Adopsi IoT Pada Core Process Trucking di Indonesia Dengan Menggunakan TOGAF Framework
Notice bibliographique
Résumé
Biaya logistik di Indonesia masih tergolong mahal yang disebabkan kurangnya infrastruktur, teknologi, kemampuan sumber daya manusia, kebijakan logistik pemerintah, terjadinya bencana alam, serta seringnya pungutan liar. Pelanggan belum menerima informasi secara real time. Hal ini dapat berdampak kepada kepuasan pelanggan serta terlambatnya proses pembayaran dari pelanggan. Untuk menjawab tantangan-tantangan ini, pelaku usaha trucking diharuskan untuk melakukan inovasi serta meningkatkan kinerja dan utilisasi kendaraan yang dimiliki terutama dengan pemanfaatan teknologi internet of things (IoT). Implementasi teknologi IoT pada perusahaan trucking memerlukan perencanaan enterprise architecture, sehingga teknologi yang diimplemntasikan sesuai dengan kebutuhan bisnis. Pada jurnal ini akan membahas bagaimana pemanfaatan teknologi IoT dalam mendukung tujuan bisnis dan proses operasional pada core process perusahaan trucking di Indonesia, serta memberikan rekomendasi enterprise architecture sesuai TOGAF yang dapat diimplementasikan pada core process bisnis trucking di Indonesia. Rekomendasi enterprise architecture divisualisasikan melalui archimate, sehingga dapat dengan mudah dipahami dan diadptasi oleh pelaku usaha bisnis trucking atau pemerintah.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,005 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».