PERENCANAAN STRATEGIS SISTEM INFORMASI /TEKNOLOGI INFORMASI INNA GRAND BALI BEACH
Bibliographic record
Abstract
Perkembangan teknologi sejak lama sudah menyebabkan timbulnya persaingan bisnis yang sangat ketat antar perusahaan. Sebuah sistem informasi menjadi penting dalam membantu jalannya perusahaan dalam ekonomi global saat ini. Dalam hal tersebut, INNA Grand Bali Beach yang merupakan salah satu hotel berbintang lima harus memiliki perencanaan strategis sistem informasi untuk bisa bersaing di dunia bisnis yang semakin berkembang dan memiliki banyak pesaing bisnis. Saat ini INNA Grand Bali Beach masih menggunakan sistem informasi yang menunjang kegiatan berbisnis di hotel tersebut, tapi sistem informasi dirasakan kurang maksimal yang menyebabkan lambatnya transfer data ke server Penelitian ini bertujuan untuk memberikan solusi strategis perencanaan pada sistem informasi di hotel INNA Grand Bali Beach untuk kedepannya agar dapat berkompetisi di bidang bisnis perhotelan. Metode yang digunakan adalah Ward and Peppard, dengan menggunakan analisis data SWOT, PEST, Value Chain, Five Forces, Critical Success Factor. Metode pengumpulan data yang digunakan adalah teknik wawancara dan observasi. Berdasarkan analisis SWOT yang dilakukan dengan menggunakan diagram matriks SWOT, didapatkan hasil Eksternal Faktor Analisis SWOT yaitu 1,9 dan pada Internal Faktor Analisis SWOT didapatkan hasil -1, yang berarti berada pada kuadran mengubah strategi. Ini berarti perusahaan disarankan untuk memperbaiki dan mengembangkan sumber daya manusia, sehingga dalam mengoperasikan suatu sistem informasi dapat lebih optimal. Hasil dari penelitian ini berupa portfolio perencanaan strategis sistem informasi mendatang dengan menambahkan beberapa sistem informasi seperti Customer Relationship Manajemen, Knowledge Management System, Sistem Informasi keluhan pelanggan, SI Security, SI Absensi, dan Aplikasi Mobile. Peneliti selanjutnya dapat melakukan penerapan perencanaan strategis sistem informasi yang berbeda terhadap penerapan di berbagai perusahaan lain yang menerapkannya dengan menambah pendektan faktor kepuasan pelanggan, efektifitas sistem informasi, pengaruhnya terhadap kinerja dan lain-lain.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.012 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.076 | 0.023 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".