Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAK

Sektor Oil & Gas masih memainkan peran penting dalam pertumbuhan ekonomi Indonesia. Sebagian besar proyek pengembangan fasilitas produksi Oil & Gas skala besar menggunakan skema kontrak Engineering, Procurement dan Construction (EPC). Banyak proyek EPC di Sektor Oil & Gas di Indonesia gagal memenuhi target kinerja proyek. Salah satu penyebab utamanya adalah buruknya kinerja kontraktor EPC. Kinerja kontraktor EPC dalam melaksanakan proyek terkait erat dengan kemampuan teknis. Dari sudut pandang pemilik proyek, pemilihan kontraktor EPC yang tidak tepat akan berdampak risiko pada pelaksanaan proyek. Tujuan penelitian ini adalah untuk mengembangkan kriteria evaluasi teknis dalam proses tender untuk memilih kontraktor EPC dalam Perusahaan Oil & Gas sehingga potensi risiko yang mempengaruhi kinerja diketahui dari awal. Penelitian ini menggunakan data primer dan sekunder yang diperoleh dari arsip dan kuesioner. Tahap pertama, data risiko proyek dikumpulkan dari survei dan dianalisis untuk mendapatkan probabilitas dan dampak untuk setiap prioritas risiko. Kemudian kriteria evaluasi didaftar dan divalidasi. Akhirnya, metode proses hierarki analitis (AHP) digunakan untuk memilih alternatif kriteria evaluasi dari risiko dalam pelaksanaan proyek oleh kontraktor EPC. Kriteria untuk memilih kontraktor dievaluasi berdasarkan faktor risiko proyek. Dari hasil penelitian ini, akan memperoleh kriteria berbasis risiko dalam proses tender (pemilihan kontraktor) yang akan digunakan untuk memilih kontraktor EPC terbaik untuk meningkatkan kinerja proyek.

---

ABSTRACT

Oil & Gas sector still plays an important role in the economic growth of Indonesia. Most large-scale Oil & Gas facilities have been developed by using Engineering, Procurement, and Construction (EPC) contract scheme. Many EPC projects in Oil & Gas Sector in Indonesia have failed to meet project performance targets. One of the main causes is the poor performance of the EPC contractor. The performance of the EPC contractors in executing the project is closely related to their technical capabilities. From the project owner point of view,improper selection of EPC contractors will have a risk impact on project execution. The purpose of this study is to develop technical evaluation criteria in the tender process to selecting contractors especially in EPC projects within the Oil & Gas Company so that the potential risks that affect to the performance can be captured and mitigated from the beginning. This study uses primary and secondary data obtained from archives and questionnaires. The first stage, project risk data are collected from the survey and analyzed to get probability and impact value for risk priority. Then evaluation criteria are listed and validated.  Finally, the analytical hierarchy process (AHP) method is used to select criteria for alternative risk impacts in project execution by EPC contractors. Criteria for selecting contractors are evaluated based on project risk factors. From the results of this study, we will obtain risk-based criteria in the tender process (contractor selection) that will be used to select the best EPC to improve project performance.

"

"The literature shows that leniency has negative impact on employee performance and firmproductivity. However, there has been limited empirical research of how to mitigate the bias. Thisstudy examines if leniency is mitigateable by availability of subjective evaluation criteria andgroup rater. Using experimental method with sixty-nine undergraduate students as subjects, wefind that process within group is effective to reduce individual subjective rating, even when therewas no subjective criteria. However, we find group rating does not have effect on rating accuracy.Additionally, consistent with general assumption of leniency, we find that inflated rating is affectedby altruistic traits of raters. With the inherent limitations associated with experimental method,our finding suggests that, in order to have subjective rating accurately, firm should promote soundrating process by defining more relevant criteria to complement the evaluation process.AbstrakLiteratur menunjukkan bahwa bias kemurahan hati berdampak negatif terhadap kinerja karyawandan produktivitas perusahaan. Meskipun demikian, hanya terdapat sedikit penelitian empirismengenai cara memitigasi bias ini. Penelitian ini menguji apakah bias kemurahan hati dapatdimitigasi melalui ketersediaan kriteria evaluasi subjektif dan penggunaan grup penilai. Denganmenggunakan pendekatan eksperimen yang diikuti oleh 69 mahasiswa S1 sebagai subjek, kamimenemukan bahwa proses yang terjadi dalam grup efektif untuk menurunkan penilaian kinerjasubjektif yang diberikan secara individual, bahkan ketika tidak tersedia kriteria subjektif. Namun,kami juga menemukan bahwa kriteria subjektif tidak berpengaruh terhadap keakuratan penilaiankinerja. Selain itu, konsisten dengan asumsi umum mengenai bias kemurahan hati, kami menemukanbahwa penilaian kinerja yang ditinggikan dipengaruhi oleh kepribadian altruistis penilai. Denganberbagai keterbatasan yang melekat pada desain eksperimen, temuan kami menyarankan bahwauntuk menghasilkan penilaian kinerja subjektif yang akurat, perusahaan harus mendorong prosespenilaian yang lebih baik melalui penetapan kriteria yang lebih relevan dalam mendukung prosesevaluasi kinerja."

"Tesis ini membahas mengenai kriteria evaluasi investasi yang diterapkan oleh Perusahaan Modal Ventura (PMV) dalam mengambil keputusan investasi atas Perusahaan Pasangan Usaha (PPU) atau investee. Pada tesis ini, peneliti menggunakan benchmarking pada kriteria evaluasi investasi (investment evaluation criteria) yang digunakan oleh PMV dalam menganalisa dan menetapkan PPU mereka. Secara keseluruhan, terhimpun 12 kriteria. Dari literatur diperoleh untuk berinvestasi di AS disyaratkan 10 dari 12 kriteria. Hal ini menunjukkan bahwa PMV di Amerika Serikat memiliki persyaratan kriteria evaluasi investasi yang lebih banyak dan ketat dibandingkan negara lain. Di bawahnya terdapat Singapura yang memiliki 8 kriteria, Eropa 6 kriteria, Kanada 5 kriteria dan wilayah Asia Pasifik 4 kriteria. Dari hasil penelitian ditunjukkan bahwa Indonesia memiliki 8 kriteria dari 12 kriteria. Penelitian ini didukung oleh analisis terhadap data dokumen, observasi dan wawancara.......This thesis discusses about the investment evaluation criteria employed by Venture Capital Firms (VCF) in deciding to invest on potential investee companies. For this thesis, the researcher utilized investment evaluation criteria used by VCFs in analyzing and determining their investee portfolio as a benchmark. In total, 12 investment evaluation criteria are observed. From literature, it was discovered that VCFs in the US considered 10 out of the 12 criteria to be significant. This shows that VCFs in the US stricter and more rigorous when it comes to investment criteria compared to their counterparts in the study. Singapore comes second with 8 criteria, followed by Europe with 6 criteria, Canada with 5 criteria, and the Asia Pacific region with only 4 criteria that they consider to be significant. Based on the findings of this study, VCFs in Indonesia considers 8 criteria to be significant. This research is supported with analysis of the data, comprehensive observation, and in-depth interview."

"Penelitian ini memprediksi kualitas air Sungai Ciliwung berdasarkan parameter pH hasil pemantauan Online Monitoring menggunakan dua model Deep Learning yaitu Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM). Parameter input adalah pH dengan tiga skenario kombinasi yaitu waktu ganjil (t, t-1, t-3, t-5), genap (t, t+2, t-4, t-6) dan waktu berurutan (t, t-1, t-2, t-3) dengan target pH pada t+1, t+2 dan t+3. Parameter model adalah Optimizer dengan Adaptive Moment (Adam) sebagai Optimizer, aktivasi menggunakan Rectified Linear Unit (ReLU) dengan jumlah Epoch 500, dan Loss menggunakan Mean Squared Error (MSE). Kriteria Evaluasi menggunakan Coefficient of Determination (R2 ), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE). Hasil pemodelan menunjukkan selisih terendah antara pH riil dengan pH prediksi adalah 0 dan tertinggi 0,79. Pada model CNN, dari 9 nilai R2 ada 7 yang mendekati nilai 1, artinya persamaan regresi sesuai antara nilai variabel dependen dengan variabel independen, dan 2 mendekati nilai 0 yang artinya persamaan regresi tidak sesuai antara nilai variabel dependen dengan variabel independen. Selanjutnya, dari 9 nilai MAPE terdapat 5 nilai yang menunjukkan model prediksi baik, sisanya berada dalam rentang model prediksi cukup. Pada model LSTM, ada 8 dari 9 R2 yang memiliki nilai mendekati 1 dan hanya 1 yang mendekati 0. Selanjutnya, 6 dari 9 MAPE berada dalam rentang model prediksi baik, sisanya berada dalam rentang model prediksi cukup. Dari hasil penelitian diketahui bahwa semakin jauh titik prediksi yang di tuju maka relasi antara pH riil dengan pH prediksi semakin lemah. Ini ditunjukan oleh nilai R2 semakin kecil pada t+3 untuk semua parameter input. Dari hasil di atas disimpul bahwa Model LSTM dan CNN dapat digunakan untuk memprediksi kualitas air sungai Ciliwung berdasarkan parameter pH karena mayoritas nilai R2 mendekati 1, MAPE sebagian besar berada dalam model prediksi kelompok baik. Di antara dua model yang digunakan, model LSTM lebih baik dari pada model CNN karena memiliki nilai R2 yang mendekati 1 dan MAPE pada model prediksi baik lebih banyak.......This research predicts the water quality of the Ciliwung River based on pH parameters from Online Monitoring using two Deep Learning models, namely Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM). The input parameter is pH with three combination scenarios, namely odd times (t, t-1, t-3, t-5), even (t, t+2, t-4, t-6) and sequential times (t, t -1, t-2, t-3) with pH targets at t+1, t+2 and t+3. The model parameters are Optimizer with Adaptive Moment (Adam) as Optimizer, activation uses Rectified Linear Unit (ReLU) with a number of Epochs of 500, and Loss uses Mean Squared Error (MSE). Evaluation criteria use Coefficient of Determination (R2), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE). The modeling results show that the lowest difference between real pH and predicted pH is 0 and the highest is 0.79. In the CNN model, of the 9 R2 values there are 7 that are close to 1, meaning that the regression equation matches the value of the dependent variable and the independent variable, and 2 are close to 0, which means that the regression equation does not match the value of the dependent variable and the independent variable. Furthermore, of the 9 MAPE values, there are 5 values that indicate a good prediction model, the rest are in the range of a sufficient prediction model. In the LSTM model, there are 8 out of 9 R2 which have values close to 1 and only 1 which is close to 0. Furthermore, 6 out of 9 MAPEs are in the good prediction model range, the rest are in the fair prediction model range. From the research results, it is known that the further away the prediction point is, the weaker the relationship between real pH and predicted pH. This is shown by the R2 value getting smaller at t+3 for all input parameters. From the results above, it can be concluded that the LSTM and CNN models can be used to predict the water quality of the Ciliwung River based on the pH parameter because the majority of R2 values are close to 1, the MAPE is mostly in the good group prediction model. Between the two models used, the LSTM model is better than the CNN model because it has an R2 value that is close to 1 and the MAPE in the good prediction model is higher."