Hasil Pencarian  ::  Simpan CSV :: Kembali

"Hambatan teknis perdagangan atau Technical Barrier to Trade (TBT) berupa kebijakan teknis dan standar mutu yang diterapkan oleh Indonesia terhadap negara partner untuk impor produk elektronika rumah tangga. Dalam rangka untuk perlindungan konsumen dalam negeri dari produk impor sehingga perlu diterapkannya regulasi untuk komoditi tersebut. Penerapan kebijakan pelabelan dan standar mutu produk elektronika dapat berpengaruh menghambat perdagangan atau mendorong perdagangan. Penelitian ini menggunakan indeks frekuensi untuk mengukur hambatan teknis berupa kewajiban pelabelan dan SNI wajib yang diterapkan Indonesia pada periode 2000-2013. Secara umum, indeks frekuensi dari kebijakan pelabelan dapat menghambat impor produk elektronika untuk komoditi pompa air, kipas angin dan setrika listrik, sementara pada produk audio/video impor meningkat. Sedangkan SNI wajib mendorong impor produk kipas angin dan setrika listrik, namun pada produk pompa air dapat menurunkan impor.

---

Technical Barrier to Trade (TBT) as forms of technical policy and standards applied by Indonesia to exporter countries for imports of home appliance electronics products. Implementation of labeling regulations and mandatory standards due to consumers protection from imported products. Labeling and standards of eletronics product can inhibit or encourage trade. In this study, using a frequency index to measure technical barriers in the form of labeling obligations and SNI are applied to Indonesia in the period 2000-2013. In general, the frequency index of labeling policies restricting imports of electronics products, for water pump, electric fan and electric iron, however increasing import of audio/video product. Meanwhile SNI promote imports for electric fan and iron, but reducing import of water pump products."

"Indonesia telah berkomitmen untuk mencapai Tujuan Pembangunan Berkelanjutan ke-7 untuk memperbaiki akses energi modern yang dapat dijangkau, layak, dan berkelanjutan untuk semua pihak. Pemerintah telah melakukan banyak perbaikan akses listrik dan liquid petroleum gas (LPG). Tanpa kedua jenis energi modern tersebut, rumah tangga menggunakan kayu bakar atau biomas yang menghasilkan dampak negatif. Perbaikan pasokan listrik dan LPG yang cukup masif seharusnya menurunkan ketimpangan penggunaan energi modern, tetapi ketimpangan energi meningkat di beberapa kelompok populasi. Ketimpangan penggunaan energi dipengaruhi juga oleh faktor permintaan. Pembahasan ketimpangan energi modern adalah penting karena mencerminkan ketimpangan ekonomi dan pemenuhan kebutuhan yang esensial untuk standard kehidupan yang lebih baik. Studi ini terdiri dari dua bagian. Bagian pertama mengukur ketimpangan penggunaan listrik dan LPG dengan menggunakan data Susenas. Metode yang digunakan adalah pengukuran indeks Theil dan Gini. Indeks Theil dihitung secara statik dan dinamik. Pengukuran ketimpangan mempertimbangkan dimensi spasial dan tingkat pendapatan. Indeks menunjukkan turunnya ketimpangan penggunaan energi modern secara nasional dan pada beberapa dimensi kelompok populasi, tetapi ketimpangan meningkat di perkotaan, di kelompok pendapatan tinggi, serta di beberapa provinsi. Bagian kedua menjawab pertanyaan apakah faktor-faktor permintaan berpengaruh pada distribusi penggunaan energi, yang dapat menjelaskan ketimpangannya. Serta, apakah pengaruhnya berbeda antara di perkotaan dan pedesaan. Pengukuran ini dipisah untuk masing-masing energi. Estimasi distribusi penggunaan listrik menggunakan Quantile Regression dan OLS. Estimasi distribusi penggunaan LPG menggunakan Quantile Count Regression dan Negative Binomial Regression.Estimasi pada model listrik menunjukkan bahwa faktor-faktor yang mempengaruhi distribusi penggunaan listrik adalah pendapatan, harga listrik, gender, tingkat pendidikan, dan status bekerja, jumlah anggota usia lanjut, status rumah, peralatan listrik, dan daya terpasang. Faktor yang pengaruhnya berbeda antara di perkotaan dan di pedesaan adalah pendapatan, tingkat pendidikan, status bekerja, dan status rumah. Sementara itu, estimasi pada model LPG menunjukkan bahwa faktor yang mempengaruhi distribusi penggunaan LPG adalah pendapatan, harga LPG, gender, tingkat pendidikan, pekerjaan dan status rumah. Semua faktor tersebut berkorelasi secara berbeda antara perkotaan dan pedesaan. Studi ini berimplikasi pada kebijakan untuk mengatasi kekurangan energi di satu sisi, tetapi mendorong penghematan energi di sisi lain. Dalam hal kekurangan energi, pemerintah perlu mempertimbangkan untuk mengenali kelompok yang rentan menjadi miskin-energi. Di antaranya adalah rumah tangga berpenghasilan rendah, berpendidikan rendah, kepala rumah tangga wanita, dan pekerja mandiri di pedesaan. Program listrik semacam tenaga surya hemat energi perlu dilanjutkan di samping mendorong penggunaan energi lokal. Dalam hal energi memasak, program penggunaan tungku bersih murah perlu dipertimbangkan untuk dijalankan kembali. Di samping itu, peningkatan rasio elektrifikasi serta distribusi LPG perlu terus didorong terutama di daerah terpencil, pedesaan, dan wilayah timur Indonesia. Dalam hal penghematan energi, pendidikan tentang pentingnya hemat energi dan dampak eksternalitas perlu menyasar pada rumah tangga pengguna listrik yang tinggi, yaitu rumah tangga dengan tingkat pendidikan menengah dan universitas, terutama di perkotaan pada provinsi-provinsi di Sumatra, Jakarta, dan Kalimantan.

---

Indonesia has committed to achieving Sustainable Development Goal 7 to improve access to modern energy that is affordable, feasible, and sustainable for all. The government has made many improvements in accessing electricity and liquid petroleum gas (LPG). Without these types of modern energy, households use firewood or biomass, resulting in negative impacts. Massive improvements in electricity supply and LPG should reduce inequality in modern energy use, but energy inequality increases in some population groups. Demand factors also influence inequality in energy use. Addressing modern energy inequality is important because it reflects economic inequality and the fulfillment of essential needs for a better standard of living.

This study consists of two parts. The first part measures the inequality of electricity and LPG use using Susenas data. The methods are the decomposable Theil and Gini indexes. Theil index is calculated statically and dynamically. The inequality measurement considers the spatial dimensions and income levels. The index shows a decrease in inequality in modern energy usage nationally and some population groups, but inequality increases in urban areas, high-income groups, and some provinces. The second part addresses whether demand factors affect the distribution of modern energy usage, explaining inequality. And whether the effect is different between urban and rural areas. The estimate is separated for each energy. The electricity usage model is estimated using Quantile Regression and OLS. The LPG model is estimated using Quantile Count Regression and Negative Binomial Regression.

Estimating the electricity model, factors influencing the electricity usage distribution are income, electricity price, gender, education level, occupation, number of elderlies, homeownership, electric appliances, and installed power. The factors that affect urban and rural areas are income, education level, work status, and home status. Meanwhile, the LPG model's estimation shows that the factors influencing the LPG usage distribution are income, LPG price, gender, education level, occupation, and home status. All of these factors correlate differently between urban and rural areas.

This study has implications for policies to address energy insufficiency on the one hand but encourages energy savings on the other. In terms of energy insufficiency, the government needs to consider identifying groups vulnerable to being energy-poor. Among them are low-income, low-educated households, female household heads, and rural self-employed workers. Electricity programs such as energy-efficient solar power need to be continued and encourage the use of local energy. The program for using cheap, clean stoves needs to be considered for re-implementation in cooking energy. In addition, the increase in the electrification ratio and LPG distribution needs to be encouraged, especially in remote, rural, and eastern Indonesia. In terms of energy saving, education on the importance of energy-saving and the impact of externalities needs to target high electricity user households, namely households with secondary and university education levels, especially in urban areas in the provinces of Sumatra, Jakarta, and Kalimantan."

"

Konsumsi energi nasional secara signifikan dikontribusikan oleh tenaga listrik rumah tangga. Untuk mengetahui penggunaan energi listrik di setiap peralatan listrik rumah tangga, teknik yang disebut Non-Intrusive Load Monitoring (NILM) digunakan. NILM adalah alat untuk memantau dan mengidentifikasi kekuatan setiap peralatan listrik. Baru-baru ini beberapa metode klasifikasi data seperti jaringan saraf, pembelajaran mendalam telah diterapkan untuk mengembangkan NILM. Dalam tulisan ini, metode naive bayes digunakan untuk NILM. Metode ini untuk mengklasifikasikan kondisi on-off peralatan listrik. Untuk meningkatkan akurasi, metode preprocessing data yang normalisasi dan diskritisasi digunakan. Perbandingan kinerja dievaluasi untuk setiap metode. Dalam tulisan ini, dataset REDD digunakan. Metode Supervised learning yang digunakan adalah Naive Bayes dan K Nearest Neighbour. Hasil simulasi menunjukkan bahwa dua metode ini dapat mengenali data NILM dengan akurasi yang tinggi. Metode naive bayes dengan diskritisasi memperoleh akurasi tertinggi dengan nilai 96.64% diikuti oleh KNN dengan k =5 dengan nilai 96.1287%.

 

---

National energy consumption is significantly contributed by household electricity. To find out the use of electrical energy in every household electrical equipment, a technique called Non-Intrusive Load Monitoring (NILM)  used. NILM is a tool to monitor and identify the strength of each electrical equipment. Recently several methods of data classification such as neural networks, deep learning have been applied to develop NILM. In this paper, the naive Bayes method used for NILM. This method is to classify the conditions of on-off electrical equipment. Accuracy to improve, data preprocessing techniques that are normalised and discretised used. Performance comparisons are evaluated for each method. In this paper, the REDD dataset used. The Supervised learning method used is Naive Bayes and K Nearest Neighbor. The simulation results of the two classification methods can recognise NILM data with high accuracy, the naive Bayes method with discretisation obtained the highest accuracy with an amount of 96.64% followed by KNN with 5 with a value of 96.1287%.

 "

"Zat-zat berbahaya dalam barang elektronik berpotensi menimbulkan risiko bagi kesehatan manusia dan lingkungan. Perusahaan elektronik harus beradaptasi dan melakukan penyesuaian yang diperlukan untuk meningkatkan kesadaran publik dan mematuhi peraturan pemerintah. Memastikan tidak adanya zat berbahaya dalam produk memerlukan keterlibatan seluruh rantai pasokan, dengan pemasok memainkan peran penting sebagai penghubung awal dalam proses tersebut. Memilih pemasok yang paling sesuai dapat menjadi tantangan, membutuhkan pertimbangan yang cermat terhadap berbagai kriteria untuk mengidentifikasi pemasok hijau yang optimal bagi perusahaan. Untuk memfasilitasi pemeringkatan pemasok yang efektif, berbagai alat Multi-Criteria Decision Making (MCDM) dapat digunakan. Dalam penelitian ini, Analytical Hierarchy Process (AHP) dan Technique for Other Preferences by Similarity to Ideal Solution (TOPSIS) digunakan sebagai alat bantu untuk meningkatkan proses pemilihan pemasok. Temuan penelitian mengungkapkan tiga kriteria utama dan 14 subkriteria untuk memilih pemasok ramah lingkungan dalam kondisi aktual PT XYZ. Pendapat para ahli menunjukkan bahwa kriteria lingkungan memiliki tingkat kepentingan tertinggi, diikuti oleh faktor sosial dan ekonomi. Di antara subkriteria tersebut, para ahli memprioritaskan pemilihan pemasok berdasarkan kepatuhan mereka terhadap persyaratan produk hijau. Model yang diusulkan di penelitian ini diterapkan untuk mengevaluasi kriteria pemilihan pemasok hijau, yang menghasilkan peringkat yang mempertimbangkan jarak masing- masing pemasok dari solusi ideal positif dan negatif.

---

Hazardous substances in electronics pose potential risks to human health and the environment. Electronics companies must adapt and make the necessary adjustments to raise public awareness and comply with government regulations. Ensuring the absence of hazardous substances in products requires the involvement of the entire supply chain, with suppliers playing an essential role as the initial link in the process. Choosing the most suitable supplier can be challenging, requiring careful consideration of various criteria to identify the optimal green supplier for the company. To facilitate effective supplier ranking, various Multi-Criteria Decision Making (MCDM) tools can be used. In this study, Analytical Hierarchy Process (AHP) and Technique for Other Preferences by Similarity to Ideal Solution (TOPSIS) were used as tools to enhance the supplier selection process. The research findings revealed three main criteria and 14 sub-criteria for selecting green suppliers under the actual conditions of PT XYZ. Expert opinions showed that environmental criterion has the highest level of importance, followed by social and economic factors. Experts prioritized supplier selection among the sub-criteria based on their compliance with the green product requirements. The proposed model in this study is applied to evaluate the green supplier selection criteria, which results in a ranking that considers each supplier's distance from the positive and negative ideal solutions."