Review Jurnal

KELOMPOK 2 - 3D
 The team
Dewi Juwita Dwi Rizki Anisa Nabilla Ashri Astia
16120126 16120116 16120107

Rustianti Septianti Tia Murti lestari Tini Sondari

16120110 16120113 16120120
 Jurnal 1
Social and Environment Risk
Management in Supply Chains: A
Survey in the Clothing Industry
 Abstrak
Permasalahan
Adanya masalah lingkungan dan sosial dalam rantai
pasokan yang terfragmentasi secara global. Meskipun
secara konseptualisasi manajemen rantai pasokan yang
berkelanjutan menunjukkan bahwa manajemen risiko
terkait pemasok untuk produk atau proses yang
berkelanjutan merupakan hal penting bagi perusahaan,
namun penelitian tentang bagaimana manajemen risiko
untuk masalah lingkungan dan sosial dalam rantai pasokan
sejauh ini masih terabaikan.
Tujuan
Bertujuan untuk menganalisis mengapa perusahaan-
perusahaan di industri pakaian melakukan manajemen risiko
sosial dan lingkungan dalam rantai pasokan mereka dan
tindakan apa yang mereka ambil.
Metode
1. Literatur.
2. Wawancara (10 orang ahli di bidang industri pakaian).
3. Studi empiris.
4. Pemodelan Persamaan Struktural.
Hasil
Menunjukkan signifikansi statistik yang tinggi untuk masing-masing
model konseptual. Pendorongnya berasal dari tekanan dan insentif
stakeholder dengan orientasi yang mendorong tindakan sosial yang
berbeda dengan pesaing.
Penelitian Sebelumnya
Memperluas penelitian sebelumnya tentang manajemen risiko
rantai pasokan yang didonimasi oleh daftar masalah risiko dan praktik
risiko serta nilai implikasi kinerja. Aspek mengapa perusahaan
melakukan manajemen risiko diabaikan.
 Teori
Teori 1 : Risiko
Dalam literatur terbaru, ada perspektif yang lebih luas. Risiko dipahami sebagai efek yang mencegah organisasi untuk mencapai
target yang telah ditetapkan. (Tony Hayward, 2007).

Teori 2 : Risiko Rantai Pasokan

''Risiko rantai pasokan melibatkan risiko yang dapat dikaitkan dengan gangguan aliran dalam barang, informasi, dan jaringan
keuangan, serta jaringan sosial dan kelembagaan. Mereka mungkin memiliki efek negatif pada pencapaian tujuan masing-masing
perusahaan dan seluruh rantai pasokan, terkait dengan nilai, biaya, waktu, atau kualitas pelanggan akhir" (Pfohl et al, 2017).
Tahapan Penelitian
 Hasil & Diskusi
Hasil Estimasi Model
1. Evaluasi Kualitas Model
Berorientasi pada katalog
kriteria kualitas non-
parametrik yang memadai,
sehingga evaluasi model
mengikuti proses bertingkat.
Hasil & Diskusi
1. Evaluasi Kualitas
Model
 Hasil & Diskusi
Hasil Estimasi Model
2. Evaluasi Model Pengukuran
Mengevaluasi reliabilitas model pengukuran menggunakan reliabilitas indikator, konstruk, validitas konvergen
dan diskriminan.
Hasil & Diskusi
Hasil Estimasi Model
2. Evaluasi Model Pengukuran
 Hasil & Diskusi
Hasil Estimasi Model
3. Evaluasi Model Persamaan Struktural
Didasarkan pada kriteria yang
mencerminkan koefisien jalur dalam
model struktural dan signifikansinya,
koefisien determinasi, ukuran efek F2 dan
relevansi prediksi.
 Hasil & Diskusi
Diskusi
Dalam operasi internasional dan rantai pasokan yang sangat relevan untuk sektor pakaian juga
berlaku untuk sektor lain, tuntutan hukum ini hanya sebagian yang relevan. Hasil penelitian ini
dapat membantu untuk memfokuskan pada diskusi permasalahan ini dan menawarkan panduan
untuk mengelola risiko lingkungan dan sosial dalam rantai pasokan mereka.

Faktor yang dipelajari menunjukkan beberapa perbedaan, kesuksesan secara keseluruhan

bergantung pada pengintegrasian semuanya. Studi ini membuktikan bahwa NGO memiliki dampak
yang tinggi terhadap tindakan perusahaan. Pada implikasi manajerial, hasilnya menunjukkan bahwa
perusahaan harus mempertimbangkan faktor pendorong internal dan eksternal untuk
menetapkan langkah-langkah terkait.
 Kesimpulan
Penelitian ini menawarkan studi empiris tentang manajemen risiko dalam
rantai pasokan berkelanjutan. Hal ini dioperasionalisasikan dengan menilai
tekanan ekstrenal, yaitu pemangku kepentingan dan hukum, serta orientasi
internal dan pendorong daya saing untuk menerapkan langkah-langkah
untuk mengelola risiko lingkungan dan sosial dalam rantai pasokan.
 Limitation
Feature Reseacrh
LIMITATION
Pengaruh substansial tidak dapat
diamati untuk pengelolaan risiko
sosial maupun risiko lingkungan.
Persimpangan atau interaksi risiko
lingkungan dan sosial dengan risiko
ekonomi.
FEATURE RESEARCH:
Memperluas studi ke berbagai negara, khususnya
Asia, di mana sebagian besar pabrik industri
pakaian berada.
Menghasilkan wawasan yang menarik Tentang
persepsi manajer di negara berbeda.
Memungkinkan perbandingan dengan studi
berbasis Eropa.
 JURNAL 2

COMPARISON OF EMPIRICAL
METHODS FOR THE REPRODUCTION
OF GLOBAL MANUFACTURING
COMPANIES' CREDIT RATINGS
Presented by Group II
 ABSTRAK

PERMASALAHAN PENELITIAN SEBELUMNYA

Adanya kesenjangan dalam peringkat kredit
publik perusahaan manufactur dari data Studi sebelumnya telah mengeksplorasi berbagai metode
keungan dan non-keuangan. empiris untuk penilaian kualitas kredit dan reproduksi

Public Credit Ratings. Namun, sebagian besar penelitian
berfokus pada lembaga keuangan, sedangkan sedikit
penelitian berfokus pada perusahaan non-keuangan,
termasuk perusahaan industri.
TUJUAN PENELITIAN
Membandingkan kekuatan prediksi berbagai metode
empiris khusus untuk perusahaan manufaktur
Mengidentifikasi model yang optimal dalam hal
ketersediaan data, akurasi ramalan dan interpretasi
HASIL
hasil. Teknik machine learning mengungguli Orderred Logistic
Reression dalam hal kekuatan prediksi. Pada model
METODE spesifikasi terbaik, random forest memiliki akurasi
sebesar 50%, diikuti dengan gradient boosting 47% dan
Ordered logistic regression (OLR), dan dua teknik OLR 25%
machine learning yaitu Random Forest dan Gradient
Boosting
 ORDERED LOGISTIC
RANDOM FOREST GRADIENT BOOSTING
REGRESSION

Suatu algoritma yang

Gradient Boosting merupakan
digunakan pada klasifikasi
algoritma klasifikasi machine
data dalam jumlah yang
learning yang menggunakan
besar. Klasifikasi random ensamble dari decision tree untuk
forest dilakukan melalui Ordered logistic regression
memprediksi nilai. Gradient
penggabungan pohon (free) (ORL) merupakan salah satu
Boosting termasuk supervised
metode statistika untuk
dengan melakukan training learning berbasis decision tree
menganalisis variabel respon
pada sampel data yang yang dapat digunakan untuk
(dependen) yang mempunyai
dimiliki. Random Forest klasifikasi. Gradient boosting
skala ordinal yang terdiri
bekerja dengan membangun dimulai dengan menghasilkan
pohon klasifikasi awal dan terus atas dua kategori atau lebih.
beberapa decision tree dan
menyesuaikan pohon baru
menggabungkannya demi
melalui minimalisasi fungsi
mendapatkan prediksi yang
kerugian
lebih stabil dan akurat
 AP PENELITIA
TAH N
 te
tes
sis
is
H p
iipo
o Hipotesis 1 adalah bahwa dari tiga model yang diuji, gradient boosting
akan memiliki daya prediksi tertinggi, diikuti oleh random forest,
sedangkan OLR akan memiliki daya prediksi terendah

Hipotesis 2 adalah bahwa membagi data secara acak menjadi set pelatihan
dan pengujian akan menghasilkan kekuatan prediksi yang lebih besar
daripada membaginya dengan cara yang bergantung pada waktu.

Hipotesis 3 adalah bahwa penambahan variabel ekonomi makro ke dalam

model akan meningkatkan kekuatan prediksinya.

Hipotesis 4 adalah bahawa dalam OLR, tanda sebenarnya dari variabel

yang signifikan akan sesuai dengan harapan tentang sifat korelasi (positif
atau negatif) antara peringkat dan variabel penjelas.

 HASIL
Hipotesis 1 sebagian dikonfirmasi. Gradient
Boosting dan Random Forest mengungguli OLR. PENELITIAN
Namun, dalam beberapa metrik, Gradient Boosting
tidak mengungguli Random Forest

Hipotesis 2 dikonfirmasi. Pembagian data secara

acak ke dalam set pelatihan dan pengujian
memberikan akurasi model yang lebih tinggi oleh
semua metrik kecuali untuk akurasi OLR yang
dimodifikasi.

Hipotesis 3 ditolak. Penambahan variabel ekonomi

makro ke dalam model tidak meningkatkan
kekuatan prediksi, tetapi sebaliknya mengurangi
kekuatan prediksi.

Hipotesis 4 ditolak. Tanda beberapa variabel pada

spesifikasi akhir OLR tidak sesuai dengan tanda
yang diharapkan.
 KESIMPULAN
Dalam penelitian membandingkan kekuatan OLR, Random Forest
dan Gradient Boosting dalam mereproduksi Public Credit
Ratings perusahaan manufaktur global, Random Forest dan
Gradient Boosting mengungguli OLR. Pengambilan sampel acak
menghasilkan daya prediksi yang lebih tinggi daripada
pengambilan sampel yang bergantung waktu. Dimasukannya
variabel ekonomi makro tidak meningkatkan kekuatan prediksi
model, dengan begitu teknik machine learning (ML) dapat efektif
dalam mereproduksi Public Credit Ratings perusahaan
manufaktur
 Tidak ada penjelasan mengenai metode yang dipakai secara rinci di dalam
jurnal
Terdapat beberapa bagian yang tidak dipahami

Saran
Memeriksa bagaimana penambahan metrik non keuangan dapat
meningkatkan kekuatan prediksi model.
Menentukan dan membandingkan serangkaian faktor penjelas untuk
mereproduksi peringkat kredit untuk berbagai industri non-keuangan
Presented by Group II