Kata kunci: Decision support systems, Real-time data, Online auctions, E-retailing, Piracy,
Intellectual property
1. Pendahluan
Meskipun ada banyak definisi istilah sistem pendukung keputusan (DSS), hampir
semua termasuk Sprague (1980) dua bahan utama: basis model dan basis data. Selama
seperempat abad berikutnya, para peneliti terus berkembang keluasan dan kecanggihan
komponen basis model DSS (lihat D. J. Diskusi menarik Power tentang sejarah DSS di DSS
Resources.com). DSS telah dikembangkan dengan basis model yang menggabungkan model
statistik canggih, model keuangan yang kompleks, dan proses pembentukan model berbasis
data yang rumit. Bonczek dkk. (1981) menyarankan pentingnya kecerdasan buatan dan ahli
pemodelan sistem dalam mengembangkan DSS.
Sisi basis data DSS juga maju, terutama sebagai basis data relasional teknologi dan
kemudian gudang data berevolusi..
Dalam sebuah artikel baru-baru ini, Bapna et al. (2006) membandingkan data Internet
dengan empat data terbanyak sumber data umum: data lapangan, data eksperimen terkontrol,
data survei, dan data simulasi. Sementara penulis memberikan analisis yang sangat rinci, kami
ingin focus sorotan kami pada faktor-faktor berikut:
1. Data internet mungkin tersedia untuk entitas penangkap data hanya dalam waktu singkat
momen; jika tidak ditangkap dan direkam, datanya hilang;
2. Data internet sering berada pada tingkat individu atau mikro dengan pengamatan tersedia pada
langkah-langkah perantara dalam proses dinamis;
3. Ketersediaan data internet memiliki potensi untuk mengkompilasi kumpulan data besar-
besaran di tingkat yang jarang dicapai.
Bapna dkk. (2006) berfokus pada peran data Internet dalam pengembangan dan
pengujian teori baru dan pola perilaku individu dan kinerja pasar. Kami focus di sini tentang
bagaimana kelimpahan data real-time menawarkan cakrawala baru untuk DSS pengembangan
dan kalibrasi ulang terus menerus.
Berikut ini, kami mempertimbangkan kemungkinan peningkatan DSS yang diaktifkan
oleh: ketersediaan data internet. Seperti yang diharapkan, ada potensi jebakan yang harus
dihindari. Kami juga menyajikan tiga ilustrasi untuk mendemonstrasikan evolusi pilihan dan
peran baru untuk DSS di lingkungan kaya data Internet. Pertama mempertimbangkan arena
lelang online yang berkembang pesat, dengan penekanan khusus pada lelang bisnis-ke-bisnis
(B2B) dalam rantai pasokan. Pusat kedua tentang penggunaan data Internet, intranet, dan
ekstranet saat menangani masalah yang dihadapi pengecer. Yang ketiga mempertimbangkan
arena regulasi aktivitas Internet, terutama bidang pembajakan dan hak kekayaan intelektual
yang sangat penting. Di dalam setiap ilustrasi, kami mengidentifikasi jenis data yang tersedia
secara real time, proses yang sedang dikembangkan untuk secara otomatis menangkap dan
memverifikasi data tersebut, dan DSS peluang yang disediakan oleh ketersediaan data. Kami
juga menganggap penting pertanyaan mendasar yang sangat penting untuk pengembangan DSS
yang tepat apakah pasar elektronik sangat berbeda sehingga kita perlu mengembangkannya
secara benar-benar baru? pendekatan untuk menganalisis dan memahami pasar ini?
Ilustrasi dan diskusi selanjutnya didukung oleh Treibick Electronic Commerce
Initiative (TECI) dan Pusat Data Internet baru dan Research Intelligence Services (CIDRIS).
TECI berfokus pada mendukung e-bisnis penelitian, termasuk penelitian khusus untuk setiap
ilustrasi yang diberikan di bawah ini. CIDRIS mendukung pengembangan serangkaian alat
pengumpulan data otomatis yang dapat beroperasi di berbagai platform termasuk hypertext
markup language (HTML) halaman (baik statis dan dinamis), antarmuka perangkat lunak non-
HTML, portable file format dokumen (PDF), dan gambar.
5. Kesimpulan
Internet terus tumbuh semakin penting untuk operasi pasokan yang efisien rantai, untuk
memperluas e-ritel, dan untuk pertukaran barang digital. Pertumbuhan ini mengakibatkan
Internet menjadi harta karun—terkadang hanya beberapa detik saja informasi tingkat mikro
yang terperinci. Dimungkinkan untuk melacak perilaku individu dan penyesuaian pasar yang
terjadi di sepanjang jalan menuju penyelesaian, atau kegagalan, dari transaksi. Dengan
mengembangkan sinyal atau dasbor format DSS yang secara otomatis memanen dan
menganalisis informasi ini secara real time, perusahaan dapat mengidentifikasi kondisi di mana
berbagai lelang rantai pasokan optimal dan bergerak cepat ke mengoperasionalkan metode
yang disukai. E-retailer dapat menggunakan DSS untuk membuat dinamis keputusan
penyesuaian harga saat lanskap pasar bergeser atau pesaing mengubah struktur harga.
Mengembangkan dan menerapkan DSS untuk melacak dan menganalisis data perilaku '' on the
fly '' menawarkan pembuat keputusan industri, pembuat kebijakan, dan otoritas pengatur
kemampuan untuk memantau dampak dari keputusan mereka dan membuat koreksi di tengah
jalan jika diperlukan.
Dalam diskusi yang disajikan di sini, kami telah memanfaatkan karya berbagai peneliti
untuk menggambarkan bagaimana, secara real time sejumlah besar data tingkat mikro dapat
secara otomatis diambil dari Internet. Sebagai langkah alami berikutnya, kami memiliki
menyarankan penggunaan DSS dinamis untuk menggabungkan, menganalisis, dan menyajikan
hasil untuk pembuat keputusan. Argumen kami cukup sederhana. Internet dengan cepat
menjadi baik pusat perdagangan utama dan sumber pengamatan real-time yang paling mudah
diakses dari pilihan, tindakan, dan keputusan tingkat mikro. Penataan dinamis DSS yang
terintegrasi dengan sumber data ini dapat memberikan keuntungan yang signifikan bagi
pengambil keputusan yang cerdas.
Meskipun menyarankan DSS semacam itu cukup mudah, mengembangkan data yang
diperlukan pemanenan, analisis data, dan komponen representasi informasi dari DSS tersebut
tentu saja tugas yang kompleks. Entitas penelitian seperti CIDRIS disusun untuk membantu
meletakkan yayasan. Ada kemajuan signifikan dalam memanen dan menganalisis data waktu
nyata dari situs sumber Internet yang teridentifikasi dengan jelas seperti eBay, uBid.com,
Onsale.com, Pricegrabber.com, winMx, dan KaZaA. Generasi berikutnya dari pengambilan
data otomatis, sekarang sedang dikembangkan di CIDRIS, diarahkan untuk memanfaatkan
pencarian cerdas di seluruh jaringan untuk mengidentifikasi sumber data relevan yang sesuai
dan memanfaatkan adaptasi desain cerdas untuk menangkap, memvalidasi, dan menganalisis
data di berbagai sumber. Faktanya, pencarian cerdas berlanjut atas keputusan cakrawala karena
sumber data yang sesuai dapat berubah secara signifikan dari waktu ke waktu. Baru situs lelang
mungkin sering muncul atau menghilang. Situs yang saat ini relevan mungkin tidak memiliki
lelang atau perdagangan yang relevan hingga hari ini. Ada juga kemungkinan hukum masalah
yang harus dipantau secara hati-hati. Sebagai bagian dari misinya, CIDRIS akan
mempertahankan kutipan dan daftar akses makalah yang diterbitkan, makalah kerja, dan
penelitian yang relevan dalam kegiatan yang sedang berlangsung (lihat
http://www.CIDRIS.org). Tujuannya adalah untuk menumbuhkan komunitas riset yang bebas
berbagi kemajuan dan wawasan. Akan ada banyak tantangan di sepanjang jalan, tetapi
pertimbangkan nilai potensial dari DSS dinamis yang menggabungkan data waktu nyata
multisumber dan yang dapat menghasilkan keluaran waktu nyata dan rekomendasi.
ARTIKEL 2
Judul : The Internet And DSS: Massive, Real-Time Data Availability Is
Changing The DSS Landscape
Penulis : James R. Marsden
Tahun : 2008
Abstrak
Salah satu komponen sistem pendukung keputusan yang penting adalah machine
learning/data mining. Metode pembelajaran mesin klasik secara implisit mengasumsikan
bahwa atribut instance di bawah klasifikasi tidak berubah untuk memperoleh klasifikasi positif.
Namun, dalam banyak situasi, contoh ini mewakili orang atau organisasi yang dapat secara
proaktif berusaha mengubah karakteristik mereka untuk mendapatkan klasifikasi positif. Kami
berpendapat bahwa mekanisme pembelajaran harus mempertimbangkan kemungkinan
pembelajaran strategis ini selama proses induksi. Kami menyebutnya pembelajaran strategis.
Dalam makalah ini kami mendefinisikan konsep ini, meringkas penelitian terkait, dan
menyajikan sejumlah bidang penelitian masa depan.
Introduction
Lingkungan yang sangat terkomputerisasi saat ini memungkinkan peneliti dan praktisi
untuk mengumpulkan dan menyimpan hampir semua jenis atau jumlah informasi dengan
mudah dalam bentuk elektronik. Akibatnya, sejumlah besar data dalam berbagai format
tersedia untuk dianalisis. Peningkatan ketersediaan dan kemudahan akses ke data ini
memungkinkan banyak perusahaan terus-menerus mencari cara untuk memanfaatkan koleksi
data mereka yang luas untuk menciptakan keunggulan kompetitif dan mengimbangi kebutuhan
pelanggan yang berubah dengan cepat. Permintaan yang kuat untuk memanfaatkan data yang
tersedia telah menciptakan minat baru-baru ini dalam menerapkan algoritme pembelajaran
mesin untuk menganalisis sejumlah besar data perusahaan dan ilmiah, sebuah praktik yang
biasa disebut penambangan data. Di sini kami menggunakan istilah penambangan data dan
pembelajaran mesin secara bergantian.
Baru-baru ini, sebuah paradigma baru telah berkembang yang kami yakini akan menjadi
area baru yang penting untuk penelitian dan praktik dalam penambangan data. Paradigma ini
mempertimbangkan tugas penambangan data tertentu yang melibatkan klasifikasi atas agen
cerdas. Kami menyebutnya konsep pembelajaran strategis. Metode penambangan data
tradisional menggunakan data pelatihan apa adanya tanpa mempertanyakan penggunaan fungsi
induksi di masa mendatang. Lebih khusus lagi, tidak satu pun dari algoritme ini
memperhitungkan kemungkinan bahwa setiap kasus yang diamati di masa depan mungkin
memiliki atribut yang sengaja dimodifikasi oleh sumbernya ketika sumber itu adalah manusia
atau kumpulan manusia. Mereka gagal mengantisipasi bahwa orang (dan kumpulan orang)
mungkin memainkan sistem dan mengubah atribut mereka untuk mencapai klasifikasi yang
diinginkan.
Data mining dan paradigma pembelajaran terawasi: pembelajaran strategis
Sebagai contoh pembelajaran strategis untuk masalah klasifikasi biner, pertimbangkan
skenario persetujuan kartu kredit di mana setiap contoh, x [ X, (yaitu, pemohon kredit)
dijelaskan oleh vektor atribut (seperti usia, status perkawinan, pemeriksaan saldo rekening,
jumlah kartu kredit yang ada, dll). w0 x sering disebut nilai kredit dan pemohon diberikan
kredit jika f xð w0 x b 0 Ada ratusan situs web yang dimaksudkan untuk membantu pemohon
meningkatkan nilai kredit mereka dengan menawarkan cara hukum untuk memanipulasi
informasi mereka sebelum aplikasi kredit.
Namun, jenis perilaku strategis ini biasanya diamati di banyak pengaturan dunia nyata,
seperti yang disarankan oleh contoh di atas. Dengan demikian, masuk akal untuk berpikir
bahwa individu atau perusahaan mungkin mencoba memainkan sistem klasifikasi.
Pembelajaran strategis bertujuan untuk mengembangkan model untuk jenis pengaturan
klasifikasi khusus ini di mana instance yang menjadi subjek klasifikasi diketahui sebagai unit
yang mementingkan diri sendiri, memaksimalkan utilitas, dan pengambilan keputusan yang
cerdas
Pembelajaran strategis: topik penelitian masa depan
Dengan segera, melonggarkan berbagai asumsi tersebut di atas membuka pintu bagi
gagasan dan pendekatan baru. Misalnya, jenis masalah pembelajaran strategis yang dibahas
dalam bab ini mengasumsikan bahwa satu-satunya biaya adalah biaya kesalahan klasifikasi dan
tidak ada biaya yang terkait dengan membuat agen positif sejati mengubah perilaku mereka.
Perpanjangan yang menarik dari pembelajaran strategis (Boylu et al. 2006)
mempertimbangkan kasus kasus ketika tidak realistis untuk membiarkan setiap atribut
dimodifikasi tanpa batas tanpa menimbulkan kendala pada seberapa banyak mereka benar-
benar dapat dimodifikasi. Dengan kata lain, agen dibatasi seberapa banyak dan dengan cara
apa mereka dapat memodifikasi atribut mereka. Untuk itu penulis melihat masalah kategorisasi
spam dimana spammer (agen negatif) hanya diperbolehkan melakukan modifikasi berupa
penambahan atau penghapusan kata dengan batas atas jumlah modifikasi yang diperbolehkan.
Pada dasarnya, mereka merumuskan masalah dengan hanya mengizinkan modifikasi biner,
yang merupakan kendala menarik pada perilaku agen.
Penelitian saat ini mengasumsikan bahwa prinsipal dan agen mengetahui parameter
masing-masing. Dengan kata lain, prinsipal mengetahui dengan baik tentang biaya dan masalah
yang dihadapi agen. Salah satu sudut yang paling menarik untuk penelitian masa depan akan
menghapus asumsi ini. Ini adalah masalah di mana para ekonom memfokuskan analisis mereka
tentang masalah prinsipal-agen (Laffont dan Martimort 2002)