Aplikasi Cerdas Prediksi Keberlanjutan UMKM dengan Extreme Learning Machine dan Power BI

Yofhanda Eirlangga; Aggy  Pramana Gusman; Trinda  farhan Satria

doi:10.55382/jurnalpustakaai.v5i3.1448

Penulis

Yofhanda Eirlangga universitas adzkia
Aggy Pramana Gusman Universitas Putra Indonesia "YPTK" Padang
Trinda farhan Satria Universitas Adzkia

DOI:

https://doi.org/10.55382/jurnalpustakaai.v5i3.1448

Kata Kunci:

UMKM, keberlanjutan, Extreme Learning Machine, pembelajaran mesin, Power BI

Abstrak

Penelitian ini mengembangkan model berbasis data untuk memprediksi keberlanjutan usaha mikro, kecil, dan menengah (UMKM) menggunakan algoritma Extreme Learning Machine (ELM) dan menyajikan hasilnya melalui dashboard interaktif di Power BI. Data diperoleh dari 500 pelaku UMKM melalui kuesioner yang memuat 46 indikator pada dimensi keuangan, inovasi dan digitalisasi, sumber daya manusia, dukungan eksternal, lingkungan usaha, serta karakteristik pelaku, beserta satu label keberlanjutan (aktif/tidak aktif). Tahapan pra-pemrosesan meliputi pembersihan data, pengkodean variabel kategorikal, dan normalisasi Min–Max, kemudian data dibagi menjadi 80% data latih dan 20% data uji. Model ELM disetel menggunakan grid search terhadap jumlah neuron hidden, fungsi aktivasi, dan koefisien regularisasi L2. Konfigurasi terbaik menggunakan 46 fitur input, 800 neuron hidden, fungsi aktivasi ReLU, dan L2 = 0,1. Pada data uji, model menghasilkan akurasi 0,890, precision 0,820, recall 1,000, dan F1-score 0,901. Evaluasi 5-fold cross validation memberikan rata-rata akurasi 0,820, precision 0,736, recall 1,000, dan F1-score 0,847, yang menunjukkan performa model relatif stabil. Hasil prediksi diintegrasikan ke dalam dashboard Power BI untuk menampilkan skor probabilitas keberlanjutan, kategori risiko, dan profil UMKM secara interaktif guna mendukung pengambilan keputusan berbasis data.

Unduhan

Data unduhan belum tersedia.

Referensi

M. A. Fathoni and A. A. Bhrata, “Smart Manufacturing Management System Memanfaatkan Big Data Dan Algoritma Machine Learning Untuk Produksi Umkm,” J. Sci. Innov. Technol., vol. 3, no. 1, pp. 36–47, 2023, doi: 10.47701/sintech.v3i1.2523.

S. Handika, I. Gririantari, and A. Dharma, “Perbandingan Metode Extreme Learning Machine dan Particle Swarm Optimization Extreme Learning Machine untuk Peramalan Jumlah Penjualan Barang,” Maj. Ilm. Teknol. Elektro, vol. 15, no. 1, p. 84, 2016, doi: 10.24843/mite.2016.v15i01p15.

S. Aisyah, N. Ulinnuha, and A. Hamid, “Penerapan Extreme Learning Machine Dalam Meramalkan Harga Minyak Sawit Mentah,” KUBIK J. Publ. Ilm. Mat., vol. 7, no. 2, pp. 97–105, 2023, doi: 10.15575/kubik.v7i2.20460.

I. B. K. Purnama, Annas; Wijaya, I Nyoman Yudi Anggara; Sudiatmika, “2030-Article Text-5437-1-10-20220915,” Penerapan Bus. Intel. Untuk Menganalisis Data Penjualan Menggunakan Power Bi, vol. 4, no. 2, pp. 118–123, 2022.

E. Purnamasari and D. A. Verano, “Model Data-Driven untuk Prediksi Digitalisasi UMKM Menggunakan GMM dan XGBoost,” J. Pustaka AI …, vol. 5, no. 2, pp. 204–214, 2025, [Online]. Available: https://mail.pustakagalerimandiri.co.id/jurnalpgm/index.php/pustakaai/article/view/984%0Ahttps://mail.pustakagalerimandiri.co.id/jurnalpgm/index.php/pustakaai/article/download/984/779

B. Lailatul Nafiisa, Y. Novealita Wahono Putri, and Q. Ayunin, “Dashboard Visualisasi Data UMK Sebagai Alat Pengambilan Keputusan Menggunakan Microsoft Power BI,” Akunt. dan Manaj., vol. 17, no. 2, pp. 86–105, 2022, [Online]. Available: https://akuntansi.pnp.ac.id/jam

G. A. Prastian, A. Setiawan, and N. K. Bachtiar, “SMEs’ Sustainability: Between Business Resilience and Business Growth, Which One is More Significant in The Time of Crisis?,” J. Manaj. Bisnis, vol. 9, no. 1, pp. 94–105, 2022, doi: 10.33096/jmb.v9i1.69.

Terttiaavini, “Prediksi Keberlanjutan Usaha Kecil Menengah (UKM) Menggunakan Algoritma Machine Learning Article Info ABSTRAK,” JSAI J. Sci. Appl. Informatics, vol. 8, no. 1, pp. 29–37, 2025.

Abdillah Baradja, Sukoco, and Tri Irianto Tjendrowasono, “Penerapan Machine Learning untuk Meningkatkan Prediksi Mata Uang Forex dengan Indikator Teknikal,” J. Pus. Akses Kaji. Teknol. Artif. Intell., vol. 2, no. 1, pp. 38–41, 2023.

F. G. Sinuhaji, H. J. Sibarani, and V. M. Pakpahan, “MSMEs and the Role of Technology in Achieving Business Sustainability,” J. Artif. Intell. Eng. Appl., vol. 4, no. 1, 2024, doi: 10.59934/jaiea.v4i1.724.

Sugiyono, Metodologi Penelitian Kuantitatif, Kualitatif dan R & D. 2020.

E. Alshdaifat, D. Alshdaifat, A. Alsarhan, F. Hussein, and S. M. F. S. El-Salhi, “The effect of preprocessing techniques, applied to numeric features, on classification algorithms’ performance,” Data, vol. 6, no. 2, pp. 1–23, 2021, doi: 10.3390/data6020011.

M. H. Qasem and L. Nemer, “Extreme Learning Machine for Credit Risk Analysis,” J. Intell. Syst., vol. 29, no. 1, pp. 640–652, 2020, doi: 10.1515/jisys-2018-0058.

M. Wang et al., “Grey wolf optimization evolving kernel extreme learning machine: Application to bankruptcy prediction,” Eng. Appl. Artif. Intell., vol. 63, pp. 54–68, 2017, doi: 10.1016/j.engappai.2017.05.003.

K. Nisa Az-Zahra, S. Kautsar, Z. Wardhany, A. Bakhrun, S. Salsabila, and S. Maheswari, “Sales Data Visualization Using Power BI to Support Business Insight and Decision Making in FMCG Industry,” Soc. Econ. Technol., vol. 6, no. 1, pp. 613–621, 2025, [Online]. Available: https://doi.org/10.33122/ejeset.v6i1.646

M. Frizky Feri Setiawan and Yekti Condro Winursito, “Operational Data Analysis and Visualization of PT XYZ Using Business Intelligence Approach with Microsoft Power BI,” J. Artif. Intell. Eng. Appl., vol. 4, no. 2, pp. 648–653, 2025, doi: 10.59934/jaiea.v4i2.722.

G. Bin Huang, Q. Y. Zhu, and C. K. Siew, “Extreme learning machine: Theory and applications,” Neurocomputing, vol. 70, no. 1–3, pp. 489–501, 2006, doi: 10.1016/j.neucom.2005.12.126.