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.

"

"E-commerce merupakan online platform yang sedang mengalami pertumbuhan pesat dan memberikan kontribusi terhadap perekonomian internet di Indonesia selama lima tahun terakhir. E-commerce menghasilkan ulasan konsumen yang merupakan sumber informasi bagi para pemangku kepentingan. Penelitian ini melakukan analisis big data terhadap 132.085 ulasan konsumen online mengenai ponsel Xiaomi yang ditulis pada tiga situs e-commerce terbesar di Indonesia: Shopee, Bukalapak, dan Blibli dengan text mining, untuk mengidentifikasi distribusi topik, menganalisis jaringan asosiasi semantik, menemukan perbedaan pada ketiga situs, dan menganalisis hubungan antara topik dan skor penilaian ulasan. Hasil penelitian menunjukkan bahwa logistik merupakan topik yang paling banyak didiskusikan pada ketiga situs, sementara kualitas pelayanan lebih banyak didiskusikan pada Consumer-to-Consumer (C2C) daripada Business-to-Consumer (B2C) e-commerce. Atribut ponsel lebih banyak didiskusikan pada Bukalapak dan Blibli, dengan fokus topik sistem dan CPU & perangkat keras. Jaringan ulasan konsumen Bukalapak membentuk scale-free network, sementara jaringan kedua situs lainnya hanya menunjukkan karakteristik dari small-world network. Hasil regresi logistik ordinal menunjukkan bahwa 5 dari 8 topik yang dibahas dalam komentar ulasan memiliki hubungan negatif dengan skor penilaian, serta ulasan bernilai rendah cenderung memiliki komentar yang lebih panjang dan spesifik. Hasil penelitian dapat bermanfaat sebagai wawasan untuk pengembangan bagi para pemangku kepentingan di industri e-commerce.

---

E-commerce is a rapidly growing online platform that contributes to Indonesias internet economy during the past five years. E-commerce generates customer reviews as a source of information for stakeholders. This study applies big data analytics toward 132,085 online reviews about Xiaomi mobile phones posted on three major e-commerce websites in Indonesia: Shopee, Bukalapak, and Blibli by text mining, in identifying their distribution of topics, analyzing semantic association network, determining differences between the three websites, also analyzing the relationship between topics and rating score. The findings show that logistics is the most highly discussed topic, while service quality is discussed more in Consumer-to-Consumer (C2C) rather Business-to-Consumer (B2C) e-commerce. Phone attributes are discussed more in Bukalapak and Blibli, focusing on system and CPU & hardware topics. The network of Bukalapaks customer reviews form a scale-free network, and the other two only have the characteristics of a small-world network. The overall results from multilinear regression and ordinal logistic regression show that 5 out of 8 topics reviewed have negative relationships with rating scores, and low-rated reviews tend to have longer and more specific review comments. The findings provide insights for e-commerce stakeholders in supporting further development."

"ABSTRAKKartu kredit sebagai kartu pembayaran adalah produk yang dikeluarkan oleh bank dan menjadi pilihan favorit nasabah bank dalam melakukan transaksi secara offline dan online. Berbagai program promosi yang dilakukan oleh bank untuk meningkatkan penerbitan kartu untuk nasabah baru dan untuk menarik penggunaan kartu bagi para pemegang kartu kredit saat ini. Bank XYZ, sebagai salah satu penerbit kartu kredit, secara intensif menawarkan promosi kepada pelanggannya untuk bertransaksi menggunakan kartu kredit melalui berbagai media seperti SMS Blast maupun email notifikasi. Konten promosi yang dikirimkan ke pelanggan dapat mempengaruhi keputusan pelanggan untuk melakukan transaksi di merchant manapun menggunakan kartu kredit Bank XYZ. Dengan memanfaatkan analisa Big Data dengan Recency, Frequency dan Monetary (RFM) dan Association Rules, Bank XYZ dapat mengirimkan konten promosi kartu kredit yang sesuai dengan profile pelanggan. Mengirimkan konten promosi yang sesuai dengan profil pelanggan akan meningkatkan transaksi pelanggan menggunakan kartu kredit mereka. Peningkatan transaksi ini akan berkontribusi terhadap pendapatan Bank XYZ.

---

ABSTRACTCredit cards as a payment card are products issued by banks and become favorite customer`s choice to pay multiple transactions offline and online. Many promotion programs are done by banks to raise card issuances for new customer and to attract card usage for current credit card holders. Bank XYZ, as one of credit card issuer in Indonesia, is intensively offering promotions to its customer to use their credit cards through communication media such as SMS blast and email notifications. Media content may affect customer decision to purchase in any merchant using Bank XYZ credit card. By utilizing Big Data analysis with Recency, Frequency and Monetary(RFM), and Association Rules, Bank XYZ may send credit card promotional content fit with a customer profile. Sending proper promotional content fit with a customer profile will raise customer spending using their credit cards. Transactions rising contribute to Bank XYZ revenue.

"

"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%."

"Prediksi klaim merupakan proses penting dalam industri asuransi karena perusahaan asuransi dapat menyiapkan jenis polis asuransi yang tepat untuk masing-masing pemegang polis potensial. Frekuensi prediksi klaim dewasa ini kian meningkat. Sehingga data prediksi klaim yang memiliki volume besar ini disebut big data, baik dari segi jumlah fitur maupun jumlah data pemegang polis. Salah satu alternatif solusi perusahaan asuransi untuk melihat pemegang polis melakukan klaim atau tidak, bisa menggunakan machine learning yang teruji dapat digunakan untuk klasifikasi dan prediksi. Salah satu metode machine learning untuk mengurangi jumlah fitur adalah dengan proses seleksi fitur, yaitu mencari urutan fitur berdasarkan tingkat pentingnya fitur. Metode seleksi fitur yang digunakan adalah Gram-Schmidt Orthogonalization. Metode ini sebelumnya digunakan untuk data tidak terstruktur namun pada penelitian ini diuji pada data terstruktur bervolume besar. Untuk menguji urutan fitur yang diperoleh dari proses seleksi fitur, digunakan Support Vector Machine karena termasuk metode machine learning yang popular untuk klasifikasi. Berdasarkan hasil simulasi, urutan yang diperoleh dari proses Gram-Schmidt Orthogonalization relatif konsisten. Selanjutnya, dapat diketahui fitur-fitur yang paling berpengaruh untuk menentukan pemegang polis klaim atau tidak. Simulasi juga menunjukkan bahwa hanya dengan menggunakan sekitar 26 % fitur, akurasi yang dihasilkan sebanding dengan menggunakan semua fitur.

---

Claim prediction is an important process in the insurance industry because insurance companies can prepare the right type of insurance policy for each potential policyholder. The frequency of today`s claim predictions is increasing. So that claim prediction data has a large volume called big data, both in terms of the number of features and the number of policyholders. One alternative solution for insurance companies to see whether policyholders claim or not, we can use machine learning that is proven to be used for classification and prediction. One of the machine learning methods to reduce the number of features is the feature selection process, which is to search for sequences of features based on their importance feature. The feature selection method used is Gram-Schmidt Orthogonalization. This method was previously used for unstructured data, but in this research is tested on large volume structured data. Support Vector Machine is used to test the ordered features obtained from the feature selection process because it is a popular machine learning method for classification. Based on a result, the ordered features obtained from the Gram-Schmidt Orthogonalization process is relatively stable. After that, it can also be seen the most important features to determine policyholders claim or not. The simulation also shows that using only about 26 % features, the resulting accuracy is comparable to using all features."

"Penelitian ini mengambil salah satu contoh penggunaan Big Data Analytics di perusahaan dan bagaimana pengimplementasian Big Data Analytics dapat membantu Manajer untuk mengambil keputusan dari data yang diambil. Dalam hal ini, Dataset yang diambil adalah data aktivitas pengguna situs web e-commerce yang memiliki fitur penjualan produk perusahaan melalui situs web. Dalam prosesnya, aktivitas pengguna situs web seperti page visit, penambahan produk ke keranjang belanja, dan pembelian produk produk akan dikumpulkan. Dari data yang dikumpulkan, laporan akan dibuat untuk diberikan kepada Manajer. Penelitian ini  akan mengidentifikasi poin yang dapat dicatat dari laporan yang dihasilkan. Seperti bagaimana performa penjualan dari produk tertentu, indentifikasi hubungan antar produk (apakah satu produk tertentu tergantung pada produk lain), Dan mengidentifikasi perilaku pengguna terhadap pembelian produk. Penelitian ini juga akan mengidentifikasi apakah implementasi Big Data yang ada di perusahaan saat ini dapat ditingkatkan, dan mengidentifikasi apakah peningkatan sistem implementasi Big Data merupakan investasi yang baik dan bermanfaat bagi perusahaan.

---

This paper takes one example of Big Data Analytics usage on a company and how it can help Managers to take decision from the data taken. In this case, the Big Data taken would be the data of user activities of an e-commerce website which holds features to sell the company products through the website. In the process, the user activities of the website such as website visits, user clicking the add to cart button, and proceed on buying the product will be collected. From the data collected, a report will be created to be shown to the Managers. This paper will specifically identify the points to be noted from the generated report. Such as how is the sales for a specific product, identify the relations between products (either one product is dependent to other product), and identify specific behavior of user towards product purchases. This paper would also identify whether the current Big Data implementation on the company can be improved, and identify if it is a good investment for the company to improve the Big Data implementation system."

"This book introduces the concept of smart city as the potential solution to the challenges created by urbanization. The Internet of Things (IoT) offers novel features with minimum human intervention in smart cities. This book describes different components of Internet of Things (IoT) for smart cities including sensor technologies, communication technologies, big data analytics and security."