Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sekretariat Dewan Pertimbangan Presiden memerlukan pengolahan dan pengelolaan data yang berkualitas untuk menunjang peran memberikan dukungan teknis dan administrasi kepada Dewan Pertimbangan Presiden. Permasalahan yang dihadapi organisasi adalah belum adanya kebijakan dan manajemen data serta sistem-sistem silo yang belum terintegrasi, mengakibatkan duplikasi, inkonsistensi, dan kesalahan data. Untuk menyelesaikan permasalahan tersebut, penelitian ini mengukur tingkat kematangan manajemen data master yang ada di organisasi menggunakan metode MD3M Spruit-Pietzka. Hasil pengukuran tingkat kematangan kemudian dianalisa untuk merumuskan strategi peningkatan tingkat kematangan manajemen master data di Sekretariat Dewan Pertimbangan Presiden. Hasil pengukuran menunjukkan bahwa tingkat kematangan MDM di Sekretariat Dewan Pertimbangan Presiden adalah 1. Hal ini menunjukkan sudah adanya kesadaran dan upaya awal untuk mengatur manajemen data master di dalam organisasi. Target tingkat kematangan MDM adalah 3, dengan topik kualitas data dan perlindungan data sebagai prioritas perbaikan dari organisasi. Penelitian ini juga menghasilkan strategi untuk meningkatkan tingkat kematangan MDM melalui analisis kesenjangan antara tingkat kematangan dengan target tingkat kematangan. Program pengembangan data master direncanakan berjalan secara bertahap selama dua tahun.

---

The Secretariat of the Presidential Advisory Council requires quality data processing and management to support the role of providing technical and administrative support to the Presidential Advisory Council. The problems faced by organization are non-existent of policies and management related to data as well as unintegrated silo systems, resulting in duplication, inconsistency, and data errors. To solve this problem, this study measures the current master data management maturity level in the organization using the MD3M Spruit-Pietzka method. The results of the measurement of the maturity level then are analyzed to formulate a strategy to improve the maturity level of master data management at the Secretariat of the Presidential Advisory Council. The result of the assessment showed that MDM maturity level at Secretariat of Presidential Advisory Council is 1. This means that organization already has basic awareness in the management of master data. Organization’s target MDM maturity level is 3, with data quality and data protection as improvement priorities. This research also produces a strategy to increase the maturity level of MDM through gap analysis between the maturity level and the target maturity level. The master data development program is planned to run in stages over two years."

"ABSTRAKPermasalahan berdasarkan temuan Badan Pemeriksa Keuangan (BPK) atas pemeriksaan kinerja pelayanan perizinan di Kementerian Komunikasi dan Informatika (KOMINFO) adalah data sertifikasi alat dan perangkat telekomunikasi pada database sistem informasi e-sertifikasi belum sepenuhnya lengkap, akurat, dan valid dalam mendukung pelayanan sertifikasi alat dan perangkat telekomunikasi. Dengan ketidaklengkapan tersebut memberi risiko terjadinya penerimaan yang tidak sah dan tidak valid atas perolehan biaya sertifikasi. Sehingga belum dapat dimanfaatkan secara optimal untuk keperluan pelaporan ataupun rekonsiliasi data. Berdasarkan kondisi tersebut dilakukan pengukuran tingkat kematangan manajemen kualitas data. Narasumber dalam penelitian ini adalah pejabat di Direktorat Standardisasi Perangkat Pos dan Informatika (PPI) yang menangani proses sertifikasi alat dan perangkat telekomunikasi, pejabat di Direktorat Pengendalian Sumber Daya dan Perangkat Pos dan Informatika (SDPPI) yang mengelola database dan sistem informasi e-sertifikasi, serta staf programmer e-sertifikasi. Pengukuran tingkat kematangan manajemen kualitas data dilakukan dengan menggunakan framework Modelo Alarcos de Mejora de Datos (MAMD) 2.0 dimana hasilnya berada pada level 1, sedangkan level yang diharapkan adalah level 2. Untuk itu strategi peningkatan kualitas data sertifikasi alat dan perangkat telekomunikasi disusun berdasarkan analisis penyebab permasalahan data, kesenjangan dari kondisi manajemen kualitas data saat ini dan harapan, pedoman sekretaris jenderal kementerian kominfo nomor 1 tahun 2018 serta Peraturan Menteri Komunikasi Dan Informatika Nomor: 41/PER/MEN.KOMINFO/11/2007 tentang Panduan Umum Tata Kelola Teknologi Informasi Dan Komunikasi Nasional. Rekomendasi yang dihasilkan dikelompokkan dalam delapan poin disiplin data yang perlu dilaksanakan Direktorat Standardisasi PPI apabila ingin mencapai tingkat kematangan manajemen kualitas data yang diinginkan. Delapan poin disiplin data tersebut diantaranya adalah manajemen persyaratan data, manajemen infrastruktur teknologi, manajemen konfigurasi, manajemen data historis, manajemen keamanan data, kontrol dan pemantauan kualitas data, manajemen siklus hidup data, serta definisi standar, kebijakan dan prosedur.

---

ABSTRACTThe problem based on the findings of the Supreme Audit Agency (BPK) on licensing performance checks at the Ministry of Communication and Information Technology (KOMINFO) is that the certification data of telecommunication tools and equipment in the e-certification information system database is incomplete, accurate and valid in supporting equipment and equipment certification services telecommunication. With incompleteness submitted, the approval of acceptance is invalid and invalid on the approval of the certification fee. Data that cannot be utilized optimally for the purpose of reconciliation reporting. Based on these conditions, the level of maturity of data quality management is measured. The speakers in this study were officials at the Directorate of Standardization (PPI) who requested the process of certification of telecommunications equipment and equipment, officials in the Directorate of Resources and Equipment of Post and Informatics Control who manage e-certification database and information systems, and e-certification programmer staff. The measurement of the level of maturity of data quality management is carried out using the Modelo Alarcos de Mejora de Datos (MAMD) 2.0 framework where the results depend on level 1, while the expected level is level 2. For this reason, strategies to improve the quality of certification data for the tools and devices used for needs analysis The problem of data, discusses current data management problems and expectations, guidelines for the secretary general of the Ministry of Communication and Information Number 1 of 2018 as well as Minister of Communication and Information Technology Regulation Number 41/PER/MEN.KOMINFO/11/2007 concerning General Guidelines for Technology Governance National Information and Communication. The recommendations produced are grouped in several data discipline points that need to be implemented by the Directorate of Standardization PPI agreeing to reach the desired level of data quality management maturity. These eight data discipline points are approved are data requirements management, technology infrastructure management, configuration management, historical data management, data security management, data quality control and control, data lifecycle management, as well as standard resolutions, policies and procedures."

"ABSTRAKPermasalahan berdasarkan temuan Badan Pemeriksa Keuangan (BPK) atas pemeriksaan kinerja pelayanan perizinan di Kementerian Komunikasi dan Informatika (KOMINFO) adalah data sertifikasi alat dan perangkat telekomunikasi pada database sistem informasi e-sertifikasi belum sepenuhnya lengkap, akurat, dan valid dalam mendukung pelayanan sertifikasi alat dan perangkat telekomunikasi. Dengan ketidaklengkapan tersebut memberi risiko terjadinya penerimaan yang tidak sah dan tidak valid atas perolehan biaya sertifikasi. Sehingga belum dapat dimanfaatkan secara optimal untuk keperluan pelaporan ataupun rekonsiliasi data. Berdasarkan kondisi tersebut dilakukan pengukuran tingkat kematangan manajemen kualitas data. Narasumber dalam penelitian ini adalah pejabat di Direktorat Standardisasi Perangkat Pos dan Informatika (PPI) yang menangani proses sertifikasi alat dan perangkat telekomunikasi, pejabat di Direktorat Pengendalian Sumber Daya dan Perangkat Pos dan Informatika (SDPPI) yang mengelola database dan sistem informasi e-sertifikasi, serta staf programmer e-sertifikasi. Pengukuran tingkat kematangan manajemen kualitas data dilakukan dengan menggunakan framework Modelo Alarcos de Mejora de Datos (MAMD) 2.0 dimana hasilnya berada pada level 1, sedangkan level yang diharapkan adalah level 2. Untuk itu strategi peningkatan kualitas data sertifikasi alat dan perangkat telekomunikasi disusun berdasarkan analisis penyebab permasalahan data, kesenjangan dari kondisi manajemen kualitas data saat ini dan harapan, pedoman sekretaris jenderal kementerian kominfo nomor 1 tahun 2018 serta Peraturan Menteri Komunikasi Dan Informatika Nomor: 41/PER/MEN.KOMINFO/11/2007 tentang Panduan Umum Tata Kelola Teknologi Informasi Dan Komunikasi Nasional. Rekomendasi yang dihasilkan dikelompokkan dalam delapan poin disiplin data yang perlu dilaksanakan Direktorat Standardisasi PPI apabila ingin mencapai tingkat kematangan manajemen kualitas data yang diinginkan. Delapan poin disiplin data tersebut diantaranya adalah manajemen persyaratan data, manajemen infrastruktur teknologi, manajemen konfigurasi, manajemen data historis, manajemen keamanan data, kontrol dan pemantauan kualitas data, manajemen siklus hidup data, serta definisi standar, kebijakan dan prosedur.

---

ABSTRACT

The problem based on the findings of the Supreme Audit Agency (BPK) on licensing performance checks at the Ministry of Communication and Information Technology (KOMINFO) is that the certification data of telecommunication tools and equipment in the e-certification information system database is incomplete, accurate and valid in supporting equipment and equipment certification services telecommunication. With incompleteness submitted, the approval of acceptance is invalid and invalid on the approval of the certification fee. Data that cannot be utilized optimally for the purpose of reconciliation reporting. Based on these conditions, the level of maturity of data quality management is measured. The speakers in this study were officials at the Directorate of Standardization (PPI) who requested the process of certification of telecommunications equipment and equipment, officials in the Directorate of Resources and Equipment of Post and Informatics Control who manage e-certification database and information systems, and e-certification programmer staff. The measurement of the level of maturity of data quality management is carried out using the Modelo Alarcos de Mejora de Datos (MAMD) 2.0 framework where the results depend on level 1, while the expected level is level 2. For this reason, strategies to improve the quality of certification data for the tools and devices used for needs analysis The problem of data, discusses current data management problems and expectations, guidelines for the secretary general of the Ministry of Communication and Information Number 1 of 2018 as well as Minister of Communication and Information Technology Regulation Number 41 / PER / MEN.KOMINFO / 11/2007 concerning General Guidelines for Technology Governance National Information and Communication. The recommendations produced are grouped in several data discipline points that need to be implemented by the Directorate of Standardization PPI agreeing to reach the desired level of data quality management maturity. These eight data discipline points are approved are data requirements management, technology infrastructure management, configuration management, historical data management, data security management, data quality control and control, data lifecycle management, as well as standard resolutions, policies and procedures."

"Data panel merupakan gabungan dari dua jenis data, yaitu data cross section dan data longitudinal. Model regresi linier yang melibatkan data panel disebut dengan model regresi data panel. Pada saat melakukan observasi, sering ditemui bahwa nilai observasi di suatu lokasi bergantung pada nilai observasi di lokasi sekitarnya, yang dikenal dengan spasial dependen. Model regresi data panel yang turut melibatkan aspek ketergantungan lokasi (spasial dependen) dikenal dengan model spasial data panel.

Model spasial lag data panel menunjukkan adanya ketergantungan antara variabel dependen di suatu lokasi dengan variabel dependen di lokasi sekitarnya. Pada tugas akhir ini akan dibahas penaksiran parameter pada Random Effects Spatial Lag Panel Data Model dengan komponen error satu arah menggunakan metode maksimum likelihood."

"Dalam rangka mendukung pengambilan keputusan yang tepat bagi pimpinan berbasis data (data driven organization), Kemenkeu menyusun inisiatif strategis optimalisasi Sistem Layanan Data Kementerian Keuangan (SLDK) dan pengembangan proyek data analytics. Dalam pengembangan data analytics, terdapat permasalahan rendahnya kualitas data sehingga data driven organization belum terwujud dengan optimal. Penelitian ini meggunakan metode kualitatif dengan melalui proses wawancara dan observasi. Pengukuran kualitas data dan tingkat kematangan kualitas data menggunakan kerangka kerja Loshin’s Data Quality, DAMA-Data Management Book of Knowledge (DMBoK), dan Government Data Qualiaty (GDQ). Hasil pengukuran kualitas data menunjukkan terdapat permasalahan data tidak akurat dan tidak lengkap dan tingkat kematangan kualitas data Kemenkeu berada pada level Repeatable. Menyusun strategi kualitas data, ketentuan teknis, tim kualitas data, dan prosedur pengelolaan kualitas data; identifikasi harapan dan aturan kualitas data; mengukur, memantau, dan melaporkan kualitas data; mengelola aturan, knowledge base, dan metadata; meningkatkan kesadaran; melakukan pelatihan; menyediakan tools, menerapkan aturan dan menangani permasalahan; memutakhirkan SLA; mengelola kinerja kualitas data; dan melakukan audit kualitas data merupakan strategi peningkatan kualitas data yang dilaksanakan dalam empat tahap pada Tahun 2022-2023.

---

To support the right decision making for data-driven organizations, the Ministry of Finance (MoF) has developed a strategic initiative for optimizing the MoF's Data Service System (SLDK) and developing a data analytics project. In the development of data analysis, there is a problem of low data quality so that data-driven organizations have not been realized optimally. This study uses a qualitative method through interview and observation. Measurement of data quality and maturity level of data quality uses the Loshin's Data Quality framework, DAMA-Data Management Book of Knowledge (DMBoK), and Government Data Quality (GDQ). The results of the measurement of data quality indicate that there are problems with inaccurate and incomplete data and the MoF's data quality level is at the Repeatable level. Develop a data quality strategy, technical provisions, data quality team, and data quality management procedures; identification of data quality expectations and rules; measure, monitor, and report on data quality; manage rules, knowledge base, and metadata; raise awareness; conduct training; provide tools, apply rules and carry out problem solving; updating SLAs; manage data quality performance; and conducting data quality audits is a data quality improvement strategy implemented in four stages in 2022-2023.

"

"RSUD Pasar Rebo merupakan rumah sakit daerah yang menggunakan SIMRS untuk mendukung layanan administrasinya. Berdasarkan SK Direktur RSUD Pasar Rebo tercantum bahwa dimensi kualitas data yang diukur adalah akurasi dan presisi. Selain itu juga terdapat dimensi kelengkapan (completeness) yang tertanam pada proses bisnis dalam kaitannya dengan pelengkapan data dan dokumen rekam medik untuk proses klaim asuransi kesehatan. Penelitian ini bertujuan untuk memberikan rekomendasi peningkatan pengelolaan kualitas data berdasarkan hasil penilaian tingkat kematangan pengelolaan kualitas data. Penilaian tingkat kematangan pengelolaan kualitas data dilakukan dengan mengacu kepada komponen dan karakteristik pada Loshin’s Data Quality Management Maturity Model. Setelah dilakukan penilaian terhadap tingkat kematangan, maka dilakukan analisis kesenjangan untuk mengidentifikasi karakteristik pengelolaan kualitas data yang harus dipenuhi untuk meningkatkan tingkat kematangan. Setelah dilakukan analisis kesenjangan, maka disusun rekomendasi peningkatan pengelolaan kualitas data yang mengacu kepada aktivitas yang ada pada DMBOK. Tingkat kematangan pengelolaan kualitas data pada RSUD Pasar Rebo berada pada level 4 (managed). Rekomendasi yang diberikan untuk meningkatkan pengelolaan kualitas data adalah melakukan profiling, analisis, dan menilai kualitas data, memantau prosedur dan kinerja dari pengelolaan kualitas data yang berjalan, membersihkan dan memperbaiki kualitas data yang cacat, mendefinisikan kebutuhan kualitas data, mendefinisikan kualitas data dalam konteks peraturan bisnis, mengelola isu-isu terkait kualitas data, mengukur dan memantau kualitas data secara berkesinambungan, merancang dan mengimplementasikan prosedur operasional pengelolaan kualitas data

---

Pasar Rebo Public Hospital is a government hospital that uses HIS to support its operational activity. According to its director’s decree, dimension of data quality for medical record data consists of accuracy and precision. Besides, completeness dimension also embedded in business process in accordance to their activity to complete medical record’s data and document to conduct insurance claim process. This study aims to give recommendation to improve data quality management according to data quality management maturity level assessment. The assessment is conducted according to Loshin’s Data Quality Management Maturity Model. After the assessment is done, gap analysis is conducted to identify which improvement should be done to improve data quality management maturity level. After that, the recommendation is arranged based on DMBOK’s Data Quality Management activity. The maturity level of data quality management in Pasar Rebo Public Hospital is 4 (managed). Recommendations given in this study consist of profiling, analyzing, and assessing data quality, monitoring operational data quality management procedures and performance, cleaning and correcting data defects, defining data quality requirements, defining data quality business rules, managing data quality issues, continuously measuring and monitoring the data quality, and designing and implementing operational data quality management procedures"