Memanfaatkan COBIT 5 untuk Meningkatkan Keamanan Sistem Informasi pada Lembaga Pendidikan (Studi Kasus : Universitan Z)
Notice bibliographique
Résumé
Kebutuhan akan sistem informasi yang aman dan terpercaya menjadi salah satu aspek yang vital bagi lembaga pendidikan di era digital saat ini. Sistem informasi yang handal mampu meningkatkan efisiensi operasional serta kualitas pelayanan dan keamanan data, yang semuanya sangat penting bagi institusi pendidikan seperti Universitas Z. Metodologi yang digunakan penulis dalam pelaksanaan tugas akhir ini adalah metodologi COBIT 5 yang berfokus pada proses APO13 dan DSS05. Penelitian ini akan membahas mengenai memanfaatkan COBIT 5 untuk meningkatkan keamanan sistem informasi di Universitas Z, dengan harapan dapat memberikan kontribusi nyata dalam meningkatkan keamanan data dan sistem di lembaga pendidikan lainnya. Sehingga Penerapan COBIT 5 di Universitas Z telah menghasilkan manajemen risiko yang sistematis dan komprehensif. Kata Kunci : COBIT 5, keamanan sistem informasi, proses APO13, DSS05
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 | 0,007 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,009 | 0,005 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,047 | 0,010 |
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 ».