Krisis Covid-19 berdampak pada revenue perusahaan, jika perusahaan tidak meningkatkan strategi pemasaran yang tepat terhadap konsumen, akan beresiko gulung tikar karena tidak memiliki target pasar yang jelas. Disamping itu, perusahaan dapat mengembangkan bisnisnya menggunakan big data untuk mendukung decision making. Big data dalam industry e-commerce yang mencakup ukuran dan kecepatan transaksi yang tinggi dapat digunakan untuk menganalisis perilaku konsumen bahkan memprediksi nilai konsumen. Pada zaman sekarang perusahaan mulai mengembangkan ketertarikan bisnis yang berorientasi konsumen daripada berorientasi produk. Salah satu cara yang dapat digunakan untuk menentukan nilai konsumen yaitu dengan menghitung Customer Lifetime Value (CLV). Dengan mengetahui CLV di level individu, akan berguna untuk membantu pengambil keputusan untuk mengembangkan segmentasi konsumen dan alokasi sumber daya. Penting dilakukan segmentasi atau pengelompokkan konsumen yang menggambarkan kelompok loyalitas konsumen. Oleh karena itu tujuan dalam penelitian ini adalah melakukan penghitungan CLV dan segmentasi konsumen dengan menggunakan metode analisis RFM dengan K-Means Clustering Machine Learning Model. Tahapan analisis diantaranya mendefinisikan RFM Segmentation Value yang merupakan clustering yang dibangun dari angka kumulatif yang berisi penjumlahan Recency, Frequency dan Monetary Level yang dimiliki masing-masing konsumen. Kombinasi nilai level yang tercipta berkisar antara 0,1,2,3,4,5,6 yang artinya semakin tinggi nilainya maka semakin berharga konsumen tersebut. Pada akhirnya, metode segmentasi konsumen yang di bangun penulis dapat digunakan untuk optimasi strategi perusahaan untuk mendapat profit yang maksimum. Metode ini dapat diterapkan pada berbagai kasus dan perusahaan lain. Hasil penelitian ini diharapkan dapat membantu perusahaan untuk bertahan di tengah krisis akibat Covid-19.

Penyalahgunaan narkoba tidak hanya mengancam kelangsungan hidup dan masa depan penyalahgunanya saja, namun juga masa depan bangsa dan negara. Untuk itu diperlukan informasi yang terkini mengenai keparahan penyalahgunaan narkoba, antara lain melalui pencatatan jumlah kasus narkoba. Penelitian ini bertujuan untuk menganalisis potensi kasus narkoba di enam provinsi dengan jumlah tertinggi kasus narkoba yang dilaporkan di Indonesia yaitu Sumatra Utara, Jambi, Bali, Kalimantan Tengah, Kalimantan Selatan dan Kalimantan Timur. Metodologi yang digunakan dalam penelitian ini adalah analisis deskriptif dan analisis rantai Markov. Hasil estimasi jumlah kasus narkoba dalam lima tahun yaitu dari 2019 hingga 2023 diperoleh hasil  bahwa Provinsi Kalimantan Timur merupakan provinsi dengan kasus narkoba paling banyak. Kemudian diikuti Sumatra Utara, Bali, Kalimantan Selatan, Kalimantan Tengah, dan Jambi.

Purpose This study aims to identify the regions with a high risk of natural disaster, estimate the proportion of households potentially participating in natural disaster insurance and analyze the relationship between disaster risk index and proportion of household potentially participating in natural disaster insurance. Design/methodology/approach Descriptive and quadrant analysis was applied on the 2019 Indonesia Disaster Risk Index (IRBI) scores and the 2019 National Socio-Economic Survey data. Findings The results showed there are only two categories of disaster risks in Indonesia based on IRBI categorization: “Medium” and “High.” Some districts in Aceh Province such as Simeuleu, Pidie Jaya and Banda Aceh City were observed to have a high proportion of households potentially participating in the natural disaster insurance while some in Jawa Tengah provinces have fairly low level even though they were categorized as high disaster-prone areas. Moreover, the quadrant analysis showed that 43 districts have high IRBI scores but low insurance participation rates with most discovered to be in Jawa Barat and Sumatera Selatan provinces. Originality/value Indonesia does not have a financial mitigation program up to the present time because almost all disaster resolutions are formulated based on emergency funds from the state budget even though it is important to use insurance schemes in all stages of disaster management. To the best of the authors’ knowledge, this study is the first attempt to identify households potentially participating in natural disaster insurance through the National Socio-Economic Survey in Indonesia.

Interaksi biologis sel-sel dalam tubuh serta pertumbuhan dan pembelahan sel kanker dapat diaplikasikan ke dalam model matematika. Pertumbuhan kanker dapat dimodelkan dalam bentuk persamaan ekponensial. Untuk membuat model pertumbuhan kanker secara eksponensial dapat didekati dengan pertumbuhan tumor marker. Tingkat Tumor Marker di atas batas normal yang dihasilkan sel tubuh dapat mereprentasikan banyaknya sel kanker yang tumbuh. Salah satu tumor marker dalam tubuh adalah PSA, prostate-specific antigen, yang mengindikasikan jumlah sel kanker dalam kelenjar prostat. Sel dalam tubuh tumbuh dengan melakukan pembelahan. Pertumbuhan yang berlipat ini dapat didekati dengan fungsi eksponensial. Sel kanker merupakan sel tubuh yang pembelahannya tak terkendali. Secara alami tubuh menekan pertumbuhan kanker dengan system imun. Namun terkadang imun tidak cukup kuat untuk menahannya sehingga diperlukan pengobatan. Kondisi imun tubuh berpengaruh pada laju pertumbuhan kanker (dilambangkan g) dan respon tubuh terhadap kemoterapi berpengaruh pada laju penurunan kanker (dilambangkan d). Persamaan pertumbuhan sel kanker yang dalam hal ini direpresentasikan oleh kadar PSA terhadap waktu dapat dimodelkan dengan persamaan

Companies can develop their business using big data to support decision-making. Big data in the e-commerce industry that includes size and speed of high transactions can be used to analyze customer behaviour and predict customer value. Nowadays, companies are starting to develop customer-oriented rather than product-oriented business interests. One way that can be used to determine customer value is by calculating Customer Lifetime Value (CLV). By knowing CLV at the individual level, it will be useful to help decision-makers to develop customer segmentation and resource allocation. It is important to do segmentation or customer grouping that describes customer loyalty groups. Therefore, this research aims to calculate CLV and customer segmentation using the RFM analysis method. The dimensions of forming CLV include the values of Recency, Frequency, and Monetary. In this study, concept of multivariate statistical analysis will be applied, namely K-Means Clustering and factor analysis. Segmentation is done to determine the level of customers. The higher the CLV value, more valuable customer is to maintain. In the end, the customer segmentation method built by author can be used to optimize company's strategy to get maximum profit. This method can be applied to various cases and other companies.