• Home
  • Berita
  • 10th International Conference of Entrepreneurial Finance

6516a5a9dfd49-1695983017

10th International Conference of Entrepreneurial Finance

admin 29 Sep 2023

Please find attached the call for papers of the 10th International Conference of Entrepreneurial Finance CIFEMA' 2023.

Conference Theme: : Islamic Economics and Finance in  a Changing Reality : Challenges and Development Prospects

The conference will be held on 22–24 November 2023 at the National School of Trade and Management (Acronym ENCG), Ibn Zohr University, Agadir-Morocco.

Please feel free to forward this call to any researcher who may be interested.
Prof. Dr. Ahmed Chakir,
organizing committee

Anda Mungkin Suka

64ffe7bf6ae1e-1694492607

3V: TIGA KARAKTERISTIK UTAMA BIG DATA

Big data adalah istilah yang digunakan untuk menggambarkan volume besar, keragaman, dan kecepatan tinggi data yang dihasilkan oleh berbagai sumber, seperti sensor, perangkat mobile, media sosial, transaksi bisnis, dan banyak lagi. Big data juga melibatkan data yang bervariasi dalam format dan jenis, termasuk teks, gambar, audio, dan video.

 

Ada tiga karakteristik utama dari big data yang dikenal sebagai "3V" yaitu:

1. Volume: Big data melibatkan jumlah data yang sangat besar. Ini bisa berarti terabytes, petabytes, atau bahkan exabytes data, yang jauh lebih besar dari apa yang dapat ditangani oleh sistem tradisional.

2. Velocity: Data yang dihasilkan dalam konteks big data sering kali datang dengan kecepatan tinggi. Contohnya adalah data streaming dari sensor IoT (Internet of Things) atau data dari media sosial yang terus-menerus diperbarui.

3. Variety: Big data mencakup berbagai jenis data, termasuk data terstruktur (misalnya, data dalam database relasional), data semi-terstruktur (misalnya, data dalam format XML atau JSON), dan data tak terstruktur (misalnya, teks dalam posting media sosial atau dokumen). Kombinasi dari berbagai jenis data ini menambah kompleksitas analisis big data.

 

Selain "3V," beberapa tambahan karakteristik telah ditambahkan ke konsep big data, seperti "Variability" (variabilitas dalam kecepatan dan jenis data), "Veracity" (keandalan dan keakuratan data), dan "Value" (kemampuan untuk mendapatkan wawasan berharga dari data tersebut).

Tujuan dari analisis big data adalah untuk mengidentifikasi pola, tren, dan wawasan yang dapat membantu organisasi dalam pengambilan keputusan yang lebih baik. Ini bisa digunakan di berbagai industri, termasuk bisnis, ilmu pengetahuan, kesehatan, dan banyak lagi. Solusi teknologi seperti sistem penyimpanan data yang skala-able, algoritma pemrosesan data yang cepat, dan teknik analisis data maju digunakan untuk mengatasi tantangan yang terkait dengan big data.

66839ba7b4be5-1719901095

Keamanan Data Kominfo di Ujung Tanduk: Peran Vital Peneliti dan Akademisi

Baru-baru ini, Indonesia diguncang oleh kasus kebocoran data yang melibatkan Kementerian Komunikasi dan Informatika (Kominfo). Kasus ini menimbulkan kekhawatiran yang serius tentang privasi dan keamanan data pribadi warga negara. Krisis ini menyoroti kelemahan dalam sistem perlindungan data pemerintah dan menuntut tindakan nyata dari berbagai pihak, termasuk peneliti dan akademisi. Artikel ini akan membahas krisis kebocoran data pada Kominfo dan langkah-langkah yang perlu diambil oleh peneliti dan akademisi untuk mengatasi masalah ini.

Latar Belakang Kebocoran Data pada Kominfo

Kebocoran data yang melibatkan Kominfo mencakup sejumlah besar informasi pribadi yang sensitif. Data yang bocor termasuk nama lengkap, nomor paspor, tanggal lahir, dan informasi lainnya yang dapat digunakan untuk mencuri identitas seseorang. Kebocoran ini diduga terjadi karena kelemahan dalam sistem keamanan yang digunakan oleh Kominfo atau pihak ketiga yang mengelola data tersebut.

Sumber kebocoran bisa bermacam-macam, mulai dari serangan siber oleh peretas, kesalahan manusia, hingga ketidakpatuhan terhadap protokol keamanan. Apapun penyebabnya, dampaknya terhadap individu dan masyarakat sangat merugikan. Selain ancaman langsung terhadap privasi, kebocoran ini juga merusak kepercayaan publik terhadap kemampuan pemerintah dalam melindungi data pribadi warganya.

Dampak Kebocoran Data pada Kominfo

Dampak dari kebocoran data yang melibatkan Kominfo sangat luas dan beragam. Beberapa dampak utama termasuk:

  1. Pencurian Identitas: Data pribadi yang bocor dapat digunakan oleh pelaku kejahatan untuk mencuri identitas seseorang. Ini bisa berujung pada pembukaan rekening bank fiktif, aplikasi kredit palsu, dan bahkan kegiatan kriminal lainnya atas nama korban.
  2. Kehilangan Kepercayaan Publik: Kebocoran data yang melibatkan lembaga pemerintah merusak kepercayaan masyarakat terhadap institusi yang seharusnya melindungi mereka. Ini bisa mengurangi partisipasi warga dalam program-program pemerintah dan menurunkan legitimasi pemerintah itu sendiri.
  3. Kerugian Ekonomi: Individu yang identitasnya dicuri seringkali mengalami kerugian finansial yang signifikan. Selain itu, perusahaan yang datanya bocor juga dapat menghadapi sanksi hukum dan kehilangan reputasi, yang berdampak pada penurunan nilai saham dan kepercayaan investor.

Tindakan yang Harus Dilakukan oleh Peneliti dan Akademisi

Peneliti dan akademisi memiliki peran penting dalam membantu mengatasi krisis kebocoran data ini. Beberapa tindakan yang dapat mereka ambil meliputi:

1. Penelitian dan Pengembangan Teknologi Keamanan

Peneliti di bidang keamanan siber dapat berkontribusi dengan mengembangkan teknologi yang lebih aman untuk melindungi data pribadi. Ini termasuk:

  • Enkripsi Data: Mengembangkan algoritma enkripsi yang lebih kuat untuk melindungi data selama penyimpanan dan transmisi. Enkripsi yang kuat memastikan bahwa data yang bocor tidak dapat dibaca oleh pihak yang tidak berwenang.
  • Sistem Autentikasi: Mengembangkan metode autentikasi multifaktor yang lebih aman dan mudah digunakan untuk memastikan hanya pengguna yang berwenang yang dapat mengakses data. Autentikasi biometrik, token keamanan, dan autentikasi dua faktor dapat meningkatkan keamanan.
  • Deteksi Intrusi: Meningkatkan sistem deteksi intrusi untuk mengenali dan merespons serangan siber dengan cepat. Teknologi ini dapat memantau aktivitas jaringan secara real-time dan mendeteksi anomali yang mungkin menunjukkan serangan siber.

2. Analisis Kebijakan dan Regulasi

Akademisi di bidang hukum dan kebijakan publik dapat mengevaluasi dan merekomendasikan perubahan kebijakan untuk meningkatkan perlindungan data. Ini termasuk:

  • Evaluasi Regulasi: Meninjau regulasi yang ada untuk mengidentifikasi kelemahan dan celah yang memungkinkan kebocoran data. Evaluasi ini harus mencakup analisis terhadap undang-undang perlindungan data, kebijakan privasi, dan standar keamanan yang diterapkan oleh lembaga pemerintah.
  • Pengembangan Kebijakan: Merekomendasikan kebijakan baru yang memperkuat perlindungan data pribadi, seperti undang-undang privasi yang lebih ketat dan sanksi yang lebih berat bagi pelanggaran. Kebijakan ini harus dirancang untuk memberikan perlindungan yang komprehensif terhadap data pribadi dan memastikan kepatuhan yang ketat.
  • Pendidikan dan Kesadaran: Mengembangkan program pendidikan dan kampanye kesadaran untuk meningkatkan pemahaman masyarakat dan lembaga tentang pentingnya keamanan data. Program ini harus mencakup pelatihan tentang praktik terbaik dalam keamanan data, serta upaya untuk meningkatkan kesadaran tentang risiko kebocoran data dan cara melindungi diri.

3. Studi Dampak Sosial dan Ekonomi

Peneliti sosial dan ekonomi dapat menganalisis dampak kebocoran data pada individu dan masyarakat. Ini membantu dalam memahami sejauh mana kerugian yang ditimbulkan dan merancang intervensi yang tepat. Beberapa aspek yang dapat dianalisis meliputi:

  • Dampak Ekonomi: Mengukur kerugian finansial yang dialami individu dan perusahaan akibat kebocoran data. Penelitian ini dapat mencakup analisis biaya pemulihan identitas, kerugian bisnis, dan dampak ekonomi secara keseluruhan.
  • Dampak Psikologis: Meneliti dampak psikologis terhadap korban pencurian identitas, termasuk stres, kecemasan, dan kehilangan kepercayaan. Penelitian ini dapat membantu dalam merancang program dukungan untuk korban dan meningkatkan pemahaman tentang dampak jangka panjang dari kebocoran data.
  • Kesejahteraan Sosial: Menganalisis bagaimana kebocoran data mempengaruhi kesejahteraan sosial dan kohesi masyarakat. Penelitian ini dapat mengevaluasi dampak kebocoran data terhadap hubungan sosial, kepercayaan antarwarga, dan rasa aman dalam masyarakat.

4. Kolaborasi dan Penyebaran Pengetahuan

Pemerintah harus menggandeng Akademisi peneliti, industri, dan masyarakat untuk mengatasi masalah kebocoran data. Ini termasuk:

  • Kolaborasi Antar Disiplin: Membentuk tim lintas disiplin yang menggabungkan keahlian di bidang teknologi, hukum, ekonomi, dan sosial untuk menemukan solusi komprehensif. Kolaborasi ini dapat menghasilkan pendekatan yang lebih holistik dan efektif dalam menangani kebocoran data.
  • Penyebaran Pengetahuan: Menerbitkan hasil penelitian dalam jurnal ilmiah, laporan kebijakan, dan media populer untuk meningkatkan pemahaman publik dan pemangku kepentingan. Penyebaran pengetahuan yang luas dapat membantu dalam membangun kesadaran dan mendorong tindakan yang tepat untuk melindungi data pribadi.
  • Pelatihan dan Workshop: Mengadakan pelatihan dan workshop untuk meningkatkan keterampilan dan kesadaran tentang keamanan data di kalangan profesional dan masyarakat umum. Program pelatihan ini dapat mencakup praktik terbaik dalam keamanan siber, penggunaan alat enkripsi, dan metode perlindungan data lainnya.

5. Penerapan dan Evaluasi Intervensi

Peneliti dapat mengembangkan dan menguji intervensi untuk meningkatkan keamanan data. Beberapa langkah yang bisa dilakukan adalah:

  • Proyek Percontohan: Melakukan proyek percontohan untuk menguji efektivitas teknologi atau kebijakan baru sebelum diterapkan secara luas. Proyek percontohan ini dapat memberikan wawasan tentang keberhasilan dan tantangan yang mungkin dihadapi dalam penerapan skala besar.
  • Evaluasi Program: Mengevaluasi program dan kebijakan yang sudah diterapkan untuk menentukan keberhasilan dan area yang memerlukan perbaikan. Evaluasi ini harus mencakup analisis kualitatif dan kuantitatif untuk mengukur dampak intervensi dan mengidentifikasi faktor-faktor yang mempengaruhi keberhasilannya.
  • Umpan Balik dan Perbaikan: Menggunakan umpan balik dari evaluasi untuk memperbaiki dan memperkuat intervensi yang ada. Proses ini harus melibatkan pemangku kepentingan utama dan memastikan bahwa perubahan yang dilakukan berdasarkan data dan temuan yang valid.

Kesimpulan

Kebocoran data pada Kominfo adalah masalah serius yang memerlukan perhatian dan tindakan dari berbagai pihak, termasuk peneliti dan akademisi. Dengan mengembangkan teknologi keamanan yang lebih baik, mengevaluasi dan mengusulkan perubahan kebijakan, menganalisis dampak sosial dan ekonomi, serta bekerja sama dengan berbagai pemangku kepentingan, peneliti dan akademisi dapat memainkan peran kunci dalam mengatasi masalah ini. Penelitian yang mendalam dan kolaboratif, serta penyebaran pengetahuan yang luas, akan membantu dalam membangun sistem perlindungan data yang lebih kuat dan mengembalikan kepercayaan masyarakat terhadap pemerintah dan institusi yang bertanggung jawab. Melalui pendekatan ini, diharapkan dapat tercipta lingkungan yang lebih aman dan terlindungi bagi data pribadi warga negara.

650d433597c6f-1695367989

ULASAN SINGKAT METODE KUANTITATIF

Metode kuantitatif adalah pendekatan penelitian yang mengumpulkan data berupa angka dan melakukan analisis statistik untuk menghasilkan informasi yang objektif dan dapat diukur. Berikut adalah beberapa poin penting tentang metode kuantitatif secara singkat:

 

Tujuan: Metode ini digunakan untuk mengukur hubungan antara variabel, mengidentifikasi pola, dan membuat generalisasi berdasarkan data numerik.

Desain Penelitian: Penelitian kuantitatif seringkali melibatkan desain eksperimen atau survei. Data dikumpulkan melalui instrumen seperti kuesioner, tes, atau observasi terstruktur.

Sampling: Penelitian kuantitatif sering menggunakan sampel yang mewakili populasi yang lebih besar. Sampling yang baik sangat penting untuk mendapatkan hasil yang dapat dipercaya.

Analisis Data: Data dikumpulkan dalam bentuk angka dan kemudian dianalisis menggunakan teknik statistik seperti regresi, uji hipotesis, atau analisis varian untuk mengidentifikasi pola atau hubungan yang signifikan.

Objektivitas: Metode ini berusaha untuk menghindari pengaruh peneliti dalam pengumpulan dan analisis data, sehingga hasilnya lebih obyektif.

Replikasi: Penelitian kuantitatif seringkali mendorong replikasi atau pengulangan studi oleh peneliti lain untuk memeriksa keabsahan temuan.

Hasil: Hasil dari penelitian kuantitatif biasanya disajikan dalam bentuk angka, tabel, grafik, atau statistik deskriptif.

Keuntungan: Metode kuantitatif memungkinkan generalisasi yang lebih kuat, memungkinkan pengujian hipotesis secara sistematis, dan dapat memberikan hasil yang lebih obyektif dan dapat diukur.

Keterbatasan: Metode ini cenderung mengabaikan konteks dan pemahaman mendalam tentang fenomena yang diteliti, serta terbatas dalam menangani aspek kualitatif atau nuansamenjadi objektif.

Contoh: Misalnya, sebuah penelitian kuantitatif dapat digunakan untuk mengukur pengaruh faktor-faktor seperti pendidikan, pengalaman kerja, dan usia terhadap tingkat penghasilan dalam sebuah populasi.

 

Metode kuantitatif adalah salah satu pendekatan yang populer dalam ilmu sosial, ilmu alam, dan berbagai bidang penelitian lainnya untuk mengumpulkan dan menganalisis data dengan pendekatan yang lebih terstruktur dan menghasilkan informasi yang dapat diukur secara empiris.

6573e14ea07d7-1702093134

Automatic Evaluation System: Apa saja elemen inovatifnya?

Inovasi dalam Sistem Penilaian Otomatis (Automatic Evaluation System) melibatkan penerapan teknologi canggih, terutama kecerdasan buatan (AI), untuk meningkatkan kecepatan, efisiensi, dan akurasi dalam mengevaluasi artikel jurnal. Berikut adalah beberapa elemen inovatif dalam pengembangan sistem penilaian otomatis:

 

>Penggunaan Kecerdasan Buatan (AI): Implementasi teknologi kecerdasan buatan memungkinkan sistem untuk belajar dari pola penilaian sejawat yang telah ada, memahami konteks dan kompleksitas bahasa ilmiah, serta memberikan penilaian yang lebih mendalam.

>Analisis Konteks dan Keterkaitan: Sistem dapat mengevaluasi artikel dengan memahami konteksnya, termasuk relevansi topik, urgensi penelitian, dan kontribusi terhadap literatur ilmiah yang sudah ada.

>Penilaian Multi-Aspek: Sistem dapat diprogram untuk menilai artikel melalui berbagai aspek, seperti metodologi penelitian, kejelasan presentasi, kontribusi unik, dan interpretasi data, memberikan penilaian yang lebih holistik.

>Pelabelan Otomatis dan Analisis Sentimen: Penggunaan teknologi pemrosesan bahasa alami (NLP) dan analisis sentimen memungkinkan sistem untuk menilai tingkat kejelasan, kohesi, dan sentimen umum dalam tulisan, membantu dalam mengevaluasi kualitas bahasa dan penyampaian pesan.

>Integrasi dengan Basis Data Ilmiah: Sistem dapat terhubung dengan basis data ilmiah besar untuk memeriksa keaslian dan orisinalitas artikel, mengidentifikasi potensi plagiarisme, dan memastikan bahwa kontribusi penelitian benar-benar baru.

>Adaptabilitas terhadap Bidang Penelitian: Sistem dapat disesuaikan dengan kebutuhan dan norma penilaian yang berlaku dalam berbagai bidang penelitian, memastikan keakuratan dan relevansi penilaian.

>Penggunaan Algoritma Pencocokan Penilai: Algoritma dapat digunakan untuk mencocokkan artikel dengan penilai yang memiliki keahlian khusus yang sesuai, meningkatkan akurasi penilaian dan memberikan umpan balik yang lebih bermakna.

>Analisis Kualitas Statistik dan Metodologi: Sistem dapat menganalisis metode penelitian dan statistik yang digunakan, mengidentifikasi kelemahan metodologi dan memberikan rekomendasi untuk perbaikan.

>Pemahaman Kontribusi Terhadap Literatur Ilmiah: Sistem dapat mengevaluasi bagaimana artikel berkontribusi terhadap literatur ilmiah yang sudah ada, membantu membedakan antara penelitian yang bersifat inkremental dan yang bersifat revolusioner.

>Ketersediaan Umpan Balik Otomatis: Sistem dapat memberikan umpan balik otomatis kepada penulis, memberikan informasi yang lebih rinci mengenai kelebihan dan kekurangan artikel serta saran perbaikan.

 

Dengan menggabungkan teknologi ini, sistem penilaian otomatis dapat mengoptimalkan proses penelaahan sejawat dengan memberikan hasil yang cepat, akurat, dan dapat diandalkan, mendukung kemajuan ilmu pengetahuan dan penyuntingan jurnal.