for Retail CRM Optimization: Machine Learning Benchmarking and Causal Field Experimentation For Email Conversion Uplift Ariyadi, Fandy Akhmad Identifying customers who are most likely to convert following marketing communication remains a central challenge in retail customer relationship management (CRM), particularly in omnichannel environments characterized by fragmented behavioral signals. While machine learning–based propensity models have demonstrated strong offline predictive performance, limited empirical evidence exists regarding their effectiveness when deployed in real-world marketing campaigns. This study proposes an EIV-based predictive segmentation framework that integrates Engagement (email interaction), Intent (website activity), and Value (transaction history) into a unified customer representation, and evaluates its impact through both offline model benchmarking and online causal field experimentation. Using customer-level omnichannel behavioral data from the Indonesian retail sector, five algorithmic families—Logistic Regression, Random Forest, Gradient Boosting Machines, Artificial Neural Networks (ANN), and Deep Neural Networks (DNN)—are trained and evaluated under an identical experimental protocol. Given the highly imbalanced nature of email conversion data, model performance is assessed using precision, recall, F1-score, and Matthews Correlation Coefficient (MCC). The results indicate that the Gradient Boosting Machines model delivers the most stable and robust predictive performance across evaluation metrics and is therefore selected for operational deployment. The selected model is implemented in a large-scale field experiment involving 59 email campaigns across 15 retail e-commerce websites. Customers are randomly assigned to either a predictive segment or an existing operational segmentation, with conversion defined as a completed transaction within seven days of email exposure. The experimental results demonstrate that predictive segmentation consistently yields higher conversion rates and statistically significant uplift across campaigns and SBU. This study contributes to an end-to-end methodological framework that bridges offline predictive modeling and online causal validation, providing empirical evidence that unified, propensity-based segmentation can enhance CRM effectiveness in real-world omnichannel retail settings. Wed, 01 Jan 2025 00:00:00 GMT http://hdl.handle.net/123456789/62096 2025-01-01T00:00:00Z http://hdl.handle.net/123456789/60127 Implementasi Model Bayesian Network dalam Penilaian Pengaruh Faktor-faktor Terhadap Kenaikan Jabatan PTK dan Rekomendasi Kebijakan Pengelolaan Karier Ptk Putra, Novaldy Pratama Penelitian ini mengimplementasikan model Bayesian Network untuk menganalisis faktor- faktor yang memengaruhi kenaikan jabatan Pendidik dan Tenaga Kependidikan (PTK) serta memberikan rekomendasi kebijakan pengelolaan karier. Data penelitian bersum- ber dari Data Pokok Pendidikan (Dapodik) dan Badan Kepegawaian Nasional dengan sampel sebanyak 1.454.516 PTK hingga Desember 2024. Metode analisis mencakup pembangunan struktur jaringan menggunakan algoritma hill-climbing, estimasi para- meter melalui Conditional Probability Table (CPT), serta perhitungan Joint Probabi- lity Distribution (JPD) dan probabilitas posterior. Hasil kuantitatif menunjukkan bah- wa model Bayesian Network mencapai akurasi 100% pada skenario dengan variabel pangkat golongan, sedangkan tanpa variabel tersebut akurasi turun menjadi 53%. In- tegrasi dengan Random Forest berhasil memperbaiki 66,67% kesalahan prediksi pada model lengkap. Faktor pangkat golongan menjadi penentu utama dengan 86,29% PTK golongan IV berpeluang menjadi Ahli Madya. Masa kerja >20 tahun memberikan pe- luang 85,25% mencapai Ahli Madya, sedangkan pendidikan S3 menjamin 100% posisi di jenjang tersebut. PTK di daerah 3T memiliki probabilitas 69,09% terjebak di jen- jang Ahli Pertama. Simulasi proyeksi karier menunjukkan transisi signifikan terjadi pada horizon waktu 5 tahun, dengan hanya 64% PTK yang berhasil mencapai Ahli Utama dalam 10 tahun. Regulasi PERMENPANRB Nomor 1 Tahun 2023 berpotensi meningkatkan fleksibilitas karier, namun memerlukan waktu dan intervensi pendukung untuk hasil optimal. Rekomendasi kebijakan mencakup program beasiswa dan sertifi- kasi untuk daerah 3T, sistem promosi berbasis merit, serta penyederhanaan persyaratan administratif. Penelitian ini menyimpulkan bahwa Bayesian Network efektif dalam me- modelkan hubungan kausal kompleks dan mendukung pengambilan keputusan berbasis data dalam pengelolaan karier PTK. Wed, 01 Jan 2025 00:00:00 GMT http://hdl.handle.net/123456789/60127 2025-01-01T00:00:00Z http://hdl.handle.net/123456789/53372 Analisis Segmentasi Pelanggan Berdasarkan Kategori Produk Dalam Pasar Business To Business (B2B) Industri Tekstil dan Pakaian Jadi Mahmudiati, Imtikhanah Anis Penelitian ini bertujuan untuk melakukan analisis segmentasi pelanggan dalam pasar Business to Business (B2B) dengan studi kasus pada CV Laras Mitra Sejati (CV LMS), perusahaan yang bergerak di industri tekstil dan pakaian jadi dengan fokus pada produk hospital linen. Mengingat kompleksitas pasar B2B dan pentingnya pemahaman mendalam tentang kebutuhan serta preferensi pelanggan, penelitian ini menggunakan metode pengelompokan Blok-KM (Block-Based K- Medoids) untuk mengatasi data yang memiliki outlier. Selain itu, perbandingan antara penggunaan ukuran jarak Euclidean dan Manhattan dalam metode Blok-KM dilakukan guna mengevaluasi performa dan sensitivitas terhadap variasi data. Penelitian ini menggunakan lima indeks penentuan jumlah kelompok optimal, yang mayoritas mengidentifikasi dua kelompok optimal dalam data pelanggan CV LMS. Hasil analisis menunjukkan adanya perbedaan signifikan antara dua kelompok pelanggan dalam hal preferensi produk, di mana Kelompok 1 memiliki permintaan lebih tinggi untuk semua kategori produk, mengindikasikan potensi pelanggan yang lebih loyal. Penelitian ini merekomendasikan penggunaan variabel nilai kontrak untuk analisis yang lebih komprehensif, serta penerapan strategi berbasis data guna meningkatkan performa perusahaan. Selain itu, peneliti menyarankan pengembangan database dengan histori data yang lebih panjang, sehingga analisis di masa mendatang dapat dilakukan secara otomatis menggunakan algoritma machine learning, memberikan efisiensi dan akurasi yang lebih tinggi dalam pengambilan keputusan pemasaran dan penjualan. Mon, 01 Jan 2024 00:00:00 GMT http://hdl.handle.net/123456789/53372 2024-01-01T00:00:00Z