Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam era digital yang terus berkembang, aktivitas sosial dan bisnis semakin banyak beralih ke media sosial dan digitalisasi melalui e-commerce. Tidak hanya pada sektor jual beli masyarakat, terjadi digitalisasi di bidang pengadaan barang/jasa pemerintah dengan dibangunnya sistem e-katalog. Sistem e-katalog memungkinkan pemerintah dan masyarakat untuk mengawasi dan memastikan bahwa pengadaan barang dan jasa pemerintah dilakukan secara adil dan transparan. Namun, sistem e-katalog mengalami keterbatasan dalam hal jumlah dan jenis produk, sehingga upaya terus dilakukan untuk menambah vendor dan memperluas kesepakatan dengan penjual lokal. Meskipun begitu, masih terdapat banyak produk impor yang tercatat pada daftar produk di e-katalog. Dengan memanfaatkan teknologi Machine Learning, klasifikasi produk ke lokal dan pemetaannya ke kategori di e-katalog dapat membantu menyelesaikan permasalahan yang dihadapi oleh sistem e-katalog ini.Desain penelitian yang digunakan pada penelitian ini adalah Experimental research, dimana klasifikasi produk dan pemetaan kategori yang dilakukan pada penelitian ini menggunakan metode Machine Learning. Pemetaan kategori dilakukan dengan 2 pendekatan, produk ke kategori dan kategori ke kategori. Klasifikasi produk dibagi menjadi 2 kelas yaitu lokal dan impor. Data yang diolah adalah produk dari e-commerce dari rentang November 2022 hingga April 2023.Metode yang digunakan pada penelitian ini untuk klasifikasi produk lokal dan kategori adalah Random Forest (RF), Support Vector Machine (SVM), Neural Network (NN), dan Transformers. Dari eksperimen klasifikasi produk lokal dan kategori, keduanya mendapatkan hasil evaluasi terbaik dari model transformers, yang digunakan sebagai model ekstraksi fitur hingga klasifikasi. Performa model klasifikasi produk lokal mendapat f1-score 97,24% dan akurasi 97,25%. Sedangkan model klasifikasi kategori, performa model f1-score 63,74% dan akurasi 64,14%.

---

In the ever-evolving digital era, social and business activities are increasingly turning to social media and digitalization through e-commerce. Not only in the public buying and selling sector, digitization happen in the field of government goods/services procurement with the construction of an e-catalog system. The e-catalog system enables the government and the public to monitor and ensure that government procurement of goods and services is carried out in a fair and transparent manner. However, the e-catalog system suffers from limitations in terms of the number and types of products, so efforts are being made to add more vendors and expand agreements with local sellers. Even so, there are still many imported products listed on the product list in the e-catalog. By utilizing Machine Learning technology, classifying products to local and mapping them to categories in the e-catalog can help solve the problems faced by this e-catalog system.

The research design used in this study is Experimental research, where product classification and category mapping are carried out in this study using Machine Learning methods. Category mapping is done with 2 approaches, product to category and category to category. Product classification is divided into 2 classes, namely local and imported. The processed data are products from e-commerce from November 2022 to April 2023.

The methods used in this study for local product classification and categories are Random Forest (RF), Support Vector Machine (SVM), Neural Network (NN), and Transformers. From the local and category product classification experiments, both obtained the best evaluation results from the Transformers model, which was used as a feature extraction model for classification. The performance of the local product classification model gets an f1-score of 97,24% and accuracy 97,25%. While the category classification model, the performance of the f1-score model is 63,74% and accuracy 64,14%.

"

"Sistem rekomendasi menjadi salah satu kebutuhan utama bagi penyedia layanan e-commerce untuk memberikan saran rekomendasi produk sesuai dengan apa yang diinginkan oleh pengguna. Salah satu pendekatan yang paling banyak dilakukan dalam membangun sistem rekomendasi adalah collaborative filtering, dengan menggunakan data explicit feedback, yang dapat berupa review atau rating. Sistem rekomendasi dengan pendekatan collaborative filtering telah banyak dikembangkan dengan menggunakan metode machine learning dan metode deep learning. Penelitian ini berfokus untuk mengembangkan sistem rekomendasi dengan pendekatan collaborative filtering berbasis deep learning dengan menggunakan data gabungan review dan rating. Teknik deep learning yang digunakan diperkaya dengan word embeddings untuk dapat menangkap interaksi yang terdapat dalam data review. Penelitian ini menggunakan arsitektur yang diadopsi dari CARL. Modifikasi yang dilakukan pada CARL meliputi pengubahan optimizer dan penggunaan beberapa pretrained word embedding yang berbeda. Selain itu, penelitian ini juga membandingkan performa sistem rekomendasi yang diusulkan antara dataset berbahasa Inggris dan berbahasa Indonesia. Untuk melakukan evaluasi performa sistem rekomendasi yang dikembangkan, digunakan metrik evaluasi mean squared error (MSE). Hasil penelitian menunjukkan modifikasi model CARL (Review-based) dengan menggunakan optimizer Adam (CARL (Review-based) – Adam) menunjukkan performa terbaik dan dapat mengalahkan performa dari baseline model.

---

Recommender systems are one of the main needs for e-commerce to provide product recommendations according to what the users want. One of the most widely used approaches in developing recommender systems is collaborative filtering, using explicit feedback data, which can be in the form of reviews or ratings. Various collaborative filtering methods have been developed using machine learning and deep learning methods. This study focuses on developing deep learning-based recommender systems with collaborative filtering approach using combined reviews and ratings data. The deep learning technique that being used is enriched with word embeddings to capture the interactions contained in the review data. This study uses an architecture adopted from CARL. Modifications made to CARL include changing the optimizer and using several different pretrained word embeddings. This study also compares the performance of the proposed recommender systems between English datasets and Indonesian datasets. To evaluate the performance of the recommender systems, the mean squared error (MSE) evaluation metrics is used. The results showed that the modification of CARL (Review-based) model using Adam optimizer (CARL (Review-based) – Adam) showed the best performance and could beat the performance of the baseline model."

"Judul produk pada suatu platform e-commerce berperan cukup besar dalam menarik per- hatian konsumen terhadap produk. Kualitas judul produk yang kurang baik perlu diper- baiki dan perihal ini menyebabkan munculnya suatu kebutuhan untuk melakukan nor- malisasi teks pada judul produk agar judul produk dapat terstandardisasi. Namun, stan- dardisasi tersebut tidak dapat dilakukan secara manual oleh manusia karena produk baru setiap harinya akan terus meningkat sehingga membutuhkan suatu sistem yang dapat melakukan pekerjaan tersebut dengan baik. Kriteria atau indikator suatu judul produk yang baik pada platform e-commerce di Indonesia belum pernah didefinisikan sebelumnya sehingga penelitian ini mengajukan empat kriteria yang dapat menjadi parameter kualitas suatu judul produk, yaitu consistency, conciseness, discoverability, dan clarity. Selain itu, penelitian ini juga mengajukan sebuah pendekatan untuk melakukan normalisasi teks pada judul produk e-commerce, yakni dengan pendekatan pipeline yang terdiri atas em- pat tahapan, yaitu chunking, language identification, promotion words identification, dan normalization. Model yang digunakan pada modul chunking, language identification, dan promotion words identification adalah model Conditional Random Field. Evaluasi dilakukan terpisah pada setiap modul dan dilakukan secara integrasi pada pipeline. Pada setiap modul, pengujian yang dilakukan adalah evaluasi kontribusi setiap fitur terhadap kualitas prediksi, menghasilkan suatu kesimpulan bahwa terdapat beberapa potensi ke- mungkinan, yaitu fitur yang berkontribusi positif atau negatif terhadap seluruh metrik, atau fitur dapat berkontribusi positif pada metrik tertentu, namun berkontribusi negatif pada metrik lainnya. Pengujian pada pipeline dilakukan dengan memasukkan judul pro- duk ke seluruh modul mengikuti alur pemodelan dengan dua buah pengaturan evaluasi, menghasilkan akurasi terbaik sebesar 49,14% untuk nilai WER dan 82,61% untuk nilai BLEU. Berdasarkan seluruh hasil tersebut, performa Conditional Random Field dapat dikatakan bekerja dengan baik dalam melakukan identifikasi bahasa dan identifikasi pro- motion words, dan masih dapat dioptimisasi lagi pada tahapan chunking.

---

The product title on a e-commerce platform has a significant role in attracting consumers’ attention to the product. Poor quality of a product title needs to be fixed and standard- ized, led to a need of text normalization on e-commerce product title. However, this standardization cannot be done manually by humans because new products will continue to increase everyday, so it requires a machine that can do the job properly. Criteria or in- dicators of a good product title on the Indonesian e-commerce platform have never been defined before, so that this research proposes four criteria that can be parameters for a product title quality, namely consistency, conciseness, discoverability, and clarity. In ad- dition, this research also proposes an approach to normalize text on e-commerce product title, with a pipeline approach that consisting of four stages, namely chunking, language identification, promotion words identification, and normalization. The model used in module chunking, language identification, and promotion words identification involves the Conditional Random Field model. Evaluation was separated for each module and in- tegrated for pipeline evaluation. For each module, the experiment was used to evaluate the contribution of each feature towards the quality of the prediction, resulting in conclusion that there are several potential possibilities, which are features that contribute positively or negatively to all metrics, or features can contribute positively to certain metrics, but contribute negatively to the other metrics. The experiment was carried out by inserting product titles into all modules followed the modelling flow with two evaluation settings, resulting for the best accuracy of 49,14% for the WER value and 82,61% for the BLEU value. Based on all of these results, the performance of Conditional Random Field can be said to work well in language identification and promotion words identification module, and can still can be optimized in the chunking module."

"Bisnis jual beli kini telah merambah menuju wadah online dengan bantuan internet. Pergeseran ini secara signifikan membuat pertumbuhan e-commerce semakin cepat. COVID-19 menyebabkan terjadi penurunan penjualan di toko offline, sehingga e-commerce berpeluang untuk terus tumbuh. Namun masih banyak pelanggan di Indonesia yang masih memilih berbelanja secara offline. Alasan untuk ini termasuk waktu pengiriman, harga pengiriman, masalah kualitas, area pengiriman yang tidak terjangkau, dan sistem yang rumit. Penelitian ini menyoroti pentingnya kualitas layanan dan produk e-commerce produk segar yang mencerminkan kepuasan pelanggan menggunakan NPS (Net Promoter Score), dan perancangan strategi untuk memperbaiki kualitas tersebut. Studi kasus diimplementasikan pada perusahaan produk segar e-commerce. Kriteria kualitas terlebih dahulu ditentukan melalui kuesioner oleh tujuh orang pakar. Terdapat 14 kriteria diterima yang digunakan untuk kuesioner NPS kepada pelanggan sebagai penilaian kualitas layanan. Dari 237 responden, nilai NPS rata-rata perusahaan adalah 39%. Hasil NPS tersebut dijadikan bobot untuk memilih alternatif strategi untuk meningkatkan kualitas. Kesesuaian strategi dengan kriteria ditentukan oleh pakar dan prioritas strategi dihitung dengan metode TOPSIS. Hasil prioritas strategi adalah untuk menjalankan strategi sistem integrasi dengan memanfaatkan data dan integrasi sistem rantai pasok seperti perencanaan, peramalan, pengisian stok, dan juga pengambilan data untuk kebutuhan personalisasi pelanggan untu mengetahui tren yang pelanggan butuhkan.

---

Business of selling and buying has now expanded to online platforms with the help of the internet. This shift significantly makes e-commerce growth even faster. Due to COVID-19, there are some decrease in sales at offline stores, therefore, e-commerce have the opportunity to continue to grow. But many customers in Indonesia still choose to shop offline for groceries item. The reasons for this include delivery times, shipping prices, quality concerns, unreachable delivery areas, and complicated systems. This study highlights the importance of product and service quality of fresh product e-commerce that reflect customer satisfaction using NPS (Net Promoter Score), and to design strategies to improve this quality. A case study is implemented in an e-commerce fresh product company. The quality criteria were first determined through a questionnaire by seven experts. There are 14 acceptable criteria used for the NPS questionnaire to customers as an assessment of service quality. From the 237 respondents, the company's average NPS value is 39%. The results of the NPS are used as weights for choosing alternative strategies to improve quality. The suitability of the strategy with the criteria is determined by the expert and the priority of the strategy is calculated by the TOPSIS method. The result of the priority strategy is to carry out a system integration strategy by utilizing data and supply chain system integration such as planning, forecasting, stock replenishment, and also data retrieval for customer personalization needs to find out trends that customers need."

"Bukalapak merupakan salah satu perusahaan di Indonesia yang bergerak di bidang ECommerce. Tercatat pada tahun 2019, Bukalapak mengalami peningkatan pertumbuhan pengguna sebanyak 230% jika dibandingkan dengan tahun sebelumnya. Sayangnya pertumbuhan pengguna juga diikuti dengan peningkatan jumlah komplain yang terjadi di Bukalapak. Tercatat pada tahun 2020, komplain Bukalapak meningkat sebanyak 50% di akhir tahun 2020 jika dibandingkan dengan di awal tahun 2020. Peningkatan komplain tersebut menyebabkan meningkatnya average handle time pada komplain yang menyebabkan turunya kepuasan pengguna. Hal tersebut tentunya menjadi perhatian bagi pihak manajemen. Pada penelitian kali ini, dilakukan klasifikasi kategori komplain yang ada di Bukalapak. Penelitian ini bertujuan untuk mencari tahu, model klasifikasi apa yang cocok digunakan dalam menentukan kategori komplain yang masuk ke Bukalapak. Adapun model klasifikasi yang digunakan di dalam penelitian ini yaitu, Logistic Regression, k Nearest Neighbor, dan Support Vector Machine. Sedangkan data yang digunakan merupakan data komplain dari Januari 2021 hingga Desember 2021. Dari hasil penelitian, ditemukan bahwa model klasifikasi logistic regression memiliki nilai akurasi paling tinggi di antara 2 model lainya. Model logistic regression berhasil mendapatkan nilai akurasi sebesar 83,9%. Posisi kedua di tempati oleh model k Nearest Neighbors dengan akurasi sebesar 65,3%. Terakhir ditempati oleh model Support Vector Machine dengan nilai akurasi sebesar 40.5%.

---

Bukalapak is one of the companies in Indonesia that is engaged in E-Commerce. It was recorded that in 2019, Bukalapak experienced a 230% increase in user growth compared to the previous year. Unfortunately, the growth in users is also followed by an increase in the number of complaints that occur in Bukalapak. It was recorded that in 2020, Bukalapak complaints increased by 50% at the end of 2020 when compared to the beginning of 2020. The increase in complaints led to an increase in the average handle time for complaints which led to a decrease in user satisfaction. This is certainly a concern for the management. In this study, the classification of complaints categories in Bukalapak will be carried out. This study aims to find out what classification model is suitable to be used in determining the category of complaints in Bukalapak. The classification model that will be used in this research is Logistic Regression, k Nearest Neighbor, and Support Vector Machine. While the data that will be used is data on complaints from January 2021 to December 2021. From the results of the study, it was found that the logistic regression classification model had the highest value among the other 2 models. The logistic regression model managed to get an accuracy value of 83.9%. The second position is occupied by the k Nearest Neighbors model with an accuracy of 65.3%. Last occupied by the SVM model with an accuracy value of 40.5%

"

"Sistem rekomendasi dan pemelajaran mesin berbasis graf adalah bidang ilmu yang sedang berkembang dan populer. Sistem rekomendasi telah banyak digunakan sebagai alat yang dapat memberikan rekomendasi produk kepada pengguna. Sistem rekomendasi dapat digunakan untuk melakukan prediksi produk perbankan yang akan disarankan kepada pengguna, sehingga memudahkan pengguna untuk memilih produk perbankan yang tepat dan sudah dipersonalisasi. Perkembangan pemelajaran mesin berbasis graf dapat diimplementasikan dalam segala hal yang dapat direpresentasikan dalam bentuk graf. Rekomendasi produk perbankan dapat diterapkan dalam bentuk graf yaitu dengan menghubungkan nasabah yang pernah membeli produk ataupun nasabah yang memiliki profil yang mirip. Dari graf yang telah dibentuk, akan dilakukan prediksi sehingga nasabah baru dapat diklasifikasikan sebagai direkomendasikan dengan menghubungkan nasabah tersebut kedalam graf. Dalam penelitian ini, diterapkan tiga model rekomendasi berbasis graf dan tiga model rekomendasi berbasis pohon. Model berbasis graf yang digunakan adalah GraphSAGE, GAT dan GCN. Model berbasis pohon yang digunakan adalah Random Forest, LightGBM dan XGBoost. Dari keenam model yang dibuat, dilakukan perbandingan terhadap performa dan waktu inferensi. Hasil eksperimen menunjukkan bahwa model rekomendasi berbasis graf menghasilkan nilai AUC tertinggi 0,974 sedangkan untuk model rekomendasi berbasis pohon mendapatkan nilai AUC tertinggi 0,863 yang menunjukan bahwa model berbasis graf memiliki performa yang lebih baik dibandingkan model berbasis pohon. Pada penelitian ini juga didapatkan bahwa waktu inferensi dari model berbasis pohon lebih cepat 900 kali lipat dibandingkan waktu inferensi model berbasis graf.

---

Recommendation systems and graph-based machine learning are growing and popular fields nowadays. Recommendation system has been widely used as a tool that can provide product recommendations to users. Recommendation system can be used to predict banking products that will be suggested to users, making it easier for users to choose the right and personalized banking products. The development of graph-based machine learning can be implemented in everything that can be represented in the form of a graph. Recommendations for banking products can be applied in the form of graphs with connecting customers who have purchased the product or customers who have a similar profile to customers who have purchased the product. From the graph that has been formed, predictions will be made so that new customers can be classified as recommended by connecting these customers to the graph. In this study, three graph-based recommendation models and three tree-based recommendation models were applied. The graph-based models used are GraphSAGE, GAT and GCN. The tree-based models used are Random Forest, LightGBM and XGBoost. Comparison was made on the performance and inference time from the six models that have been made. The experiment results show that the graph-based recommendation model get highest AUC score 0.974 and tree-based recommendation model get highest AUC score 0.863 which indicates that graph-based recommendation model get better performace than tree-based recommendation model. It also fount that time inference of the tree-based model is 900 times faster than the inference time of the graph-based model."

"Perkembangan dunia live video streaming dalam beberapa tahun terakhir didasari oleh faktor tingginya kenaikan penggunaan layanan tersebut pada e-commerce platforms. Fitur live stream saat ini banyak di implementasi oleh e-commerce platform di mana dengan melihat siaran secara langsung, pelanggan dapat merasakan proses berbelanja yang lebih menyenangkan layaknya berbelanja fisik di toko secara offline. Oleh karena itu, penelitian ini bertujuan untuk menganalisis pengaruh fitur teknis pada live streaming dari perspektif teori IT affordance, faktor product uncertainty, dan jenis produk pada live stream, terhadap intensi pembelian produk melalui e-commerce platforms. Pengumpulan data pada penelitian dilakukan dengan menyebar kuesioner secara online yang melibatkan 322 responden. Dalam pengolahan data, penulis mengguanakan IBM AMOS 26.0, IBM Statistics SPSS 25, dan SmartPLS. Hasil pada penelitian ini membuktikan bahwa tingkat uncertainty terkait produk mempengaruhi intensi seseorang dalam melakukan belanja menggunakan live streaming pada e-commerce platform. Selain itu, temuan pada penelitian ini menunjukan bahwa teori IT affordance yang dijabarkan melalui variabel visibility, metavoicing, dan social connecting serta tipe produk yang ditonton juga berpengaruh terhadap tingkat uncertainty pengguna live stream. Oleh karena itu, dapat disimpulkan bahwa untuk meningkatkan intensi pengguna dalam berbelanja di ecommerce menggunakan live streaming, diperlukan aspek hingga fitur teknis IT yang baik.

---

The development of the world of live video streaming in recent years is based on the high increase in the use of these services on e-commerce platforms. The live stream feature is currently widely implemented by e-commerce platforms where by watching live streaming, customers can experience a more enjoyable shopping process like shopping physically in an offline store. Therefore, this study aims to analyze the effect of technical features on live streaming from the perspective of IT affordance theory, product uncertainty factors, and product types on live streams, on the intention to purchase products through e-commerce platforms. Data collection in the study was conducted by distributing online questionnaires involving 322 respondents. In processing data, the authors use IBM AMOS 26.0, IBM Statistics SPSS 25, and SmartPLS. The results of this study prove that the level of product-related uncertainty influences one's intention to shop using live streaming on the e-commerce platform. In addition, the findings in this study indicate that IT affordance theory which is elaborated through the variables of visibility, metavoicing, and social connecting as well as the type of product being watched also influences the level of uncertainty of live stream users. Therefore, it can be concluded that in order to increase user intentions in shopping on e-commerce using live streaming, aspects of IT technical features are needed."

"Ujaran kebencian dapat menyebabkan terjadinya konflik dan pembantaian di masyarakat sehingga harus segera ditangani. Indonesia memiliki lebih dari 700 bahasa daerah dengan karakteristik masing-masing. Ujaran kebencian yang ada di Indonesia juga pernah dilakukan menggunakan bahasa daerah. Media sosial Twitter paling sering digunakan dalam menyebarkan ujaran kebencian. Identifikasi target, kategori, serta level ujaran kebencian dapat membantu Polri dan Kemenkominfo dalam menentukan prioritas penanganan ujaran kebencian sehingga dapat meminimalisir dampaknya. Penelitian ini melakukan identifikasi ujaran kasar dan ujaran kebencian beserta target, kategori, dan level ujaran kebencian pada data Twitter berbahasa daerah menggunakan algoritma classical machine learning dan deep learning. Penelitian ini menggunakan data lima bahasa daerah di Indonesia dengan penutur terbanyak yaitu Jawa, Sunda, Madura, Minang, dan Musi. Pada data Bahasa Jawa performa terbaik diperoleh menggunakan algoritma Support Vector Machine (SVM) dengan transformasi data Classifier Chains (CC) serta kombinasi fitur word unigram, bigram, dan trigram dengan F1-score 70,43%. Algoritma SVM dengan transformasi data CC serta kombinasi fitur word unigram dan bigram memberikan performa terbaik pada data Bahasa Sunda dan Madura dengan masing-masing F1-score 68,79% dan 78,81%. Sementara itu, pada data Bahasa Minang dan Musi hasil terbaik diperoleh menggunakan algoritma SVM dengan transformasi data CC serta fitur word unigram dengan F1-score 83,57% dan 80,72%. Penelitian ini diharapkan dapat digunakan sebagai masukan bagi Polri dan Kemenkominfo dalam pembangunan sistem identifikasi ujaran kasar, ujaran kebencian serta target, kategori, dan level ujaran kebencian pada media sosial.

---

Hate speech can lead to conflict and massacres in society so it must be dealt immediately. Indonesia has more than 700 regional languages with their own characteristics. Hate speech in Indonesia has also been carried out using regional languages. Twitter is the most frequently used social media to spread hate speech. Identification of targets, categories, and levels of hate speech can help the National Police and the Ministry of Communication and Information to determine priorities for handling hate speech to minimize its impact. This study identifies abusive speech and hate speech along with the target, category, and level of hate speech on regional language Twitter data using classical machine learning and deep learning algorithms. This study uses data from five regional languages in Indonesia with the most speakers, namely Javanese, Sundanese, Madurese, Minang, and Musi. In Java language data, the best performance is obtained using the Support Vector Machine (SVM) algorithm with Classifier Chains (CC) data transformation and a combination of unigram, bigram, and trigram word features with an F1-score of 70.43%. The SVM algorithm with CC data transformation and the combination of unigram and bigram word features provides the best performance on Sundanese and Madurese data with F1-scores of 68.79% and 78.81%, respectively. Meanwhile, in Minang and Musi language data, the best results were obtained using the SVM algorithm with CC data transformation and word unigram features with F1-scores of 83.57% and 80.72%, respectively. This research is expected to be used as input for the National Police and the Ministry of Communication and Information in developing a system for identifying harsh speech, hate speech and the target, category, and level of hate speech on social media."

"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."

"Tesis ini membahas mengenai dampak lokalisasi data pada sektor e-commerce dilihat dari sudut pandang ASEAN Agreement on E-Commerce dan Pasal XIV dari General Agreements Trade in Services dengan pokok permasalahan pertama adalah mengenai dampak lokalisasi data dan cross border data transfer pada pertumbuhan perdagangan di ASEAN, permasalahan kedua adalah bagaimana kedisiplinan penerapan lokalisasi data di negara-negara ASEAN dilihat dari peraturan ASEAN Agreement on E-commerce dan permasalahan ketiga adalah apakah penerapan pengecualian di dalam ASEAN Agreement on E-Commerce dan Pasal XIV dari General Agreements Trade in Services sebagai penyeimbang antara perlindungan data dan liberalisasi perdagangan. Metode penelitian dan teori hukum yang dipergunakan untuk membahas permasalahan dalam tesis ini adalah metode penelitian yuridis normatif. Hasil penelitian menunjukan bahwa lokalisasi data menjadi hambatan dari perdagangan secara global, penerapan lokalisasi data menjadikan suatu negara tidak menarik di mata investor karena penempatan server di negara tempat berbisnis dan biaya yang tinggi. Belum semua negara memiliki hukum perlindungan data pribadi, beberapa negara seperti Kamboja, Laos, dan Myanmar tidak memiliki peraturan yang komprehensif mengatur perlindungan data. Vietnam masih mempertahankan lokalisasi data dengan mangharuskan perusahaan asing menempatkan server di negaranya. Dibutuhkan perjanjian regional seperti ASEAN Agreement on E-commerce untuk harmonisasi perlindungan data di ASEAN terutama di sektor e-commerce. Dibutuhkan balancing untuk menyeimbangkan perdagangan dan perlindungan data, salah satu alat yang dapat digunakan adalah GATS Pasal XIV dimana terdapat pengecualian terutama untuk Privasi dan Ketertiban Umum. Pengaturan di GATS Pasal XIV dan Weighing dan Balancing dapat menjadi equilibrium dalam keseimbangan perdagangan dan perlindungan data.

---

This thesis discusses the impact of data localization on the e-commerce sector from the perspective of the ASEAN Agreement on E-Commerce and GATS Article XIV . The first problem is the impact of data localization on trade conditions between ASEAN countries, The second problem is how discipline the implementation of data localization is in ASEAN countries, seen from the regulations of the ASEAN Agreement on E-commerce, and The third issue is whether the application of exceptions in the ASEAN Agreement on E-Commerce and Article XIV of the General Agreements on Trade in Services can bring balance between data protection and trade liberalization.. The research method and legal theory used to discuss the problems in this thesis are normative juridical research methods. The research results show that data localization is an obstacle to global trade, the implementation of data localization makes a country unattractive in the eyes of investors because of the placement of servers in the country where they do business and high costs. Not all countries have personal data protection laws, some countries such as Cambodia, Laos and Myanmar do not have comprehensive regulations governing data protection. Vietnam still maintains data localization by requiring foreign companies to locate servers in the country. Regional agreements such as the ASEAN Agreement on E-commerce are needed to harmonize data protection in ASEAN, especially in the e-commerce sector. Balancing is needed to balance trade and data protection, one tool that can be used is GATS Article XIV where there are exceptions, especially for Privacy and Public Order. The arrangements in GATS Article XIV and Weighing and Balancing can be an equilibrium in the balance of trade and data protection."