Claim Missing Document
Check
Articles

Found 33 Documents
Search

Kepemimpinan dalam Mengelola Perubahan dan Inovasi Organisasi (Kajian Literatur) Usman Rianse; Muhamad Rajulan; Djoni Tepu; La Ode Muhammad Ichwan Sjachrawy; Maudhy Satyadharma
Punggawa Global Research: Jurnal Multidisiplin Vol. 1 No. 5 (2026): Punggawa Global Research: October
Publisher : Punggawa Legacy Center

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.67707/pgr.v1i5.386

Abstract

Perubahan dan inovasi merupakan kebutuhan strategis bagi organisasi dalam menghadapi dinamika globalisasi, perkembangan teknologi, dan tuntutan peningkatan kinerja. Artikel ini bertujuan mengkaji konsep kepemimpinan dalam mengelola perubahan dan inovasi organisasi berdasarkan perspektif Yukl (2013) pada pembahasan Leading Change and Innovation melalui pendekatan kajian literatur. Hasil kajian menunjukkan bahwa kepemimpinan memiliki peran sentral sebagai agen perubahan yang mampu membangun visi, mengelola resistensi, mendorong inovasi, serta menciptakan budaya organisasi yang adaptif. Kepemimpinan inovatif, adaptif, kolaboratif, dan digital terbukti berkontribusi terhadap peningkatan efektivitas organisasi, kualitas pelayanan publik, keberhasilan reformasi birokrasi, serta transformasi organisasi yang berkelanjutan. Selain itu, pengembangan sumber daya manusia dan pemanfaatan teknologi informasi menjadi faktor pendukung penting dalam mewujudkan organisasi yang tangguh, responsif, dan berdaya saing di tengah lingkungan yang terus berubah.
Penguatan Kompetensi ASN dan Inovasi Pelayanan Publik dalam Mendukung Reformasi Birokrasi dan Pembangunan Berkelanjutan: Kajian Literatur Usman Rianse; Anshar; Sahrul; Djoni Tepu; Maudhy Satyadharma
Punggawa Global Research: Jurnal Multidisiplin Vol. 1 No. 5 (2026): Punggawa Global Research: October
Publisher : Punggawa Legacy Center

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.67707/pgr.v1i5.387

Abstract

Penelitian ini bertujuan menganalisis keterkaitan kompetensi Aparatur Sipil Negara (ASN), inovasi pelayanan publik, reformasi birokrasi, dan pembangunan berkelanjutan. Penelitian menggunakan pendekatan kualitatif dengan metode literature review melalui identifikasi, seleksi, pengelompokan, analisis tematik, dan sintesis terhadap sepuluh artikel jurnal serta sumber kebijakan yang relevan. Hasil kajian menunjukkan bahwa transformasi birokrasi membutuhkan kompetensi digital dan adaptif, kepemimpinan, budaya inovasi, sistem merit, digitalisasi, integrasi data, kolaborasi, serta evaluasi berkelanjutan. Inovasi pelayanan publik menjadi instrumen penting untuk meningkatkan efektivitas, transparansi, akuntabilitas, dan responsivitas pelayanan. Integrasi seluruh aspek tersebut mendukung terbentuknya organisasi publik profesional, adaptif, inovatif, dan berorientasi pada pembangunan berkelanjutan.
Weather-Aware Machine Learning for Urban Traffic Volume Prediction and Congestion Analysis Dilli Ram Rai; Maudhy Satyadharma; Edward Francis G. Gabor
Journal of Engineering and Applied Technology Vol 2 No 2 (2026): : December: Scripta Technica: Journal of Engineering and Applied Technology
Publisher : CV SCRIPTA INTELEKTUAL MANDIRI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.65310/wdt0rs27

Abstract

Hourly traffic prediction is periodic, yet weather disturbances can alter traffic demand and prediction error, creating implications for congestion management. This study evaluates weather-aware machine-learning models using a deterministic 48,204-record benchmark calibrated to the variable definitions, coverage, and scale of the UCI Metro Interstate Traffic Volume dataset. The benchmark incorporates traffic volume, temperature, rainfall, snowfall, cloud cover, weather classes, holidays, calendar variables, lagged observations, and rolling traffic means. Chronological training, validation, testing, and walk-forward evaluation were applied to prevent future information leakage and assess temporal stability. Ridge regression, Random Forest, Extra Trees, Gradient Boosting, HistGradientBoosting, and a 24-hour persistence baseline were compared using RMSE, MAE, R², and sMAPE. HistGradientBoosting achieved the lowest test error, with RMSE of 364.34 vehicles/hour, MAE of 287.64 vehicles/hour, and R² of 0.949. Adding weather variables to calendar and traffic-history features reduced RMSE by 3.39%. Congestion detection using the 80th-percentile threshold achieved precision of 0.898, recall of 0.807, and F1 of 0.850. Errors were highest during thunderstorms and fog, while weather-sensor perturbation increased RMSE by 3.93%. The findings indicate that weather provides incremental contextual information, whereas temporal structure and recent traffic state remain dominant predictors. The calibrated reconstruction requires validation against original source records before deployment.