Analisis Arsitektur E-government dengan Menggunakan Kerangka Kerja Federal Enterprise Architecture (FEA)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
e-government kini menjadi salah satu hal yang penting dalam penyelenggaraan pemerintahan. Hal tersebut disebabkan penerapan e-government dapat meningkatkan kualitas layanan pemerintahan menjadi lebih efektif dan efisien. Purwakarta merupakan salah satu kabupaten di Indonesia yang telah menerapkan e-government. Namun, penerapan e-government di Kabupaten Purwakarta masih pada tahap catalogue, yaitu sebatas pemberian informasi pemerintahan melalui website pemerintahan. Oleh karena itu, diperlukan suatu analisis mendalam mengenai arsitektur e-government di Pemerintahan Kabupaten Purwakarta yang hasilnya dapat digunakan untuk menggambarkan tingkat maturitas setiap komponen arsitektur dan juga dapat digunakan sebagai acuan untuk merencanakan pengembangan arsitektur e-government sampai ke tahap horizontal integration. Penelitian ini mengimplementasikan Federal Enterprise Architecture (FEA) dengan menggunakan Collaborative Planning Methodology (CPM) sebagai metodenya. Implementasi CPM hanya pada fase Organize and Plan yang terdiri dari tiga tahapan, yaitu Identify and Validate, Research and Leverage, serta Define and Plan pada aktivitas yang berkaitan dengan analisis kondisi arsitektur yang saat ini sedang berjalan. Implementasi kerangka kerja FEA pada penelitian ini tidak dilakukan secara utuh tapi disesuaikan dengan kondisi Pemerintahan Kabupaten Purwakarta. Hasil dari penelitian ini adalah analisis arsitektur strategi, bisnis, data, aplikasi, infrastruktur, dan keamanan sistem e-government di Kabupaten Purwakarta, serta tingkat maturitas dari setiap arsitektur tersebut
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,004 | 0,008 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,007 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle