Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAK

Semakin strategisnya peran Direktorat Jenderal Bea dan Cukai (DJBC) Kementerian Keuangan Republik Indonesia dalam memfasilitasi perdagangan internasional membuat DJBC harus terus berinovasi dengan memanfaatkan teknologi mutakhir. DJBC dituntut untuk memberikan pelayanan yang efisien dan melakukan pengawasan yang efektif yang merujuk pada praktik-praktik terbaik dalam kepabeanan internasional. Implementasi Big Data pada DJBC bertujuan untuk mendapatkan manfaat dari data yang telah dikumpulkan agar dapat dianalisis untuk mendukung pengambilan keputusan. Konsep Smart Customs and Excise mengusung Big Data sebagai inti dari semua sistem dan proses bisnis pada DJBC, namun sampai dengan saat ini penerapan Big Data masih bersifat proof of concept. Penerapan teknologi baru tanpa adanya arah pengembangan yang jelas memiliki risiko kegagalan, untuk itu diperlukan evaluasi penerapan Big Data di DJBC. Pengukuran tingkat kematangan Big Data dapat digunakan sebagai langkah awal untuk menilai situasi yang sebenarnya dari sebuah organisasi, memperoleh dan memprioritaskan langkah-langkah perbaikan dan kemudian mengontrol setiap tahap pelaksanaannya. Hasil pengukuran kematangan Big Data dapat dijadikan sebagai acuan untuk merumuskan saran dan rekomendasi bagi DJBC untuk mencapai tingkat kematangan yang lebih tinggi. Pengukuran dilakukan menggunakan framework TDWI Big Data Maturity Model untuk mengevaluasi implementasi Big Data pada DJBC. Pengumpulan data dilakukan melalui wawancara pertanyaan tertutup, kemudian diolah menggunakan assessment tools. Hasil evaluasi menunjukkan bahwa tingkat kematangan Big Data pada DJBC ada pada tingkat 3 (Early Adoption) dari skala 1 - 5. Hasil penelitian memberikan rekomendasi pada tiap dimensi untuk dapat meningkatkan tingkat kematangan ke tingkat 4 (Corporate Adoption) dengan prioritas perubahan mulai dimensi organisasi, analitis, manajemen data, infrastruktur, dan tata kelola.

---

ABSTRACT

---

The more strategic role of the Directorate General of Customs and Excise (DGCE) of the Ministry of Finance of Republic of Indonesia in facilitating international trade has made DGCE to continue to innovate by utilizing the latest technology. DGCE is required to provide efficient services and conduct effective supervision that refers to international customs organization best practices. Implementation of Big Data on DGCE aims to get the benefits of the data that has been collected so that it can be analyzed to support decision making. The Smart Customs and Excise concept brings Big Data as the core of all systems and business processes in DGCE, but until now the implementation of Big Data is still proof of concept. Implementation of new technology without the direction of development that clearly defined has the risk of failure, therefore an evaluation is needed regarding the implementation of Big Data on DGCE. Measuring the maturity level of Big Data can be used as a first step to assess the actual situation of an organization, obtain and prioritize corrective steps and then control each stage of its implementation. The measurement results can be used as a reference to formulate suggestions and recommendations for DGCE to reach a higher maturity level. Measurements were made using the TDWI Big Data Maturity Model framework to evaluate the implementation of Big Data on DGCE. Data collection is done through closed question interviews, then processed using assessment tools. The evaluation results indicate that the maturity level of Big Data on DGCE is at phase 3 (Early Adoption) of scale 1 to 5. The results of the study provide recommendations on each dimension to be able to increase the maturity level to phase 4 (Corporate Adoption) with priority changes starting from the organizational dimension, analytics, data management, infrastructure, and governance.

"

"ABSTRAKPT. Citilink Indonesia Citilink adalah maskapai penerbangan yang menerapkan konsep penerbangan berbiaya murah atau Low Cost Carrier LCC . Dalam menjalankan proses operasionalnya, Citilink memiliki masalah terkait efisiensi bahan bakar. Salah satu penyebab bahan bakar tidak efisien adalah tidak teridentifikasinya komponen mesin pesawat yang kinerjanya sudah tidak maksimal. Komponen pesawat yang tidak bekerja maksimal tidak dapat teridentifikasi dikarenakan data log pesawat yang terlalu banyak belum dapat diolah. Berangkat dari masalah tersebut, Citilink dituntut untuk dapat mengolah dan menganalisis data log pesawat tersebut beserta dengan data lainnya yang memiliki karakteristik Big Data Volume, Velocity, dan Variety . Namun agar penerapan Big Data berjalan dengan baik dan tepat sesuai dengan karakteristik perusahaan, maka diperlukan sebuah kerangka kerja penerapan Big Data serta memvalidasi kerangka kerja tersebut di Citilink. Metode yang dipakai untuk merancang rekomendasi kerangka kerja penerapan Big Data adalah metode penelitian Lakoju 2017 , Tianmei dan Baowen 2007 , dan Kitsios dan Kamariotou 2016 yang terdiri dari tahap rencana pemetaan, penilaian framework Big Data, perancangan framework Big Data, dan uji validasi. Hasil penelitian menunjukkan lima fase kerangka kerja penerapan Big Data Big Data Strategic Alignment, Team, Project Plan, Data Analytics, dan Implementation yang dikelilingi oleh tahap proses manajemen kinerja serta adanya keterlibatan proses manajemen perubahan. Setelah itu, kerangka kerja tersebut divalidasi kepada dua responden dari Citilink dan dilakukan enam perbaikan, yaitu penambahan cara menganalisis kondisi internal organisasi, pengkategorian posisi tim, penambahan rekomendasi data processing architecture, penambahan aktivitas pemeliharaan aplikasi Big Data, penambahan bagaimana cara menganalisis perubahan, dan penambahan aktivitas kontrol proyek.

---

ABSTRACTPT. Citilink Indonesia Citilink is airline that implements Low Cost Carrier LCC . To perform its operational processes, Citilink has problems related to fuel efficiency. One of the causes inefficient fuel is unidentified damaged aircraft engine components. An unidentified damaged aircraft components because the data log plane is too much and can not be processed. From these problems Citilink also required to be able to process and analyze the log data of the aircraft and other data that has characteristics of Big Data Volume, Velocity, and Variety . But in order for Big Data implementation to run properly and appropriatley in accordance with the characteristics of the company, it would require a framework for implementation of Big Data and validate that framework in Citilink. The method used to design the recommendation of framework for implementation of Big Data is Lakoju 2017 , Tianmei and Baowen 2007 , and Kitsios and Kamariotou 2016 research method begins with the mapping plan stage, the Big Data framework assessment, the Big Data framework design, and the validation test. The results is the five phases in framework for implementation of Big Data Big Data Strategy Alignment, Team, Project Plan, Data Analytics and Implementation surrounded by performance management processes and the involvement of the change management process. After that, the framework has been validated to two respondents from Citilink and has been improvements with adding of how to analyze an organization 39;s internal conditions, categorizing position of the team, addition of a data processing architecture recommendations, additional Big Data maintenance aspects, addition of how to analyze changes, and addition of project control aspects."

"Turbin gas adalah suatu alat yang memanfaatkan gas sebagai fluida untuk memutar turbin dengan pembakaran internal sehingga mampu memutar generator untuk menghasilkan listrik. Turbin gas memiliki tingkat bahaya yang besar, sehingga perlu dilakukan penelitian untuk menganalisis seberapa besar potensi kegagalan komponen-komponennya. Jika sebuah mesin atau peralatan mengalami kerusakan, maka seluruh fungsi akan terhenti. Oleh karena itu, aktivitas preventive maintenace dibutuhkan untuk mencegah kerusakan dan meminimasi downtime. Tahapan penelitian ini dimulai dengan menentukan komponen kritis menggunakan diagram pareto. Kemudian memvisualisasikan data-data yang didapat. Lalu, menentukan nilai parameter shape (β), parameter scale (η), reabilitas, MTTF (Mean Time to Failure), dari komponen-komponen kritis. Terakhir merekomendasikan jadwal preventive maintenance. Dalam penelitian ini pengolahan dan analisis data dilakukan melalui Big Data Analytics menggunakan R Software diharapkan kedepannya dapat dikembangkan menjadi sebuat aplikasi yang terintegrasi untuk mengimpor dan menganalisis data historis (data base), memudahkan untuk memprediksi kegagalan secara real time, memprediksi kegagalan sebelum muncul, dan dapat mengawasi equipment secara run on live. Berdasarkan hasil pengolahan data yang telah dilakukan, ditemukan bahwa ada 8 komponen kritis, Penentuan keandalan yang dilakukan dengan bantuan R software dengan menggunakan distribusi weibull menunjukkan saat 43.830 jam operasional atau 5 tahun, komponen yang memiliki keandalan paling rendah adalah Actuator dengan nilai sebesar 0,799. Keandalan sistem pada saat 43.830 jam atau 5 tahun adalah 0,866, nilai ini digolongkan sebagai kuat. Hasil dari evaluasi nilai parameter shape (β), menunjukan 7 dari 8 komponen di kategorikan IFR (Increasing Failure Rate) kegagalan ini diakibatkan oleh beberapa faktor seperti penuaan, korosi, gesekan, sehingga di sebut fase pengausan (wearout), dan solusi yang tepat untuk membuat rekomendasi jadwal preventive maintenance dengan T=80%.

---

Gas turbine is one tool that uses gas as a fluid to turn turbines with internal combustion so that it is able to turn generators to produce electricity. Gas turbines have a high level of danger, so research needs to be done to increase the high potential level of its components. If the machine is damaged, all functions will stop. Therefore, preventive activities are needed to prevent damage and minimize downtime. The stages of this research began by determining the critical components using pareto diagrams. Then visualize the data obtained. Then, determine the value of the form parameter (β), parameter scale (η), reliability, MTTF (Mean Time to Failure), from the critical components. Last scheduled preventative maintenance schedule. In this research, processing and analyzing data done through Big Data Analytics using R Software is expected to be developed in the future into an integrated application to facilitate and analyze historical data (databases), facilitate to predict in real time, predict changes before they appear, and Can keep running equipment directly. Based on the results of data processing that has been done, found that there are 8 critical components, Determination which is done with the help of R software using Weibull distribution shows when 43,830 operational hours or 5 years, the component that adds the lowest is the Actuator with a value of 0.799. The current system value of 43,830 hours or 5 years is 0.866, this value is classified as strong. The results of the evaluation of the form parameter values (β), showed 7 out of 8 components categorized as IFR (Increased Failure Rate) this improvement was caused by several factors such as aging, corrosion, friction, so it was called the wearout phase, and the solution needed for make a preventive maintenance schedule recommendation with T = 80%."

"ABSTRAK<>br>Tesis ini akan membahas tentang strategi penjualan General Sales Agency, yang ditunjuk oleh penerbangan di daerah tertentu, berdasarkan data penjualan penerbangan. Akan tetapi, beberapa penerbangan menggunakan mata uang yang.berbeda tergantung lokasi agensi itu berada. Beberapa Negara menetapkan penggunaan mata uang lokal mereka ketika melakukan transaksi. Oleh karena itu, untuk menganalisa perubahan mata uang, analisa model regresi dinamis diterapkan. Di samping itu, tesis ini juga menggambarkan kecenderungan dari perilaku agen dengan menggunakan analisis RFM dengan metode kuartil. Metode ini digunakan karena implementasinya yang mudah dan membagi agen dengan jumlah yang sama. Setelah ditetapkan, korelasi digunakan untuk menganalisa kecenderungan penjualan terhadap agen-agen tersebut. Dengan menemukan kecenderungan dan tingkat signifikan dari klasifikasi RFM, perumusan untuk strategi berdasarkan data penjualan dapat ditentukan. Dalam hal ini, proses dalam Big Data Analytics digunakan untuk mencari nilai yang tersembunyi. Hasil dari tesis ini adalah penjualan akibat kebijakan pemerintah secara statistic tidak berpengaruh terhadap penjualan, klasifikasi RFM, dan terdapat korelasi negatif antara resensi dan frekuensi dan resensi dan monetary, dan korelasi positif antara frekuensi dan monetary.

---

ABSTRACT<>br>This thesis gives explanation regarding sales strategy of General Sales Agency based on sales data, appointed by airlines rsquo principle to sell the tickets in Indonesia. Some principles are using different currencies, depends on the operating countries where General Sales Agency resides. Dynamic regression model is used to analyze any changing due to external environment such as policy regulation. The tendencies of classification based on RFM analysis with quartile method to cluster agents using correlation were also examined. RFM analysis of quartile method is used because it is easy to implement and divide the agents equally. After that, correlations are used to examine the tendencies of sales data towards RFM classifications. Finding general tendencies and level of significance of RFM classifications would help to formulate strategy based on available data given by the company. Big Data analytics is used to get the hidden value from the data. The results indicate no statistically significant changes of sales due to policy regulation, RFM classifications are created, statistically significant negative correlations between recency and frequency, and between recency and monetary, and statistically significant positive correlation between frequency and monetary."

"ABSTRAKBisnis digital merupakan salah satu bisnis yang menjanjikan pada era informasi saat ini. Informasi penting dapat diperoleh dari mewawas data yang berkualitas, sehingga dapat dimanfaatkan untuk kepentingan organisasi. Data pelanggan yang dimiliki oleh PT XYZ menjadi bahan inti dalam strategi pengembangan program digital. Data yang terkumpul dari beberapa unit bisnis memiliki kualitas data yang rendah. Tantangan tersebut menjadi perhatian manajemen, sehingga butuh pengelolaan kualitas data yang baik untuk meningkatkan kualitas data pelanggan.Penelitian ini menggunakan metode kualitatif, pengumpulan data dilakukan dengan melakukan wawancara terhadap empat narasumber dan studi dokumen perusahaan. Penilaian kualitas data dilakukan dengan menggunakan Big Data Quality Assessment dari lsquo;Cai and Zhu rsquo; dan tingkat kematangan kualitas data menggunakan Data Quality Framework dari Loshin untuk mengetahui karakteristik yang kurang dalam pengelolaan kualitas data. Hasil tersebut dipetakan berdasarkan praktik manajemen kualitas data Data Management Body of Knowledge DMBOK dari DAMA institute untuk menyusun rekomendasi strategi pengelolaan kualitas data.Pengukuran tingkat kematangan kualitas data pelanggan PT XYZ berada pada level 2 repeatbele . Rekomendasi yang dihasilkan yaitu: menentukan proses dan prosedur untuk menetapkan tanggung jawab dan akuntabilitas untuk semua aspek manajemen data, penerapan pengelolaan metadata, melakukan proses analisis data pelanggan, melakukan penambahan proses validasi data terhadap setiap elemen kualitas data, merumuskan Service Level Agreements SLA , merumuskan data profiling untuk data pelanggan, menyusun Standard Operating Procedure SOP , menerapkan manajemen pelacakan insiden, dan melakukan evaluasi pengelolaan data secara berkala.

---

ABSTRACTDigital business is one of the promising businesses in this information age. Important information can be obtained from data which has quality, so it can be utilized for the benefit of the organization. Customer data owned by PT XYZ becomes the core ingredient in digital program development strategy. The data collected from several business units has low data quality. The challenge become a concern of management, so it takes the management of good data quality to improve the quality of customer data.This research use qualitative method, data retrieval is done by interviewing four resource person and company rsquo;s document. Data quality assessment is performed using Big Data Quality Assessment from 39;Cai and Zhu 39; and data maturity level using Data Quality Framework from Loshin to know the quality of data. The results are mapped based on data management quality management practices of DMBOK from DAMA institutions to develop recomendation of data quality management strategy.Measurement of PT XYZ customer data quality maturity level is at level 2 repeatbele . Recommendations of the strategies are: determine the processes and procedures for assigning responsibilities and accountability for all aspects of data management, implementation of metadata management, conducting customer data analysis process, adding data validation process to each element of data quality, formulating Service Level Agreements SLA , formulate profiling data for customer data, develop Standard Operating Procedures SOP , implement incident tracking management, and conduct periodic data management evaluations."

"Perkembangan sistem teknologi telekomunikasi yang semakin canggih dan kompleks memicu meningkatnya kegagalan ataupun kesalahan sistem dalam sistem jaringan utama dan sistem pendukung layanan telekomunikasi, serta kesalahan yang terjadi pada bisnis proses dan sumber daya manusia yang terkait. Kegagalan dan kesalahan ini menyembabkan kerugian yang ditanggung perusahaan, kerugian yang ditimbulkan dengan istilah revenue leakage atau kebocoran pendapatan. Revenue Assurance memegang peranan penting dalam pengendalian terhadap resiko revenue leakage dengan membuat kontrol dalam mendeteksi dan mencegah terjadinya kebocoran agar mampu meminimalkan biaya dan memaksimalkan potensi pendapatan. Dalam tesis ini dikembangkan metode untuk menganalisis Big data CDR untuk mengoptimalkan proses analisis pada revenue assurance control dengan menggunakan algoritma K-means Clustering. Algortima ini mengelompokkan obyek pengamatan dalam beberapa kategori yang diindikasikan sebagai titik kebocoran. Hasil kelompok yang dihasilkan dengan kategori yang beresiko tinggi memiliki anggota yang sedikit dengan tingkat nilai evaluasi akurasi cluster, R-Squared, sekitar 90%.

---

In the telco industry, Revenue Assurance plays an important role to assure the company revenue from leakage. the revenue chain is established across the process and whole sophisticated system that technologically complex to provide the unstoppable services. This case increasing the probability of system or process failure leads to the leakage. Hence necessary the revenue assurance control to detect and prevent it then it can help to minimize cost and maximize revenue. In this thesis, developed the analysis method in big data CDR to optimize analysis process at revenue assurance control using K-means Clustering algorithm. The use of the K-means clustering algorithm method able to group the object areas with high risk indications of leakage. The cluster result of high risk of leakage is having low amount of member, and the cluster evaluation result of R-Squared giving the good value about 90%. "