Claim Missing Document
Check
Articles

Found 3 Documents
Search

Strategi Pengembangan Startup Teknologi di Indonesia Melalui IT Business Incubation: Technology Startup Development Strategy in Indonesia Through IT Business Incubation Padli, Ahmad; Khairunnisa, Novita; Khanza, Aulia; Andayani, Dwi; Halim, Erwin
Jurnal MENTARI: Manajemen, Pendidikan dan Teknologi Informasi Vol 3 No 1 (2024): September
Publisher : Pandawan Sejahtera Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33050/mentari.v3i1.621

Abstract

Startup teknologi Indonesia semakin berperan penting dalam perekonomian digital di tengah pesatnya kemajuan teknologi dan meningkatnya kebutuhan akan inovasi di berbagai industri. Tujuan dari penelitian ini adalah untuk menemukan dan menilai strategi yang berguna untuk membangun startup teknologi melalui inkubasi bisnis berbasis teknologi informasi (IT Business Incubation). Analisis kualitatif dan studi kasus dilakukan pada berbagai inkubator bisnis yang berhasil di Indonesia. Hasil penelitian menunjukkan bahwa akses ke pendanaan, bimbingan dari mentor yang berpengalaman, jaringan bisnis yang luas, dan dukungan infrastruktur yang memadai adalah komponen penting untuk keberhasilan inkubasi startup. Selain itu, kolaborasi dengan lembaga pendidikan dan penelitian, serta kebijakan pemerintah yang mendukung, merupakan faktor penting dalam menciptakan ekosistem yang menguntungkan untuk pertumbuhan startup. Studi ini menemukan bahwa meningkatkan daya saing dan keberlanjutan startup teknologi di Indonesia memerlukan pendekatan holistik dan kerja sama antara berbagai pemangku kepentingan.
Efektivitas Digital Learning Platform terhadap Motivasi Mahasiswa menggunakan Studi Literatur Sunarjo, Richard Andre; Yusup, Muhammad; Andayani, Dwi; Alwiyah, Alwiyah; Khairunnisa, Novita; Khanza, Aulia
CICES (Cyberpreneurship Innovative and Creative Exact and Social Science) Vol 11 No 1 (2025): CICES
Publisher : UNIVERSITAS RAHARJA

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33050/cices.v11i1.3234

Abstract

Penelitian ini bertujuan untuk mengeksplorasi dan mengevaluasi penerapan digital learning platform untuk meningkatkan motivasi mahasiswa di era digital. Di tengah perubahan lanskap pendidikan yang dipengaruhi oleh teknologi, motivasi mahasiswa menjadi faktor kunci keberhasilan belajar. Penelitian ini mengintegrasikan konsep-konsep dari teori motivasi, teknologi pendidikan, dan metode digital learning platform untuk merancang strategi pembelajaran yang berfokus pada partisipasi aktif mahasiswa. Pendekatan penelitian memadukan untuk memahami dampak penerapan metode digital learning platform terhadap motivasi mahasiswa. Temuan menunjukkan bahwa penggunaan metode digital learning platform, seperti pembelajaran berbasis realita virtual, pembelajaran berbasis gamifikasi, dan metode pembelajaran simulasi komputer dapat meningkatkan keterlibatan dan motivasi mahasiswa dalam belajar secara signifikan. Implikasi dari penelitian ini menunjukkan bahwa penerapan digital learning platform dapat memberikan manfaat yang signifikan bagi mahasiswa, termasuk peningkatan motivasi, keterlibatan, dan keterampilan belajar. Dengan memanfaatkan teknologi digital secara efektif, mahasiswa dapat mencapai hasil belajar yang lebih baik dan siap menghadapi tantangan di era digital.
Evaluating the Effectiveness of Machine Learning in Cyber Threat Detection Khanza, Aulia; Yulian, Firdaus Dwi; Khairunnisa, Novita; Yusuf, Natasya Aprila; Nuche, Asher
CORISINTA Vol 1 No 2 (2024): August
Publisher : Pandawan Sejahtera Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33050/ysdncf05

Abstract

In today's digital era, cyber threats pose significant challenges to organizations, necessitating more advanced detection methods. This study aims to evaluate the effectiveness of machine learning (ML) techniques in detecting cyber threats, focusing on supervised, unsupervised, and reinforcement learning models. Using datasets such as CICIDS2017, the study trains models including Random Forest, Support Vector Machines (SVM), and Neural Networks. The evaluation is based on accuracy, precision, recall, and F1-score metrics. The results demonstrate that the Random Forest model outperforms others with an accuracy of 92.5\%, a precision of 91.8\%, and an F1-score of 92.4\%. This superior performance highlights its potential for real-time threat detection, as evidenced by a case study where the model effectively identified previously undetected cyber threats in a large technology company's network. However, the study also acknowledges challenges such as data quality and the need for continuous model updates. The findings suggest that integrating ML models into cybersecurity frameworks can significantly enhance threat detection efficiency. Future research should explore combining ML with traditional methods and improving model robustness against adversarial attacks to further advance cybersecurity measures.