Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tujuan utama dari penelitian ini adalah untuk mengkaji peran perubahan strategis terhadap kinerja perusahaan Ericsson melalui pembelajaran organisasi, yang mana dalam membentuk perubahan strategis yang kuat diperlukan kapabilitas pengetahuan TMT, komitmen organisasi dan kepemimpinan transformasional. Penelitian ini menggunakan pendekatan kuantitatif dan kualitatif. Data dikumpulkan dari 92 bisnis unit di 23 wilayah cabang Ericsson di Kawasan Asia & Australia. Penelitian ini menggunakan analisis Structural Equation Modeling ( SEM ), di mana hasil analisis tersebut menunjukkan bahwa terdapat hubungan positif yang signifikan antara kapabilitas pengetahuan TMT dan komitmen organisasi terhadap perubahan strategis. Perubahan strategis juga memiliki hubungan positif yang secara tidak langsung signifikan terhadap kinerja melalui pembelajaran organisasi dan juga perubahan strategis memiliki hubungan positif langsung yang signifikan terhadap kinerja. Namun kepemimpinan transformasional tidak memiliki pengaruh signifikan terhadap perubahan strategis. Beberapa faktor yang menghambat kepemimpinan transformasional di Ericsson antara lain keterbatasan otoritas wewenang dan perbedaan budaya antara pemimpin dengan wilayah kepemimpinan. Keterbatasan tersebut yang mendorong tidak optimalnya pembentukan perubahan strategis dan kinerja perusahaan melalui kepemimpinan transformasional yang dimiliki.

---

The main objective of this research is to examine the role of strategic change on Ericsson's company performance through organizational learning, which in forming strong strategic change requires TMT knowledge capability, organizational commitment and transformational leadership. This study uses a quantitative and qualitative approach. Data is collected from 92 business units in Ericsson's 23 regional branches in the Asia & Australia Region. This study uses Structural Equation Modeling (SEM) analysis, where the results of the analysis show that there is a significant positive relationship between TMT knowledge capability and organizational commitment to strategic change. Strategic change also has a significant positive indirect relationship to performance through organizational learning and strategic change also has a significant direct positive relationship to performance. However, transformational leadership does not have a significant effect on strategic change. Some of the factors that hinder transformational leadership at Ericsson include limited authority and cultural differences between leaders and leadership areas. These limitations have led to the non-optimal formation of strategic changes and company performance through their transformational leadership."

"This Infoline defines action learning as a group effort that involves solving real world problems through the use of acquired learning and implementing systems-wide solutions. It discusses why this process works and the benefits to organizations that use this technique. It features brief case studies from Whirlpool, National Semiconductor, General Electric, and Cigna International Property and Casualty Corporation."

"Pemelajaran mesin dikenal sangat berguna dalam menyelesaikan permasalahan prediksi dan klasifikasi melalui pembelajaran pola dan perilaku data yang tersedia. Oleh karena itu, pemelajaran mesin dapat dimanfaatkan di berbagai bidang kehidupan dan industri modern. Namun, kinerja pemelajaran mesin sangat tergantung dari model pemelajaran mesin yang digunakan maupun dari kualitas data yang digunakan untuk pemelajaran. Data yang tidak bersih, tidak representatif, dan ketersediaannya terbatas akan mengurangi kualitas hasil prediksinya.Penelitian ini bertujuan untuk menguji kombinasi beberapa metode pemrosesan data (yaitu MissForest, GAIN, ENN, dan TabGAN oversampling) dengan model pembelajaran mesin (yaitu model CatBoost dan model klasifikasi biner berbasis neural network) untuk memprediksi kasus mahasiswa putus studi di beberapa universitas di Indonesia menggunakan data dari PDDikti. Penambahan fitur dilakukan untuk memberi label bidang studi terhadap dataset tersebut. Selain penambahan fitur seleksi fitur relevan menggunakan korelasi Pearson serta feature importances juga dilakukan setelah pelatihan model awal. Google Colab dengan bahasa pemrograman Python digunakan untuk menjalankan algoritma pemrosesan data dan pelatihan model.Hasil penelitian menunjukkan bahwa model CatBoost dengan kombinasi metode imputasi GAIN, undersampling ENN, dan tanpa fitur kelompok bidang studi memberikan F1-score tertinggi yaitu 66,38% dengan nilai precision 71,75% dan nilai recall 61,76%. Apabila digunakan model klasifikasi biner pemelajaran dalam akan didapatkan metrik terbaik F1-score 62,32%. Hasil terbaik penelitian ini menunjukkan peningkatan F1-score sebesar 2,15% dibandingkan dengan F1-score pada penelitian sebelumnya yang menggunakan model CatBoost bersama kombinasi Missforest dan ENN tanpa fitur kelompokbidang studi. Penelitian ini menunjukkan bahwa oversampling dan undersampling memberikan dampak yang berlawanan terhadap metrik precision dan recall. Penelitian juga menemukan seleksi fitur dapat meningkatkan kinerja model namun tidak berdampak besar dibandingkan teknik-teknik lain misalnya balancing dan optimisasi hyperparameter.

---

Machine learning is known to be very useful in solving prediction and classification problems

by learning the patterns and behavior of available data. Therefore, machine learning can be utilized in various areas of modern life and industry. However, the performance of machine learning is highly dependent on the machine learning model used as well as on the quality of the data used for learning. Data that is not clean, not representative, and scarce will reduce the quality of the prediction results.

This study aims to test the combination of several data processing methods (namely MissForest, GAIN, ENN, and TabGAN oversampling) with machine learning models (CatBoost and binary classification models based on neural networks) to predict dropout cases at several Indonesian universities using data from PDDikti. The addition of features is done to label data with their respective fields of study. Other than adding features, selection of relevant features using Pearson’s correlation as well as feature importances is also carried out after initial model training. Google Colab with the Python programming language is used to run data processing algorithms and train models.

This study shows that CatBoost with the combination of GAIN imputation, ENN undersampling, and no field of study feature results in the highest F1-score of 66.38%, which are composed of 71.75% in precision and 61.76% in recall. If a deep learning binary classification model is used instead, the best F1-score result is 62.32%. The best result from this study shows an increase in F1-score of 2.15% compared to the F1-score of the previous study (64.23%) which used CatBoost along with a combination of Missforest, ENN and no field of study features. This research shows oversampling and undersampling produce opposite effects on precision and recall scores. Research has also

found that feature selection can improve model performance but does not have a large impact compared to other techniques such as balancing and hyperparameter optimization"

"Penelitian ini membahas tentang membangun model machine learning pada aspek manusia dalam kesadaran keamanan informasi. Model dibangun melalui pendekatan classification dan clustering melalui proses secara garis besar meliputi: impor data, menangani data tidak lengkap, penyusunan dataset, feature scaling, membangun model serta mengevaluasi model. Dataset disusun berdasarkan hasil kuisioner yang merujuk The Human Aspects of Information Security Questionnaire pada masyarakat di Indonesia. Hasil model classification dievaluasi dengan beberapa metode yaitu analisa k-fold Cross Validation, Confusion Matrix, Receiver Operating Characteristic, serta perhitungan skor pada masing-masing model. Salah satu algoritma pada classification yang digunakan yaitu Support Vector Machine memiliki kinerja dengan akurasi 99,7% dan error rate sebesar 0,3%. Algoritma pada clustering salah satunya yaitu DBSCAN memiliki nilai adjusted rand index selalu mendekati nilai 0.

---

This research discusses building a machine learning model on the human aspect of information security awareness. The model built through a classification and clustering approach through a broad outline process, including importing data, handling incomplete data, compiling datasets, feature scaling, building models, and evaluating models. Dataset arranged based on the results of a questionnaire that referred to The Human Aspects of Information Security Questionnaire to Indonesia society. The results of the classification model evaluated by several methods, namely k-fold Cross Validation analysis, Confusion Matrix, Receiver Operating Characteristics, and score calculation for each model. One of the algorithms for classification, the Support Vector Machine, has a performance with an accuracy of 99.7% and an error rate of 0.3%. One of the algorithms in clustering is that DBSCAN has an adjusted rand index value consistently close to 0."

"Takes you through a discovery tour of three internationally recognized companies (Accenture, Microsoft, and Caterpillar), and a single, large department within the US Department of Labor and how they successfully blended organizational strategy and technology-based learning initiatives that resulted in measurable, bottom-line results."

"Para penyandang tunarungu berkomunikasi menggunakan bahasa isyarat resmi di Indonesia, yaitu SIBI (Sistem Isyarat Bahasa Indonesia). Dengan menggunakan aplikasi penerjemah Bahasa isyarat ke teks akan membantu komunikasi antara tunarungu maupun non-tunarungu. Dengan menggunakan pre-trained model CPM (EdvardHua, 2018) akan mendapatkan informasi berupa titik-titik skeleton seperti titik tangan, bahu, dan siku. Informasi titik skeleton itu akan digunakan untuk memprediksi kata. Namun, proses tersebut perlu berjalan secara real-time, yaitu ketika pengguna membuka kamera maka akan langsung mendapatkan respon. Untuk mencapai itu diperlukan mobile deep learning framework, sehingga proses inference bisa menjadi lebih cepat dengan bantuan runtime GPU. Penelitian ini berfokus menjalankan inference menggunakan mobile deep learning framework untuk implementasi modul ekstraksi skeleton secara real-time pada Android. Pada penelitian ini digunakan Tensorflow mobile (runtime hanya CPU), MACE, dan SNPE. Dilakukan pengukuran dari sisi latency, penggunaan energi, penggunaan memori, penggunaan daya, dan perubahan suhu. Hasil pengukuran menunjukkan bahwa penggunaan MACE dan SNPE dengan runtime GPU menghasilkan latency yang lebih kecil dibandingkan penggunaan CPU. Penggunaan CPU menyebabkan thermal throttling, sehingga terjadi penurunan kinerja. Dengan runtime GPU menghasilkan penggunaan energi, memori, dan daya yang lebih sedikit dibandingkan CPU. Kenaikan suhu ketika menggunakan runtime GPU lebih kecil dibandingkan CPU.

---

People with hearing impairments use the official sign language in Indonesia, namely SIBI (Sistem Isyarat Bahasa Indonesia). Using a sign language-to-text translator application will help the communication between people with hearing impairments and people without hearing impairment. By using the pre-trained CPM model (EdvardHua, 2018), the information in the form of skeleton points such as the points of the hands, shoulders, and elbows will be obtained. The skeleton point information will be used to predict its translation words. However, the translation process needs to be run in real- time, which is when users open their cameras then they will immediately receive a respond. To achieve that goal, we need a mobile deep learning framework, with the result that the inference process is faster with the help of the GPU runtime. This research focuses on running inferences using a mobile deep learning framework to implement real-time skeleton extraction module in Android. This research uses Tensorflow mobile (runtime only for CPU), MACE, and SNPE. Measurements of the latency, energy usage, memory usage, power usage, and temperature change were taken. The measurement results show that the use of MACE and SNPE with GPU runtime is in lower latency than with the use of CPU. Measurement with CPU usage causes thermal throttling, resulting in decreased performance. Measurement with GPU runtime results in lower usage of energy, memory and power compared to the measurement with CPU. The temperature increase when using the GPU runtime is lower than when using the CPU."

"Menurut EEB Laboratory Jakarta, pada tahun 2016 sektor bangunan memiliki mengkonsumsi 18-20% dari total penggunaan energi di Indonesia, dan terus menerus meningkat seiring perkembangan teknologi yang membutuhkan sumber energi dalam upaya peningkatan kualitas hidup penghuni bangunan. Bangunan pintar merupakan sebuah konsep pemanfaatan teknologi yang tidak hanya bertujuan meningkatkan kenyamanan penghuni, tetapi juga dapat membantu dalam upaya efisiensi energi pada operasional bangunan. Maka dari itu, penelitian ini akan membantu upaya perancangan efisiensi energi pada sebuah bangunan dengan meninjau fitur dan karakteristik yang berpotensi dalam mendukung efisiensi energi dengan penerapan konsep bangunan pintar. Selain itu, akan dibuat sebuah model dengan pemanfaatan machine learning yang mampu memberikan prediksi tingkat penggunaan energi berdasarkan fitur-fitur yang diberikan. Model machine learning yang dihasilkan memiliki rata-rata nilai kesalahan relatif sebesar 17,76%, serta didapatkan tingkat efisiensi dengan penerapan seluruh fitur yang diidentifikasi pada rentang 34,5% hingga 45,3% tergantung pada lantai yang ditinjau.

---

According to EEB Laboratory Jakarta, Indonesian building sector accounts for 18- 20% energy consumption in 2016, and this trend will continuously increase as technology needed to increase housing residents' quality keeps advancing. Smart building is a concept to utilise technology that does not only help increase occupants' comfort inside the building, but it can also help increase energy usage efficiency in building operations. This research aims to help the effort in designing energy efficiency planning for a building by reviewing potential features and characteristics that could help improves energy efficiency with implementation of the smart building concept. A model based on machine learning that could give prediction on the level of energy consumption based on given features will also be discussed here. This model of machine learning has a 17,76% average of relative error, as well as 34,5% until 45,3% efficienct level that includes implementation of all features, depending on analysed floor."

"Meskipun kajian mengenai bahan bakar dan penggerak alternatif sudah banyak, namun target dan aplikasinya dalam pengurangan emisi CO2 di pelabuhan masih kurang mendapat perhatian terutama di negara berkembang seperti Indonesia. Penelitian ini menggunakan machine learning dalam memperkirakan emisi CO2 dari aktivitas kapal di tujuh pelabuhan di Indonesia kemudian dicari variable yang berpengaruh pada total emisi sebagai fokus dalam pengembangan Ship Energy Efficiency Management Plan (SEEMP). Dilakukan prediksi total emisi CO2 menggunakan regresi hutan acak kemudian keefektifannya diverifikasi menggunakan validasi silang k-fold, hasil prediksi kemudian dibandingkan dengan total emisi perhitungan metode bottom-up. Hasil analisis attribute weight berdasarkan correlation menunjukkan bahwa daya mesin dan waktu operasi kapal di pelabuhan memiliki pengaruh yang lebih besar dalam menghasilkan emisi CO2. Prediksi total emisi menunjukkan bahwa model memiliki akurasi yang cukup rendah akibat banyaknya data yang kosong meskipun algoritma model sudah tergolong bagus. Akhirnya, operasi hemat bahan bakar dibahas dengan fokus pada tenaga dan bahan bakar alternatif serta peningkatan efisiensi kerja, penggunaan bahan bakar bersih dari hidrogen dan biofuel mamiliki potensi pengurangan yang paling tinggi dengan cold ironing sebagai alternatif yang dapat memenuhi syarat pengurangan emisi per tahun sebesar 20%. Dibutuhkan data yang lengkap untuk melakukan prediksi total emisi yang akurat serta pengembangan teknis dan ketersediaan sumber daya pada metode yang telah dibahas agar dapat di implementasikan kedalam Rencana Pengelolaan Efisiensi Energi Kapal.

---

Although there are many studies on alternative fuels and drivers, the target and their application in reducing CO2 emissions at ports have received little attention, especially in developing countries such as Indonesia. This study uses machine learning to estimate CO2 emissions from ship activities at seven ports in Indonesia and then looks for variables that affect total emissions as a focus in developing a Ship Energy Efficiency Management Plan (SEEMP). Total CO2 emissions were predicted using random forest regression, their effectiveness was then verified using k-fold cross-validation, the prediction results were then compared with the total emissions calculated using the bottom-up method. The results of attribute weight analysis based on correlation show that engine power and ship operating time in port have a greater influence in producing CO2 emissions. Prediction of total emissions shows that the model has a fairly low accuracy due to the large number of blank data despite the model algorithm exelency. Finally, fuel-efficient operations are discussed with a focus on alternative power and fuels as well as improving work efficiency, the use of clean fuels from hydrogen and biofuels has the highest reduction potential with cold ironing as an alternative that can meet the requirements of 20% annual emission reduction. Complete data is needed to make accurate predictions of total emissions as well as technical development and resource availability on the methods discussed so that they can be implemented into the Ship Energy Efficiency Management Plan."

"Inovasi model bisnis dibutuhkan oleh perusahaan khususnya untuk menghadapi lingkungan bisnis yang tidak pasti. Dengan inovasi model bisnis perusahaan dapat mencipta nilai lebih bagi konsumen baik melalui inovasi dalam hal target pasar, produk yang ditawarkan maupun rantai nilai industrinya. Diharapkan inovasi model bisnis dapat menuju model bisnis sebagai platform yang adaptif dimana inovasi dilakukan bersama-sama melibatkan mulai dari pemasok bahan baku, proses produksi, saluran distribusi serta konsumen akhir. Namun, walau inovasi model bisnis penting, banyak perusahaan mengalami kesulitan melakukannya. Untuk itu dibutuhkan suatu studi deskripsi dan eksplanasi terhadap perusahaan yang berhasil untuk menjelaskan bagaimana dan mengapa mereka dapat melakukan inovasi model bisnis.Penelitian ini bertujuan untuk mengungkapkan bagaimana peran pembelajaran organisasi dan budaya organisasi dalam mendorong terjadinya inovasi model bisnis di perusahaan. PT. Njonja Meneer dipilih sebagai unit analisis karena walaupun perusahaan jamu ini berada dalam industri kesehatan dengan campur tangan pemerintah sangat ketat dan disertai perubahan perilaku pasar maupun rusaknya citra jamu akibat jamu yang mengandung bahan kimia obat, PT. Njonja Meneer tetap mampu bertumbuh. Berdasarkan protokol studi kasus yang telah disusun maka dilakukan wawancara mendalam dan focus group discussion terhadap pemilik PT. Njonja Meneer, tim pengembangan, dan distributor tunggal.Hasil penelitian ini mengungkapkan nexus antara pembelajaran organisasi, budaya organisasi, inovasi model bisnis dan kinerja perusahaan. Tahapan inovasi model bisnis yang terjadi diuraian berdasarkan Business Model Framework (Chesbrough, 2007). Kemudian diuraikan pula komponen-komponen model bisnis yang berperan pada masing-masing tahap inovasi model bisnis hingga menghasilkan kinerja.Penelitian ini juga memberikan fakta tentang adanya paradoks budaya organisasi. Paradoks ini dipicu oleh adanya perubahan besar dalam lingkungan eksternal perusahaan. Paradoks ini kemudian memunculkan fenomena supply chain discontent yang memunculkan hambatan menuju model bisnis sebagai platform yang adaptif. Untuk mengatasi permasalahan paradoks budaya organisasi maka disarankan agar perusahaan keluarga mengadopsi perspektif pemangku kepentingan serta skema untuk mengatasi persoalan supply chain discontent. Penelitian ini memberikan kontribusi teoritis, proposisi maupun kontribusi manajemen terhadap perusahaan. Beberapa keterbatasan penelitian serta usulan penelitian lebih lanjut juga diungkapkan.

---

Business model innovation is needed especially to cope business environment's uncertainty. Business model innovation helps firm to create more value for their customer through innovation in term of target segment, product offering, and also industrial value chain.Through business model innovation, firm aims to get business model as an adaptif platform where innovation is done by firm along with their supply chain system. But, even business model innovation is so important, many firms were not able to implement it. Then, there is a need for a description and explanation study from a successful company to reveals how and why they conduct business model innovation.

This study aims to reveals how organizational learning and organizational culture could empower firm to conduct business model innovation. PT. Njonja Meneer is chosen as unit analysis. Even jamu industry were ruled aggressively by government and there were also many unfavorable situation such as customer behavior changing in consuming jamu and negative perception about jamu according to jamu that contained drug chemicals, PT. Njonja Meneer still able to grow. Based on a case study protocol, this study conducted in-depth interviews and focus group discussions toward the owner of PT. Njonja Meneer, development team and also their sole distributor.

This study revealed the nexus of organizational learning, organizational culture, business model innovation and firm’s performance. Stages of business model innovation are described by the business model framework (Chesbrough, 2007). Then, I elaborated the components of business model that plays important role in each stage of business model innovation to produce performance.

It also revealed facts that there were organizational culture paradox. This paradox is triggered by fundamental change in external business environment. Then, it brought up supply chain discontent issue that hampered firm’s effort to get business model as an adaptive platform. To cope with this culture paradox, company is advised to implement a stakeholder perspective as well as a scheme to solve supply chain discontent issue. Moreover, this study concluded some theoretical contributions, propositions as well as managerial contributions. Some research limitations and further research suggestions also be mentioned."

"Seiring dengan terus berkembangnya lingkungan yang dinamis, organisasi seringkali dihadapkan dengan kepentingan untuk melakukan perubahan baik pada stategi, struktur, proses, dan budaya. Salah satu faktor kesiapan terhadap perubahan antara lain dapat dilihat dari karakteristik individu. Karakteristik individu salah satunya dapat dilihat dari makna kerja pada individu. Hal ini disebabkan karena kerja dapat memberikan makna penting bagi individu. Penelitian korelasional dan noneksperimental ini dilakukan untuk mengetahui hubungan antara makna kerja dengan kesiapan individu terhadap perubahan organisasi terhadap karyawan badan usaha milik negara (N=176) yang sudah bekerja minimal 2 tahun. Penelitian dilakukan dengan menggunakan skala sikap untuk mengukur makna kerja dan kesiapan individu terhadap perubahan organisasi. Hasil penelitian menunjukkan bahwa terdapat hubungan yang positif dan signifikan antara makna kerja dengan kesiapan individu terhadap perubahan organisasi dengan indeks korelasi (r) sebesar 0.549 serta skor signifikansi sebesar 0.000 (signifikan pada p<0.01). Dari hasil tersebut dapat disimpulkan bahwa seseorang yang memiliki nilai makna kerja yang tinggi maka ia akan lebih siap terhadap perubahan organisasi dibandingkan dengan seseorang yang memiliki nilai makna kerja rendah.

---

Along with the continued development of a dynamic environment, organizations are often faced with the interest to make good changes in strategy, structure, processes, and culture. A number of factors of readiness to change can be seen from the characteristics of the individual. Individual characteristics of one of them can be seen from the meaning of the work on the individual. This is because the work can provide an important meaning for the individual, so that organizational change can affect the meaning of the work on the individual. Correlational and nonexperimental research was conducted to determine the relationship between meaning of work with individual readiness to change the organization of public sector companies employees (N = 176) who have worked at least for a minimum of 2 years. The study was conducted by using an attitude scale to measure the meaning of work and readiness of individuals to organizational change. The results showed that there are positive and significant relationship between the meaning of work and individual readiness for organizational change with the index of correlation (r) is 0.549 as well as the significance score of 0.000 (significant at p<0.01). From these results, it can be concluded someone who has a high value of work meaning will be more ready to organizational change than someone who has a low value of work meaning."