Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKSendi lutut buatan adalah salah satu produk dari rekayasa rancang bangun biomedikal yang merupakan suatu interface ilmu kedokteran terapan dengan ilmu teknik terapan. Sesungguhnya di negara lain teknologi ini sudah dikembangkan sejak beberapa tahun yang lalu, tetapi Indonesia baru mulai mengembangkannya. Teknologi Rapid Prototyping adalah suatu teknologi pilihan yang akan digunakan untuk memacu pertumbuhan ilmu rekayasa biomedikal di negeri ini, Penerapan teknologi Rapid Prototyping dapat menghemat waktu dan biaya produksi. Salah satu metoda Rapid Prototyping adalah metoda pemotongan dan perbedaan / penggabungan, dipilih untuk diterapkan pada pembuatan prototipe sendi lutut buatan.Tahap pra proses pada metode ini merupakan tahapan penting karena data masukan untuk mesin Rapid Prototyping dibuat pada tahap ini. Kitalitas prototipe yang dihasilkan tergantung pada kualitas data keluaran dari tahap ini. Tahap ini dimulai dengan memproses data geometri prototipe menjadi model 3 D Solid dalam Pro Engineering. Arsip PRT yang merupakan suatu arsip keluaran dal Pro Engineering kemudian dikonversikan kedalam arsip STS Bentuk arsip STL merupakan pendekatan permukaan dari model oleh segitiga - segitiga. STL View 07 menganalisa arsip STL untuk memastikan bahwa model dapat dapat di produksi dan menyimpan irisan-irisan model kedalam arsip Common Layer Interface (CLI).Bentuk arsip Crosshatch dari model akan dibuat dengan menggunakan CLI view dan data masukan untuk mesin siap untuk digunakan.Analisis volume dilakukan untuk mengetahui kehilangan data pada tahap pra proses yang terjadi akibat perbedaan geometri pada konversi data dari arsip PRT ke arsip STL dan dari arsip STL ke arsip CLI. Prosentase kehilangan data selama tahap pra proses sama dengan perbedaan dari kehilangan volumenya, yang berkisar antara 0,039% sampai dengan 3,16%. Volume prototipe kemudian dibandingkan dengan volume model dalam arsip PRT untuk mengetahui keabsahan dari prototipe. Prosentase kehilangan volume prototipe berkisar antara 0,047% sampai dengan 3,8% dari data pemodelan 3D solid arsip PRT' Prosentage kehilangan data ini masih dibawah batas maksimum toleransi umum yaitu + 10 %.

---

ABSTRACT

;Knee joint prosthesis is one of biomedical engineering's products which is an interface technology of medical and science technology. Actually, the technology has been developed years ago in the other countries, but Indonesia has just started to develop it. Rapid Prototyping Technology is an alternative technology which is being utilized to speed up biomedical engineering's growth in this country. The implementation of this technology can save in production's time and cost. One of Rapid Prototyping Technology's methods is Cutting and Glueing /Joining method , chosen for implementation is the prototyping knee joint prosthesis .

In this method the preprocessing phase is important, because data input for the Rapid Prototyping's machine is being prepared here. The quality of the prototype is depending on the quality of the data output from preprocessing phase. The phase starts with geometric data processing 3 D solid modeling of prototype in Pro Engineering . The PRT file which is an output file from Pro Engineering is converted into an STL file. The STL file format approximately the surface of the model by triangulars. The 5TL View 07 analyses an STL file that defines the model to be fabricated and "slices" the model into common layer interface (CLI) file. The crosshatches format file of the model will be made by CLI View and the input data for the machine is ready to be utilized

Volume analyses used to know data losses during the preprocessing phase, because of data conversion effect from the PRT file form to the STL form file and from the STL file form to CLI file form. The percentage of data losses during the preprocessing phase is similar to the difference of those volume looses, which ranges from 0.039% up to 3.16% . The prototype volume is to be compared with the volume of models in file format PRT to know the validity of prototypes . The percentage of volume losses of prototypes compared to the volume models in format PRT ranges from 0.047% up to 3.8 is . Those ranges are still under the maximum limit of general tolerances which is 10."

"Dalam melaksanakan tugasnya sebagai penyelenggara pendidikan akademik, profesi, spesialis dan vokasi dalam sejumlah disiplin ilmu pengetahuan, teknologi, budaya, dan seni, Universitas Indonesia melakukan berbagai proses dan kegiatan akademik yang membutuhkan pengambilan keputusan. Saat ini proses analisa hanya dapat dilakukan berdasarkan data yang telah ada pada kurun waktu tertentu. Hal ini akan membatasi proses analisa tersebut. Dalam pengembangannya proses pengambilan keputusan akan lebih optimal jika didukung oleh sistem yang mampu menemukan pola atau hubungan dari kumpulan data yang ada. Kemudian dari pola atau hubungan yang didapatkan tersebut dilakukan prediksi untuk masa yang akan datang. Disinilah peran data mining diperlukan sebagai salah satu metode Knowledge Discovery in Databases (KDD), sehingga proses analisa untuk kegiatan akademik dapat lebih dioptimalkan. Permasalahan yang ada saat ini adalah tidak adanya data mining database dan aplikasi data mining yang mampu melakukan proses pencarian knowledge dalam basis data yang kemudian mampu mendukung proses analisa dan pengambilan keputusan untuk kegiatan akademik.Tugas akhir dengan topik 'Perancangan Aplikasi Data Mining Untuk Kegiatan Akademik Di Universitas Indonesia' untuk ruang lingkup fakultas adalah salah satu solusi untuk mengatasi permasalahan di atas. Tugas akhir ini bertujuan untuk melakukan kajian analisa perancangan data mining database dan aplikasi data mining untuk kegiatan akademik di Universitas Indonesia.Metodologi yang digunakan dalam tugas akhir ini dimulai dari pembelajaran terhadap teori-teori yang relevan dengan basis data, data warehouse, data mining, dan Knowledge Discovery in Databases (KDD). Kemudian dilanjutkan dengan melakukan kajian analisa terhadap permasalahan, analisa basis data untuk data mining, analisa data mining berupa kajian tahapan dan persiapan yang harus dilakukan, serta pemilihan studi kasus evaluasi keberhasilan studi mahasiswa. Setelah itu baru diambil kesimpulan yang sesuai dengan hasil analisa. Hasil yang diperoleh dari tugas akhir ini adalah bahwa penerapan konsep data mining pada ruang lingkup fakultas di Universitas Indonesia dapat membantu mengoptimalkan proses pengambilan keputusan untuk kegiatan akademik.Hasil analisa yang dilakukan meliputi analisa permasalahan, analisa basis data untuk kebutuhan data mining, dan analisa data mining. Untuk mengembangkan aplikasi data mining dibutuhkan data warehouse atau basis data tersendiri yang memenuhi syarat dan mampu menyediakan data yang relevan dengan kebutuhan data mining. Hasil lain yang ditemukan adalah bahwa penggunaan aplikasi data mining untuk ruang lingkup akademik memerlukan aplikasi yang harus di-customized terlebih dahulu. Sedangkan hasil uji coba dengan menggunakan aplikasi statistik, yaitu SPSS menunjukkan bahwa algoritma regresi dapat digunakan untuk memprediksi IPK mahasiswa pada semester yang akan datang. Saran yang dapat diberikan untuk pengembangan selanjutnya adalah pengembangan analisa yang lebih spesifik yang diikuti dengan uji coba dengan menggunakan aplikasi data mining dan implementasi. Selain itu memperluas ruang lingkup proses analisa dan pengambilan keputusan yang tidak terbatas hanya pada evaluasi keberhasilan studi, namun dikaitkan dengan hal lain yang masih relevan seperti kaitan evaluasi keberhasilan studi dengan alokasi jadwal kuliah, dan sebagainya. Saran yang terakhir adalah mengembangkan data warehouse untuk ruang lingkup universitas, sehingga penerapan data mining tidak hanya terbatas pada kegiatan akademik."

"Globalisasi memang arus yang tidak bisa ditangkal. Airlines menghadapi masalah besar pada saat ini dan hari-hari mendatang. Manajemen yang terbias lambat mengambil keputusan dipastikan hanya akan membawa perusahaannya stall. Diperlukan kecepatan dalam mengeksekusi bisnis, agar kesempatan dapat diraih lebih banyak. Selain kecepatan, diperlukan juga ketepatan pengambilan keputusan, berdasarkan analisa perhitungan yang rasional dan matang. Persaingan mengkondisikan bisnis airlines dalam kondisi perang total. Informasi yang sekecil apapun tetapi relevan dimanfaatkan sebagai sebuah peluang untuk meningkatkan pendapatan. Prinsipnya adalah bagaimana memenuhi kapasitas angkut pesawat secara maksimal dan sesering mungkin. Dalam konteks memenangkan persaingan ini perpaduan antara gaya manajemen yang fleksibel dan peran teknologi informasi menjadi amat vital. Setiap bisnis akan tetap eksis jika dia memiliki customer. Untuk mendapatkan customer, pelaku bisnis melakukan berbagai strategi dan inovasi yang akan mempengaruhi ketertarikan orang dan memutuskan menggunakan layanan yang ditawarkan oleh penyedia layanan jasa/barang, dalam hal ini layanan angkutan penerbangan. Loyality program semacam Garuda Frequent Flyer (GFF), memegang peranan penting untuk membidik core customer, customer yang paling banyak memberikan benefit bagi perusahaan. Sistem operasional GFF yang menyimpan data anggota dan transaksi penerbangan, perlu dikumpulkan dalam satu bentuk data warehouse dan secara periodik di-update, sehingga reporting dapat dieksekusi dari data warehouse tanpa mempengaruhi kinerja operasional. Penggunaan data yang ekstensif dengan menggunakan teknik data mining dapat membantu managemen dalam mengambil kebijakan yang tepat berdasar data-data historical. Agar data mining dapat mempengaruhi bisnis, maka data mining sendiri harus relevan dan menjadi bagian dari bisnis proses.

---

Globalization is now inevitable, which causes airlines to face a major problem nowadays. Time becomes major influence in decission making. If the management takes a lot of time in decision making, then company will be stagnant or even decline. There are needs to execute business decision with little time consuming, so that more opportunities can be captured with less cost. In addition to time consuming, accuracy is also a vital necessity for mature analysis and rational calculation. Any information from the insignificant one, as long as it is relevance and accurate can be used as an opportunity for increasing revenue. The main principle is how to optimize aircraft load to its maximum capacity as often as possible. In the context of winning a competition, the combination of a flexible management style and utilization of Information Technology become a vital element.

Any business entity can survive depends on the existence of its customer. In order to gain more customer, business player has to execute strategy and innovation. This is necessary to influence people in choosing services provider. In this case, the context is airline service business. Any kind of Loyality Program such as Garuda Frequent Flyer (GFF), has important role in targeting core customer, i.e. customer that give the highest revenue to the company.

GFF operational system that keeps information of customer profile and flight transaction, needs to be collected into a single form of data warehouse and updated periodically, so that reporting function can be executed without affecting operational performance. The extensive use of data with datamining technique could assist management in making the right decision based on historical data. Additionally, datamining has to be relevance and being part of business process in order to improve business performance. The focus of this research is to develop initial phase of datamining that can be scaled up in future, not a practical solution that can be directly used."

"Menghadapi persaingan antar bank yang sangat tinggi dan adanya keputusan pemerintah yang semakin ketat mengenai keberadaan bank khususnya bank berskala nasional saat ini, menuntut setiap bank mampu unggul dalam bersaing atau minimal mampu bertahan. Kegiatan penghimpunan dana pihak ketiga (funding) merupakan satu dari tiga kegiatan utama perbankan. Semakin besar dana yang dapat terhimpun menunjukkan baiknya kinerja bank tersebut.Besaran hasil penghimpunan dana pihak ketiga ini menjadikan indikator tingkat kepercayaan masyarakat/nasabah terhadap bank. Menempatkan kepercayaan dan tingkat loyalitas nasabah sangat dibutuhkan oleh pihak bank. Teknologi On-Line Analytical Processing (OLAP) dan data mining diyakini mampu mencari pengetahuan untuk melakukan identifikasi tingkat loyalitas nasabah terhadap produk funding perbankan.Berdasarkan hasil penelitian diperoleh pengetahuan bahwa produk funding tabungan x rupiah berpotensi cukup baik, dan nasabah yang memiliki tingkat loyalitas tinggi adalah nasabah yang mempunyai rata-rata saldo bulanan dengan membentuk pola yang tetap stabil dalam waktu tujuh sampai sepuluh bulan. Tersedianya kebutuhan informasi dan data ini, mendasari dalam mendukung sistem pengambil kebijakan baik penyusunan perencanaan dan keputusan strategi perbankan. Sehingga pihak bank mampu menentukan strategi perbankan khususnya funding dalam persaingan ketat yang dihadapi.

---

Facing a very high competition between banks and with the government tight regulations on national bank existences, it demands all the existing bank to be able to strive in the competition or in the minimum it has to be able to survive. One of the three main activities in banking includes funding. The more funds we could gather will also indicate a good performance of the bank.The result from this funding will become the level indicator for customer towards the bank. The placement of customer trust and loyalty is greatly needed by the bank. On-Line Analytical Processing (OLAP) and data mining technology is believed to be able to identify the customer loyalty level towards the bank`s funding product.Based on the research conducted, we had gather information that funding product for X rupiah savings has good potential, and the highest loyalty customers are those customers who have a stable monthly average balance in the period of 7 to 10 months. The availability of these data and information will become the foundation in supporting the system in making decision, with this; the bank will be able to choose a suitable banking strategy especially in funding."

"Saat ini, dunia telah memasuki era persaingan berbasiskan data. Data menjadi aset yang sangat berharga bagi perusahaan dalam memenangkan persaingan bisnis. Perusahaan telekomunikasi adalah salah satu perusahaan yang sangat bergantung terhadap data. PT Indosat Tbk, sebagai salah satu perusahaan telekomunikasi di Indonesia, telah memanfaatkan database untuk mengelola data perusahaan. Informasi yang diperoleh melalui database merupakan data aktual. Selain memperoleh informasi melalui data aktual, terdapat juga informasi berharga lain yang masih tersembunyi. Untuk mendapatkannya diperlukan teknik pengolahan data yang baik yaitu menggunakan data mining. Dalam melakukan data mining diperlukan suatu media penyimpanan untuk menampung data skala besar yaitu data warehouse. Penelitian ini bertujuan untuk menberikan solusi alternatif bagi PT Indosat Tbk dengan pengumpulan data ke suatu sumber pengetahuan (data warehouse) dalam mencari potensi-potensi data tersembunyi melalui penerapan data mining. Tahapan yang akan dilakukan dalam penelitian ini yaitu penelaahan kebutuhan bisnis dan informasi, pengumpulan data melalui observasi ke lapangan, kajian dokumen atau literatur, menelaah data kemudian merancang data warehouse dan pada tahap akhir dilakukan pengimplementasian data mining dengan menggunakan teknik time series analysis untuk melihat tren kinerja jaringan dari PT Indosat Tbk. Pada tahap perancangan, analisis dan implementasi data warehouse dan data mining akan digunakan tools Microsoft SQL Server 2005 dan RapidMiner. Pengimplementasian data warehouse pada PT. Indosat Tbk dapat membantu melihat informasi kinerja jaringan dengan lebih cepat, detil dan akurat. Sedangkan pengimplementasian data mining melalui time series analysis dapat membantu perusahaan dalam pengambilan keputusan yang tepat dengan kemampuan time series analysis untuk melakukan prediksi (forecasting) terhadap data elemen jaringan yang dimiliki oleh PT. Indosat Tbk. Sehingga dengan pengumpulan data ke data warehouse dan penerapan data mining (time series analysis) dapat membantu PT. Indosat Tbk menghadirkan quality of service yang baik dan target KPI (Key Performance Indicator) yang ditetapkan dapat tercapai atau bahkan terlampaui.

---

Nowadays, world already encountered competition age of data, data became a very valuable asset for a company to win the business competition. Telecommunication Company is one of company that depends to data needs. PT Indosat Tbk, as one of leading Telecommunication Company in Indonesia, already used database to manage the company?s own data. Information, which is collect from database, is an actual data. Besides collecting the actual data, there is valuable information which is still hidden. To get this hidden data, there is a need of good data processing, using data mining. In data mining, there is a need of storage media to accommodate large scale data, which is called data warehouse.

This research is purposed to give an alternative solution to PT Indosat Tbk by collecting the data to data warehouse, to find the potential hidden data using data mining deployment. Stages that will be done on this research, i.e.: analyze business and information needs, collecting data by observing to company, recitation of document and literature, and also data analyzing then to be used for dimensioning data warehouse. And on the last stage is implementation of data mining using time series analysis technique to see trend of PT Indosat Tbk network performance. On the designing, analyzing, and implementation stages, data warehouse and data mining will use tool Microsoft SQL Server 2005 and RapidMiner.

By implementation data warehouse, it would aid to see information of network performance quicker, more detail and accurate. Implementation data mining using time series analysis is aid the company to make an accurate decision by using the ability of time series analysis to forecast element data of PT Indosat Tbk network. So by collecting all the data to data warehouse and data mining (time series analysis) implementation, would aid PT Indosat Tbk to represent a good quality of service and the stated KPI (Key Performance Indicator) can be reached or even exceeded."

"Persaingan dalam dunia bisnis khususnya perbankan yang semakin ketat membuat para pelakunya harus selalu memikirkan strategi-strategi terobosan yang dapat menjamin keberlangsungan bisnis mereka. Kepuasan pelanggan merupakan salah satu faktor yang sangat perlu diperhatikan untuk mengikat pelanggan agar tetap setia pada produk atau layanan yang ditawarkan. Salah satu aset utama yang dimiliki oleh perusahaan perbankan dewasa ini adalah data transaksi bisnis dalam jumlah yang sangat besar. Hal ini menciptakan sebuah kebutuhan akan adanya teknologi yang dapat memanfaatkannya untuk menggali pengetahuan-pengetahuan baru, yang dapat membantu dalam perencanaan strategi bisnis di masa depan. Dalam hal tersebut teknologi data mining hadir sebagai sebuah solusi yang dapat diterapkan. Dalam tulisan ini akan dibahas implementasi data mining untuk menemukan model berupa association rules yang bisa diinterpretasikan menjadi pengetahuan baru mengenai karakteristik beberapa obyek layanan perbankan Bank XYZ. Pengetahuan baru tersebut nantinya bisa digunakan sebagai bahan analisis untuk menentukan rencana strategis ke depan khususnya dalam rangka meningkatkan kinerja layanan sehingga pelanggan tetap setia terhadap produk dan layanan Bank XYZ.

---

The tighter competition in banking industry motivates the actors to always think of new strategies to ensure their business sustainability. Customer satisfaction must be maintained to make customers remain loyal to the offered products or services. One of the main assets of banking organization or corporate is a large number of business transaction data. This creates a need of new technologies to mine new knowledges, which can assist management in making future business strategy plans. Data mining technology is one applicable solution.

This thesis describes the implementation of data mining in order to find association rules model which can be further interpreted as new knowledges on banking service characteristic of Bank XYZ. The new knowledges will be useful to determine strategic plans in the future, especially in increasing the performance of products or services. They finally can make the customers loyal to products or services of Bank XYZ."

"Banyak perusahaan yang telah menyadari bahwa mereka harus berusaha keras tidak hanya mendapatkan pelanggan baru, namun juga untuk mempertahankan pelanggan lama. Memprediksi nasabah yang akan pergi mulai dilakukan oleh perusahaan. Prediksi nasabah churn adalah kegiatan yang dilakukan untuk memprediksi nasabah tersebut akan meninggalkan perusahaan atau tidak. Banyak cara yang dapat dilakukan untuk memprediksi nasabah churn. Salah satu cara memprediksi nasabah churn ini adalah dengan menggunakan teknik klasifikasi dari data mining yang menghasilkan sebuah model machine learning. Dengan mempelajari data nasabah seperti data demografi, data transaksi dan data kepemilikan produk maka, perusahaan akan bisa memprediksi nasabah yang akan churn, sehingga perusahaan dapat melakukan tindakan pencegahan agar nasabah tersebut tidak berhenti untuk menggunakan jasa dari perusahaan. Penelitian ini membandingkan beberapa metode dari teknik klasifikasi data mining dan pengukuran dari sampel datanya. Dari penelitian ini didapat bahwa metode Support Vector Machine (SVM) dengan perbandingan sampling kelas data 50:50 merupakan metode terbaik untuk memprediksi nasabah churn di Bank XYZ. Hasil dari pemodelan ini bisa digunakan untuk mendapatkan informasi nasabah yang akan pergi meninggalkan perusahaan sehingga perusahaan dapat mengambil tindakan sebelum nasabah tersebut pergi.

---

Many companies have realized they must strive not only to get new customers but also to retain old customers. The company began to predict customers who would no longer use company services. Churn customer prediction is an activity carried out to predict whether the customer will leave the company or not.

There are many ways that can be done to predict churn customers, usually to predicting this customer churn by using a classification technique from data mining that produces a machine learning model. Studying customer historical data such as demographic data, transaction data and product ownership data, will be able to predict customers who will churn and can take preventive measures so these customers do not stop using services from the company.

This study compares several methods of data mining classification techniques and measurements from data samples. From this study it was found that the method of Support Vector Machine (SVM) with a comparison of 50:50 data class sampling is the best method for predicting churn customers at Bank XYZ. The results of this modeling can be used to obtain information on customers who will stop using  company services so the company can take action before the customer leaves."

"ABSTRAK

Semakin strategisnya peran Direktorat Jenderal Bea dan Cukai (DJBC) Kementerian Keuangan Republik Indonesia dalam memfasilitasi perdagangan internasional membuat DJBC harus terus berinovasi dengan memanfaatkan teknologi mutakhir. DJBC dituntut untuk memberikan pelayanan yang efisien dan melakukan pengawasan yang efektif yang merujuk pada praktik-praktik terbaik dalam kepabeanan internasional. Implementasi Big Data pada DJBC bertujuan untuk mendapatkan manfaat dari data yang telah dikumpulkan agar dapat dianalisis untuk mendukung pengambilan keputusan. Konsep Smart Customs and Excise mengusung Big Data sebagai inti dari semua sistem dan proses bisnis pada DJBC, namun sampai dengan saat ini penerapan Big Data masih bersifat proof of concept. Penerapan teknologi baru tanpa adanya arah pengembangan yang jelas memiliki risiko kegagalan, untuk itu diperlukan evaluasi penerapan Big Data di DJBC. Pengukuran tingkat kematangan Big Data dapat digunakan sebagai langkah awal untuk menilai situasi yang sebenarnya dari sebuah organisasi, memperoleh dan memprioritaskan langkah-langkah perbaikan dan kemudian mengontrol setiap tahap pelaksanaannya. Hasil pengukuran kematangan Big Data dapat dijadikan sebagai acuan untuk merumuskan saran dan rekomendasi bagi DJBC untuk mencapai tingkat kematangan yang lebih tinggi. Pengukuran dilakukan menggunakan framework TDWI Big Data Maturity Model untuk mengevaluasi implementasi Big Data pada DJBC. Pengumpulan data dilakukan melalui wawancara pertanyaan tertutup, kemudian diolah menggunakan assessment tools. Hasil evaluasi menunjukkan bahwa tingkat kematangan Big Data pada DJBC ada pada tingkat 3 (Early Adoption) dari skala 1 - 5. Hasil penelitian memberikan rekomendasi pada tiap dimensi untuk dapat meningkatkan tingkat kematangan ke tingkat 4 (Corporate Adoption) dengan prioritas perubahan mulai dimensi organisasi, analitis, manajemen data, infrastruktur, dan tata kelola.

---

ABSTRACT

---

The more strategic role of the Directorate General of Customs and Excise (DGCE) of the Ministry of Finance of Republic of Indonesia in facilitating international trade has made DGCE to continue to innovate by utilizing the latest technology. DGCE is required to provide efficient services and conduct effective supervision that refers to international customs organization best practices. Implementation of Big Data on DGCE aims to get the benefits of the data that has been collected so that it can be analyzed to support decision making. The Smart Customs and Excise concept brings Big Data as the core of all systems and business processes in DGCE, but until now the implementation of Big Data is still proof of concept. Implementation of new technology without the direction of development that clearly defined has the risk of failure, therefore an evaluation is needed regarding the implementation of Big Data on DGCE. Measuring the maturity level of Big Data can be used as a first step to assess the actual situation of an organization, obtain and prioritize corrective steps and then control each stage of its implementation. The measurement results can be used as a reference to formulate suggestions and recommendations for DGCE to reach a higher maturity level. Measurements were made using the TDWI Big Data Maturity Model framework to evaluate the implementation of Big Data on DGCE. Data collection is done through closed question interviews, then processed using assessment tools. The evaluation results indicate that the maturity level of Big Data on DGCE is at phase 3 (Early Adoption) of scale 1 to 5. The results of the study provide recommendations on each dimension to be able to increase the maturity level to phase 4 (Corporate Adoption) with priority changes starting from the organizational dimension, analytics, data management, infrastructure, and governance.

"