Prediksi Keberhasilan Transformasi Digital Pada UKM
Abstract
Industri 4.0 menuntut pelaku industri skala besar sampai kecil untuk mampu beradaptasi dengan percepatan teknologi. Transformasi digital terbukti berdampak signifikan terhadap kinerja industri, termasuk mempertahankan eksistensi UKM. Keberhasilan UKM dalam memanfaatkan teknologi terbukti mampu meningkatkan keuntungan dan efisiensi operasional. Pelaku UKM harus memastikan transformasi digital berhasil diterapkan. Prediksi transformasi digital memudahkan pelaku UKM untuk mengetahui tingkat keberhasilan usahanya dalam menerapkan transformasi digital, sehingga UKM dapat mengembangkan strategi inovasi mengoptimalkan teknologi digital untuk menjaga eksistensi, memperoleh keuntungan optimal, meningkatkan daya saing serta efisiensi operasional. Prediksi dilakukan dengan membandingkan ID3, C4.5 dan CART untuk menemukan rule dengan performance terbaik, yang paling efektif untuk memprediksi keberhasilan suatu UKM dalam menerapkan transformasi digital. Hasil menunjukkan ID3 memperoleh performance terbaik dengan akurasi 89.19% dan AUC 0.959. Atribut ATP menjadi root node pada seluruh pohon keputusan yang dihasilkan. Ini berarti variabel Peran Digital Marketing, Model TOE, Strategi Bisnis Digital, Adopsi technopreneurship mempunyai peranan besar atau dampak yang signifikan terhadap UKM dalam melaksanakan transformasi digital pada bisnisnya.
Keywords
References
S. Kraus, P. Jones, N. Kailer, A. Weinmann, N. Chaparro-Banegas, and N. Roig-Tierno, “Digital Transformation: An Overview of the Current State of the Art of Research,” Sage Open, vol. 11, no. 3, 2021, doi: 10.1177/21582440211047576.
J. Paul et al., “Digital transformation: A multidisciplinary perspective and future research agenda,” Int J Consum Stud, vol. 48, no. 2, Mar. 2024, doi: 10.1111/ijcs.13015.
N. M. Widnyani, N. Luh, P. S. Astitiani, B. Christina, and L. Putri, “Penerapan Transformasi Digital Pada UKM Selama Pandemi Covid-19 di Kota Denpasar,” Jurnal Ilmiah Manajemen dan Bisnis, vol. 6, no. 1, Jun. 2021, [Online]. Available: http://journal.undiknas.ac.id/index.php/manajemen
M. K. Peter, L. Wuersch, A. Wong, and A. Neher, “Digital transformation of work: Swiss MSEs working from home behaviour during COVID-19 – pioneers leading the pack,” European Business Review, vol. 36, no. 2, pp. 249–270, Mar. 2024, doi: 10.1108/EBR-01-2023-0008.
A. Mutiarachim, CHAPTER XII Integration of Artificial Intelligence and Big Data Analytics in Customer-Centric Organizations.
A. Mutiarachim and N. A. Yuniarti, “Jurnal Sistem Informasi, Manajemen, dan Akuntansi (SIMAK) The Role of Driver Services and Application Quality in Enhancing Gojek Customer Loyalty Through Satisfaction,” SIMAK, vol. 22, pp. 130–144, Nov. 2024.
E. Erwin et al., “Transformasi Digital,” 2023. [Online]. Available: https://www.researchgate.net/publication/379374858
F. Imran, K. Shahzad, A. Butt, and J. Kantola, “Digital Transformation of Industrial Organizations: Toward an Integrated Framework,” Journal of Change Management, vol. 21, no. 4, pp. 451–479, 2021, doi: 10.1080/14697017.2021.1929406.
S. Ribeiro-Navarrete, D. Botella-Carrubi, D. Palacios-Marqués, and M. Orero-Blat, “The effect of digitalization on business performance: An applied study of KIBS,” J Bus Res, vol. 126, pp. 319–326, Mar. 2021, [Online]. Available: https://www.sciencedirect.com/science/article/abs/pii/S0148296320308948
H. Zhai, M. Yang, and K. C. Chan, “Does digital transformation enhance a firm’s performance? Evidence from China,” Technol Soc, vol. 68, Feb. 2022.
R. Guo, J. Liu, and Y. Yu, “Digital Transformation, Credit Availability, and MSE Performance: Evidence from China,” Financ Res Lett, vol. 72, 2025, doi: https://doi.org/10.1016/j.frl.2024.106552.
A. Solechan, T. W. Ap, and B. Hartono, “Transformasi Digital Pada UMKM Dalam Meningkatkan Daya Saing Pasar,” Jun. 2023.
A. Nopriyanto Bahasoan, N. S. Qamariah, M. Sari Azis, F. Ekonomi, and U. Sulawesi Barat, “Transformasi Digital pada UMKM: Penggerak Pertumbuhan Ekonomi dan Inklusi di Negara Berkembang,” Jurnal Indragiri Penelitian Multidisiplin, vol. 5, no. 1, 2024.
C. N. Syahputri and M. S. Hasibuan, “Optimasi Klasifikasi Decision Tree dengan Teknik Pruning untuk Mengurangi Overfitting,” JSiI (Jurnal Sistem Informasi), vol. 11, no. 2, pp. 87–96, Sep. 2024, doi: 10.30656/jsii.v11i2.9161.
C. S. Lee, P. Yeng, S. Cheang, and M. Moslehpour, “Predictive Analytics in Business Analytics: Decision Tree,” 2022.
M. Bansal, A. Goyal, and A. Choudhary, “A comparative analysis of K-Nearest Neighbor, Genetic, Support Vector Machine, Decision Tree, and Long Short Term Memory algorithms in machine learning,” Decision Analytics Journal, vol. 3, p. 100071, Jun. 2022, doi: 10.1016/j.dajour.2022.100071.
B. Charbuty and A. Abdulazeez, “Classification Based on Decision Tree Algorithm for Machine Learning,” Journal of Applied Science and Technology Trends, vol. 2, no. 01, pp. 20–28, Mar. 2021, doi: 10.38094/jastt20165.
A. Mutiarachim, F. K. Fikriah, B. Ansor, and A. P. Ramdani, “Boosting Performance Klasifikasi kNN Customer Loyalty dengan Chi-Square dan Information Gain,” Jurnal Transformatika, vol. 22, no. 2, pp. 81–89, Mar. 2025, doi: 10.26623/6wgy1097.
S. Okuda and N. Uchihira, “Digital Transformation Classification Types and Evolution Process for Established Companies,” in The Human Side of Service Engineering, AHFE International, 2023. doi: 10.54941/ahfe1003124.
I. Gede, I. Sudipa, and M. Darmawiguna, “Buku Ajar Data Mining,” 2024. [Online]. Available: https://www.researchgate.net/publication/377415198
DOI: http://dx.doi.org/10.21927/ijubi.v8i1.5679
Refbacks
- There are currently no refbacks.
Copyright (c) 2025 Indonesian Journal of Business Intelligence (IJUBI)
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
IJUBI by https://ejournal.almaata.ac.id/index.php/IJUBI is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
View My Stats
Indonesian Journal of Business Intelligence (IJUBI)
Department of Information System
Alma Ata University
Email: ijubi@almaata.ac.id