1. Apa saja faktor keberhasilan yang diidentifikasi sebagai penentu kinerja perusahaan telekomunikasi, dan bagaimana pengaruhnya terhadap pilihan pengguna bisnis?
2. Metode apa yang digunakan untuk mengembangkan model prediksi kinerja pesaing, dan bagaimana akurasi model tersebut diuji?
3. Apa hasil utama yang ditemukan mengenai model distribusi yang paling cocok untuk dataset sintetik, dan bagaimana perbandingan kinerja model tersebut dengan menggunakan RMSE, MAE, dan R-squared?

Artikel “Predictive Modelling on Competitor Analysis Performance by using Generalised Linear Models and Machine Learning Approach” menawarkan beberapa kontribusi baru dan pelajaran yang dapat dipetik dalam konteks analisis pesaing dan pemodelan prediktif, khususnya di industri telekomunikasi. Berikut adalah beberapa poin penting:

Inovasi dan Kontribusi Baru

1. Integrasi GLM dengan Pendekatan Machine Learning: Artikel ini menggabungkan Generalised Linear Models (GLM) dengan teknik pembelajaran mesin (ML) untuk meningkatkan akurasi dan keandalan dalam analisis pesaing. Integrasi ini memungkinkan model untuk menangkap hubungan yang kompleks dalam data yang mungkin tidak teridentifikasi oleh metode tradisional saja.
2. Penggunaan Data Sintetik: Karena keterbatasan akses ke data yang bersifat rahasia, artikel ini menggunakan dataset sintetik yang dihasilkan melalui distribusi Gamma, Gaussian, dan Poisson. Ini memberikan pendekatan alternatif untuk penelitian di mana data nyata tidak tersedia atau terbatas, sambil tetap memungkinkan analisis dan validasi model.
3. Evaluasi Beragam Model Statistik: Penelitian ini mengevaluasi kinerja beberapa distribusi (Gamma, Gaussian, Poisson) dalam konteks GLM dan membandingkannya dengan model pembelajaran mesin seperti k-Nearest Neighbors (KNN), Support Vector Machine (SVM), dan Random Forest (RF). Penemuan bahwa distribusi Gumbel memberikan hasil terbaik untuk dataset sintetik menunjukkan pentingnya pemilihan distribusi yang tepat dalam pemodelan statistik.
4. Identifikasi Faktor Keberhasilan: Studi ini mengidentifikasi iklan dan produksi sebagai faktor kunci dalam keberhasilan layanan digital dari perusahaan telekomunikasi. Temuan ini memberikan wawasan tentang elemen-elemen yang paling berdampak pada kinerja perusahaan dalam industri yang sangat kompetitif.
5. Penggunaan Metodologi Data Science: Penelitian ini menerapkan metodologi siklus hidup data science secara lengkap, mulai dari pemahaman bisnis hingga penerapan model. Pendekatan ini memberikan kerangka kerja yang komprehensif untuk analisis data, yang dapat diadopsi oleh peneliti lain dalam studi mereka.

Pelajaran yang Dapat Dipelajari

1. Keterbatasan dan Potensi Data Sintetik: Penggunaan data sintetik menunjukkan bagaimana data yang dikembangkan secara artificial dapat digunakan untuk mengatasi tantangan keterbatasan data riil. Ini bermanfaat dalam kasus di mana akses ke data aktual terhambat oleh kerahasiaan atau masalah lain. Namun, hasil dari data sintetik harus diinterpretasikan dengan hati-hati karena mungkin tidak sepenuhnya mencerminkan kondisi dunia nyata.
2. Pentingnya Pemilihan Model yang Tepat: Studi ini menekankan pentingnya memilih model statistik dan pembelajaran mesin yang sesuai untuk data yang dianalisis. Berbagai model memberikan hasil yang berbeda, dan pemilihan model yang tidak tepat dapat mempengaruhi akurasi dan validitas prediksi. Oleh karena itu, evaluasi berbagai model dan distribusi sangat penting dalam proses pemodelan.
3. Kekuatan dan Keterbatasan GLM: GLM terbukti berguna dalam mengidentifikasi faktor signifikan yang mempengaruhi kinerja perusahaan. Namun, GLM memiliki keterbatasan dalam menangani hubungan non-linear yang kompleks, yang dapat diatasi dengan integrasi metode pembelajaran mesin.
4. Pentingnya Validasi dan Evaluasi Model: Validasi model melalui metrik kesalahan seperti RMSE, MAE, dan R-squared memberikan cara untuk mengevaluasi kinerja model dan memilih yang terbaik. Ini menunjukkan bahwa model yang baik harus melalui proses validasi yang ketat untuk memastikan keakuratannya sebelum digunakan dalam keputusan bisnis nyata.
5. Rekomendasi untuk Penelitian Masa Depan: Penelitian ini mengakui pentingnya ukuran sampel yang lebih besar dan distribusi yang berbeda dalam meningkatkan akurasi model. Ini menunjukkan bahwa penelitian lanjutan harus mempertimbangkan variasi ini untuk meningkatkan validitas hasil.

Implikasi dan Aplikasi Praktis

1. Pengembangan Model Bisnis: Hasil penelitian ini dapat digunakan oleh perusahaan telekomunikasi untuk mengembangkan model bisnis yang lebih efektif dengan memfokuskan pada iklan dan produksi sebagai faktor utama. Pemahaman tentang faktor ini memungkinkan perusahaan untuk menyesuaikan strategi mereka guna menarik lebih banyak pengguna bisnis.
2. Implementasi Teknologi dalam Analisis Kompetitif: Integrasi GLM dan pembelajaran mesin dalam analisis kompetitif dapat diterapkan di sektor lain yang membutuhkan analisis data yang kompleks. Pendekatan ini menawarkan metode yang lebih kuat untuk memahami dinamika pesaing dan membuat keputusan strategis yang lebih baik.
3. Penerapan Dashboard atau Sistem Prediktif: Rencana untuk mengembangkan dashboard atau sistem yang memanfaatkan model ini dapat membantu perusahaan dalam membuat keputusan berbasis data yang lebih cepat dan lebih informatif.

Secara keseluruhan, artikel ini memberikan pendekatan inovatif dan berharga untuk analisis pesaing dalam industri telekomunikasi, menawarkan wawasan baru tentang bagaimana menggabungkan metode statistik dan teknologi modern untuk mencapai analisis yang lebih akurat dan berdaya guna.

Referensi:

• Noryanti Muhammad, Mohamad Nadzman Mohd Amin, Rose Adzreen Adnan, Orasa Nunkaw. “Predictive Modelling on Competitor Analysis Performance by using Generalised Linear Models and Machine Learning Approach.” Journal of Advanced Research in Applied Sciences and Engineering Technology, Volume 45, Issue 1 (2025), halaman 51-59. DOI: 10.37934/araset.45.1.5159.