Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Sistem Pakar Dengan Aplikasi 229 (2023) 120526

Daftar isi tersedia diSains Langsung

Sistem Pakar Dengan Aplikasi

beranda jurnal:www.elsevier.com/locate/eswa

Pemodelan penilaian risiko dengan aplikasi dalam industri

layanan cloud akuntansi

Huaping WuA, Yuguo WuA, Jidong ZhangB,*

APusat Penelitian dan Pengembangan Akuntansi, Universitas Teknologi Chongqing, Chongqing, Cina
BDepartemen Akuntansi dan Keuangan, Universitas Wisconsin Eau Claire, Amerika Serikat

INFO PASAL ABSTRAK

Kata kunci: Layanan cloud akuntansi diimplementasikan dengan menerapkan model Software as a Service (SaaS). Penyedia layanan cloud
Model penilaian risiko akuntansi menghadapi banyak risiko dari lingkungan persaingan eksternal yang serupa dengan penyedia SaaS lainnya (
Manajemen risiko
Lemkin, 2015) dan juga memiliki beberapa risiko spesifik dari karakteristik akuntansi seperti keberlangsungan dan periodisitas
Industri layanan cloud akuntansi Teori Bukti
(Ma & Kauffman, 2014). Manajemen risiko telah menjadi isu manajemen penting dalam industri layanan cloud akuntansi, dan
Dempster-Shafer (Teori DS) Pendekatan
penilaian risiko adalah konten inti dari proses manajemen risiko. Namun, lebih sedikit peneliti yang memperhatikan model
penalaran bukti
dan aplikasi penilaian risiko di industri layanan cloud, khususnya industri layanan cloud akuntansi. Dengan menggunakan
pendekatan penalaran bukti dengan koefisien Gini, makalah ini memberikan model penilaian risiko termasuk kerangka
sistematis dan proses rasional, yang dapat menilai tingkat risiko dalam industri layanan cloud akuntansi. Pemodelan penilaian
risiko yang diusulkan diterapkan dan didemonstrasikan menggunakan 535 penyedia layanan cloud akuntansi Tiongkok.

1. Perkenalan
Layanan cloud telah menimbulkan kekhawatiran risiko sekaligus
menghadirkan kenyamanan dan pengalaman sesuai permintaan bagi
manajemen, misalnya keamanan informasi, kualifikasi penyedia, dan kepatuhan
hukum (Ren dkk., 2012). Layanan cloud menimbulkan risiko yang perlu dinilai dan
dimitigasi (CSA, 2010; Wayne, 2010).Ramgovind dkk. (2010)menunjukkan bahwa
setiap organisasi harus memahami secara komprehensif risiko penting dari
lingkungan komputasi awan. Hal ini memerlukan penilaian dan manajemen risiko
yang tepat berdasarkan sisi pelanggan atau penyedia. Semua pemangku
kepentingan harus mempertimbangkan kerangka kerja terintegrasi untuk
mengelola risiko layanan cloud di semua tingkatan dalam industri layanan cloud (
Subashini & Kavitha, 2011).
Layanan cloud akuntansi biasanya mengacu pada akuntansi cloud dalam
Software as a Service (SaaS). Perangkat lunak akuntansi cloud dihosting di
server jarak jauh, mirip dengan model bisnis SaaS. Menurut riset pasar baru-
baru ini, pasar perangkat lunak akuntansi akan memiliki nilai global sebesar
$11,8 miliar pada tahun 2026 dengan tingkat ekspansi sebesar 8,6 persen
per tahun mulai tahun 2018 (akuntansi hari ini, 2018). Meski memiliki banyak
manfaat, penerapan layanan cloud akuntansi juga menghadapi risiko yang
cukup besar. Kekhawatiran risiko ini datang dari pelanggan cloud akuntansi
dan penyedia layanan cloud akuntansi (CSP) (Latif dkk., 2014).
Risiko dominan pada layanan cloud akuntansi biasanya berfokus pada keamanan (
Dari hype hingga masa depan, 2010). Penelitian sebelumnya meneliti penilaian
risiko atau identifikasi risiko dari pelanggan cloud akuntansi (Djemame dkk., 2009;
Saripalli dkk., 2011; Subashini & Kavitha, 2011; Alberts & Dorofee, 2002). Studi-
studi ini mengeksplorasi berbagai strategi atau metodologi penilaian risiko untuk
mengelola atau mengurangi risiko, terutama risiko keamanan, dari sudut
pandang pelanggan cloud saat pelanggan berencana mengimplementasikan
layanan cloud. Meskipun proyek layanan cloud disediakan, hanya sedikit
penelitian yang menyelidiki risiko atau penilaian risiko penyedia layanan cloud
(CSP). Laporan penelitian dariPricewaterhouseCoopers (2014)mengindikasikan
bahwa penyedia layanan cloud akan menghadapi persaingan ketat dan
lingkungan pasar yang kompleks, termasuk faktor budaya, di masa depan.
Dibandingkan dengan jumlah penelitian mengenai penilaian risiko pelanggan
layanan cloud, terdapat lebih sedikit penelitian mengenai penilaian risiko penyedia
layanan cloud (CSP). Di sisi lain, penyedia layanan cloud akuntansi menghadapi
risiko serupa dengan pelanggan mereka. Risiko-risiko ini mencakup keamanan
dan privasi data, risiko teknologi, risiko organisasi, dan kewajiban kepatuhan (
Subashini & Kavitha, 2011). Dalam menanggapi kebutuhan ini dalam komunitas
akademis dan praktik bisnis, model dan metode penilaian risiko yang
komprehensif harus dieksplorasi dan dipelajari untuk penyedia layanan cloud
akuntansi. Dalam penelitian ini, pertama-tama kami mengeksplorasi risiko yang
komprehensif

* Penulis yang sesuai.

Alamat email:hpwu@cqut.edu.cn (H.Wu),jzhang@uwec.edu (J.Zhang).

https://doi.org/10.1016/j.eswa.2023.120526
Diterima 19 Desember 2021; Diterima dalam bentuk revisi 17 Desember 2022; Diterima 18 Mei 2023
Tersedia online 24 Mei 2023
0957-4174/© 2023 Elsevier Ltd. Semua hak dilindungi undang-undang.
H.Wu dkk.
model dan metode penilaian untuk penyedia layanan cloud. Penelitian
sebelumnya mengenai manajemen risiko penyedia layanan cloud biasanya
bekerja secara terpisah pada keamanan data, teknologi, risiko organisasi, dan
kepatuhan. Studi ini pertama-tama menyelidiki model dan metode penilaian risiko
terintegrasi untuk penyedia layanan cloud dibandingkan penelitian risiko spesifik
dalam literatur sebelumnya. Selanjutnya, makalah ini memvalidasi model dan
metode dengan mensurvei 535 penyedia layanan cloud akuntansi.
Seksi 2memperkenalkan literatur yang relevan.Bagian 3
memperkenalkan penilaian risiko yang diusulkan dan proses
pengembangan. Kasus-kasus nyata disajikan untuk menggambarkan
penerapan model dan metode yang diusulkan dalamBagian 4. Kesimpulan
dan kontribusi diambil di bagian akhir.
2. Tinjauan Pustaka
2.1. Penilaian risiko layanan cloud
Studi terkini mengenai penilaian risiko layanan cloud berfokus pada
metodologi penilaian risiko atau menyelidiki risiko spesifik seperti keamanan
dan perjanjian tingkat layanan.Morali dan Wieringa (2010)menggunakan
metodologi kerahasiaan berbasis risiko saat melakukan outsourcing TI ke
komputasi awan. Yeo dan Buyya (2009)merancang metode analisis risiko
terintegrasi untuk layanan cloud komersial.Luo dkk. (2010)mengembangkan
model asuransi untuk Kualitas Layanan (QoS) dalam komputasi awan. Studi-
studi ini mengeksplorasi metodologi analisis risiko yang berbeda di berbagai
tingkat layanan cloud untuk meningkatkan kinerja layanan cloud.Zachman
(1987) pertama berfokus pada risiko keamanan sistem cloud dan
mengembangkan kerangka keamanan cloud.Djemame dkk. (2009)
mengeksplorasi penilaian risiko layanan cloud melalui mekanisme perjanjian
tingkat layanan. Studi-studi ini menyelidiki penilaian risiko layanan cloud
dengan berfokus pada risiko tertentu atau memenuhi perjanjian tingkat
layanan. Badan Keamanan Jaringan dan Informasi Eropa (ENISA)
memberikan rekomendasi dan merancang beberapa kriteria jaminan untuk
menilai risiko layanan cloud (Catteddu & Hogben, 2009). Laporan tersebut
menyoroti dua pengukuran risiko kuantitatif dan kualitatif yang terlibat
dalam proses pemodelan. Namun metodologi analisis risiko ini berlaku
untuk penilaian risiko spesifik untuk keamanan layanan cloud. Kontribusi
kerangka kuantitatif ENISA adalah memungkinkan penyedia cloud,
konsumen cloud, dan badan pengatur untuk secara aman menilai kekuatan
relatif dari berbagai penawaran dan pendekatan vendor cloud (Drissi dkk.,
2013). Model yang kami usulkan mengikuti kerangka kuantitatif ini dan
menggantikan pendekatan Delphi dengan pendekatan penalaran DS.
2.2. Penilaian risiko penyedia layanan cloud
Penelitian sebelumnya mengenai penilaian risiko penyedia layanan cloud juga
terjebak dalam potongan-potongan risiko dan bukannya peta terintegrasi.Hashizume
dkk. (2013)menyatakan bahwa penyedia layanan cloud bertanggung jawab untuk
mengamankan data melalui seluruh proses aliran data: pemrosesan, transmisi, dan
penyimpanan. Gartner mencantumkan tujuh masalah keamanan dari perspektif
penyedia layanan cloud (Latif dkk., 2014). Risiko privasi dan keamanan data penyedia
layanan cloud mencakup akses pengguna yang memiliki hak istimewa, yang menyangkut
siapa yang memiliki akses ke data (Lovell, 2009).Dahbur dkk. (2011a)menyimpulkan
bahwa risiko organisasi penyedia layanan cloud akan mengakibatkan hilangnya reputasi
dan kemungkinan penghentian bisnis. Risiko organisasi bagi penyedia layanan cloud ini
mencakup semua pemangku kepentingan internal dan eksternal, seperti staf,
persediaan, dll. Penyedia layanan cloud juga memiliki risiko teknis, yang didefinisikan
sebagai kegagalan yang terkait dengan teknologi dan layanan yang disediakan oleh CSP,
termasuk masalah isolasi berbagi sumber daya, serangan berbahaya pada CSP, dan
risiko terkait portabilitas dan interoperabilitas (Rana & Joshi, 2012). Penyedia layanan
cloud menghadapi risiko hukum yang kompleks, tunduk pada aturan dan regulasi dari
pembuat undang-undang, asosiasi, dan kontrak (Chou & Oetting, 2011). Singkatnya,
penelitian saat ini mencakup banyak area risiko yang akan dialami oleh penyedia layanan
cloud dalam bisnisnya. Namun sepengetahuan kami, makalah kami adalah makalah
pertama yang mengeksplorasi risiko secara komprehensif
2
Sistem Pakar Dengan Aplikasi 229 (2023) 120526
model penilaian untuk penyedia layanan cloud.
2.3. Penyedia layanan cloud akuntansi
Layanan cloud akuntansi kurang mendapat perhatian di komunitas
akademis dibandingkan di profesi akuntansi dan TI.Mizuno dan Odake
(2015)menjelajahi pasar dan model bisnis layanan cloud akuntansi di Jepang.
Penelitian ini menerapkan metodologi studi kasus untuk menyimpulkan
karakteristik pasar layanan cloud akuntansi Jepang. Penelitian lainnya fokus
meneliti risiko sistem informasi akuntansi setelah pelanggan memindahkan
sistem informasi akuntansi ke cloud. KPMG merilis empat laporan dan
whitepaper pada tahun 2012 dan 2013 (KPMG, 2012a; KPMG, 2012b; KPMG,
2013). Laporan-laporan ini menyajikan risiko dan dampak layanan cloud
terhadap sistem informasi akuntansi dari perspektif vendor layanan cloud,
perspektif pelanggan, dan perspektif peraturan. Laporan KPMG
memberikan gambaran singkat tentang layanan cloud akuntansi untuk
setiap pemangku kepentingan dan menggambarkan peta status layanan
cloud akuntansi saat ini dengan mengumpulkan data survei dari profesi
tersebut. Namun penelitian ini merupakan penelitian akademis pertama
mengenai layanan cloud akuntansi.
2.4. Teori bukti Dempster-Shafer
Dempster (1967)pertama kali mengusulkan teori bukti Dempster-Shafer, dan
Shafer (1976)mengembangkan teori, yang dianggap sebagai generalisasi dari
teori probabilitas Bayesian. Teori bukti Dempster-Shafer dapat mengatasi
ketidakpastian atau ketidaktepatan yang tertanam dalam bukti.Yang dkk. (2006)
mengembangkan lebih lanjut teori Bukti Dempster-Shafer untuk menyelesaikan
masalah keputusan dengan analisis atribusi berganda. Ketika teori Bukti
Dempster-Shafer diterapkan pada sistem pengambilan keputusan untuk penilaian
risiko, teori tersebut pertama-tama berfokus pada bidang E-commerce (Khokhar
dkk., 2006). Namun, aturan Dempster tidak memiliki definisi dan tidak dapat
diterapkan dalam kasus tertentu ketika dua bukti saling bertentangan (Yang & Xu,
2013). Kurangnya definisi ini telah menyebabkan masalah yang kontra-intuitif
ketika aturan tersebut menggabungkan bukti-bukti dalam konflik yang tinggi
(atau hampir selesai) (Zadeh, 1984). Pendekatan aturan penalaran bukti
dikembangkan untuk menyelesaikan perselisihan. Pendekatan penalaran bukti
klasik menggabungkan bobot dan keandalan data (Du dkk., 2018).Zhang dkk.
(2018)mengembangkan aturan penalaran bukti berbasis koefisien Gini
menggunakan bobot dan keandalan data. Makalah kami mengikuti hasil tersebut
dan membangun model penilaian risiko berdasarkan Teori Dempster-Schafer
dengan alasan bukti berbasis koefisien Gini.
3. Pemodelan penilaian risiko
3.1. Model penilaian risiko untuk penyedia layanan cloud akuntansi
Penyedia layanan cloud dianggap bertanggung jawab untuk mengadopsi
solusi keamanan bagi pelanggan mereka dan memastikan bahwa data pelanggan
aman (Harauz, Kauifman, & Berang-berang, 2009). Untuk mencegah akses tidak
sah, penyedia layanan cloud harus menawarkan mekanisme akses yang ketat (
Khajeh-Hosseini dkk., 2011). Risiko teknologi penyedia layanan cloud adalah
bertanggung jawab atas kinerja cloud mereka berdasarkan perjanjian tingkat
layanan (SLA). Disarankan untuk menggunakan alat pemantauan pihak ketiga
untuk memverifikasi kinerja sistem (Khajeh-Hosseini dkk., 2011; Takabi dkk., 2011).
Risiko organisasi dari penyedia layanan cloud mencakup hilangnya reputasi bisnis
atau perubahan organisasi apa pun yang dapat menyebabkan kegagalan layanan
cloud kepada pelanggan (Dahbur dkk., 2011b). Penyedia layanan cloud juga
terkena beberapa risiko dari masalah hukum dan peraturan dan diwajibkan untuk
menyimpan atau memproses data pelanggan dan sistem seperti yang dijanjikan
dalam SLzA mereka (Grance dan Jansen, 2011).
Diatas segalanya,Tabel 1memperkenalkan model penilaian risiko. Model yang
diusulkan adalah pendekatan tambahan yang dapat membantu memahami,
menilai, dan mengelola risiko keseluruhan bagi penyedia layanan cloud akuntansi.
H.Wu dkk. Sistem Pakar Dengan Aplikasi 229 (2023) 120526

Tabel 1 kemampuan pengembangan, kepemimpinan, dan aset tidak berwujud

Kerangka pemodelan penilaian risiko untuk penyedia layanan cloud akuntansi. seperti paten dan niat baik terhadap pasar. Kualitas layanan mengukur
kualitas “produk” penyedia layanan cloud, yang dapat dikategorikan sebagai
Risiko Eksternal Risiko Internal Risiko Pemangku Kepentingan respons risiko terhadap layanan, respons kepuasan terhadap layanan, dan
komunikasi dalam proses layanan. Kualitas layanan merupakan faktor
Kebijakan Politik dan Risiko Organisasi Risiko Kompatibilitas
Hukum penting dalam rantai nilai bisnis penyedia layanan cloud.
Konsistensi Kebijakan Sumber daya manusia Kompatibilitas Budaya Keterlibatan pemangku kepentingan dalam proses bisnis layanan cloud
Dukungan Kebijakan Kepemimpinan Penelitian dan Kompatibilitas Sistem meningkatkan efektivitas dan efisiensi layanan cloud (Latif dkk., 2014). Kami
Kelengkapan Kebijakan Pengembangan Pengelolaan Kompatibilitas Strategis
mengkategorikan risiko pemangku kepentingan ke dalam tiga dimensi:
Pelaksanaan Aset Tak Berwujud
Niat baik kompatibilitas sistem terhadap pemangku kepentingan, risiko pemasok
Ekonomi dan Risiko Kualitas Pelayanan Risiko Pemasok terhadap bisnis penyedia, risiko pihak ketiga, dan risiko pesaing pada
Teknologi platform cloud. Risiko pihak ketiga biasanya berasal dari infrastruktur
Kematangan Pasar Cloud Respon Resiko Biaya Persediaan komunikasi seperti kabel atau layanan transmisi. Risiko pesaing bersifat unik
Pasar Awan Respon Kepuasan Ketepatan Waktu Persediaan
dalam layanan cloud akuntansi. Layanan cloud akuntansi akan menerapkan
Kompetisi
Kualitas Infrastruktur Informasi dan Pergantian Persediaan beberapa platform atau layanan cloud yang sama dalam produk mereka,
Komunikasi misalnya sistem pajak pemerintah. Penyedia layanan cloud akuntansi harus
Teknologi mempertimbangkan risikonya karena layanan berbagi publik ini juga
Perkembangan
menguntungkan pesaing. Struktur model penilaian risiko disajikan pada
Pandangan Ekonomi
Sosial dan Budaya Risiko Pihak Ketiga
Tabel 1:
Mempertaruhkan

Tingkat pengakuan sosial Kualitas Awan 4. Metode pemodelan penilaian risiko

Infrastruktur
Jenjang pendidikan Kualitas pihak ketiga
Risiko Pesaing
Berbagi Sumber Daya
Akuntabilitas
Informasi
Model tersebut dapat (1) mengidentifikasi risiko eksternal yang mengancam
kelangsungan usaha, termasuk kebijakan politik, perkembangan teknis, dan faktor
budaya; (2) mengidentifikasi risiko internal yang menimbulkan ancaman terhadap
keunggulan kompetitif, termasuk sumber daya dan kualitas layanan; dan (3)
mengidentifikasi risiko dari pemangku kepentingan termasuk pemasok, kualifikasi
penyedia layanan pihak ketiga, sensitivitas pasar, dan hubungan pesaing. Tujuan
model penilaian risiko memungkinkan penyedia layanan cloud akuntansi untuk
mengidentifikasi semua risiko bisnis dan membangun sistem pelaporan
pengukuran kuantitatif. Di dalamTabel 1, model penilaian risiko yang diusulkan
mencakup tiga dimensi: sistem risiko eksternal, sistem risiko internal, dan risiko
pemangku kepentingan.
Risiko eksternal mengacu pada ancaman yang awalnya berasal dari
ekosistem penyedia layanan cloud akuntansi. Ekosistem biasanya
mencakup pengaruh politik, budaya, dan masyarakat. Ekosistem terdiri
dari tiga komponen dalam model kami: politik, ekonomi, dan
masyarakat. Masing-masing komponen ini diukur dengan vari-
Setelah pembahasan dalam Teori Dempster-Schafer, kami
mempertimbangkan pendekatan bukti penalaran untuk menilai setiap dimensi
risiko. Teori Dempster-Shafer (DS) adalah teori matematika tentang fungsi
keyakinan berbasis bukti dan penalaran yang masuk akal (Chen dkk., 2014).
Pendekatan penalaran bukti berhasil menilai sistem dinamis yang kompleks dan
menyelesaikan masalah konteks informasi yang kompleks dan aturan
pembobotan yang berbeda, yang biasanya menggagalkan kinerja sistem penilaian
(Dia dkk., 2018; Zhao dkk., 2016). Menerapkan metode pembuktian bobot tertentu
dalam teori DS dengan variabel atau aturan yang berbeda sangat penting untuk
meningkatkan keandalan model penilaian (Du dkk., 2018). Pendekatan kami
menggunakan bobot bukti berdasarkan koefisien Gini. Model tersebut
menerapkan Koefisien Gini sebagai aturan pembobotan bukti dalam teori DS
untuk model penilaian risiko bisnis. Pendekatan penalaran bukti berbasis
Koefisien Gini telah berhasil digunakan dalam teknik industri (Zhang dkk., 2018).
Kami mengilustrasikan pendekatan bukti-alasan dalamGambar 1dan menguraikan
kode kategori risiko diMeja 2.
4.1. Tentukan variabel linguistik dan nilai fuzzy
Himpunan fuzzynya adalah

kamu= {pasti, mungkin, kira-kira mungkin, mungkin, kira-kira tidak mungkin, tidak mungkin, sama sekali tidak mungkin}.

mampu. Penyedia layanan cloud harus mematuhi kebijakan dan yurisdiksi Kami mendefinisikan variabel linguistik ini menjadi tujuh estimasi fuzzy:
politik saat ini (Chou & Oetting, 2011; Kumar dkk., 2012; Julisch & Hall, 2010). ⎧
⎪0,Q-saya >1,
Dampak kebijakan atau pembatasan hukum diukur berdasarkan konsistensi ⎪
⎪⎪0.25,Q- Saya=1,q <4,
kebijakan, kelengkapan kebijakan, penegakan kebijakan, dan dukungan
⎪
kebijakan. Komponen ekonomi dan teknologi terdiri dari ukuran ⎪⎪0.5,Q- Saya=1,Q=4,
kematangan pasar cloud, persaingan pasar layanan cloud, kualitas ⎪
⎪
⎪0.75,Q- Saya=1,q>4,
infrastruktur, pengembangan teknologi, dan prospek ekonomi. Komponen ⎨
ekosistem yang terakhir adalah faktor sosial dan budaya. Kami μqi= 1,Q=Saya.
⎪ (1)
menggunakan dua variabel untuk mengukur hal ini: pengakuan sosial ⎪
⎪0.75,Saya- Q=1,q <4;
terhadap layanan cloud dan tingkat pendidikan penduduk. ⎪
⎪
⎪0.5,Saya- Q=1,Q=4;
Risiko internal terdiri dari dua dimensi: organisasi dan kualitas layanan. Risiko ⎪
⎪
internal mencakup hilangnya reputasi bisnis dan perubahan organisasi apa pun ⎪⎪0.25,Saya- Q=1,q>4;
yang dapat terjadi pada penyedia layanan cloud dan menyebabkan kegagalan ⎩
0,Saya-q>1;
penyedia tersebut (Duhbur, 2011). Risiko organisasi dikategorikan sebagai risiko
apa pun yang dapat memengaruhi faktor organisasi. Faktor-faktor tersebut q, saya=1,2...7

meliputi perolehan sumber daya manusia atau bakat, penelitian dan

3
H.Wu dkk. Sistem Pakar Dengan Aplikasi 229 (2023) 120526

Definisikan variabel linguistik

dan nilai fuzzy

Definisikan Rumus dan

nilai keanggotaan

Hitung Aturan

Misa masing-masing peserta

Fungsi

Fungsi Massa Komposit

Normal Enteng Lagi Paling Ekstrim

Penting penting penting penting penting

Masukan Massa Sekring yang disesuaikan

Fungsi

Hasil Akhir

Gambar 1.Proses pemodelan penilaian risiko.

Meja 2
Tabel pengkodean faktor risiko.

Kode Kode Ca Kode

Risiko Eksternal P1 Risiko Internal P2 Risiko Pemangku Kepentingan P3

Kebijakan Politik dan Hukum P11 Risiko Organisasi P21 Kesesuaian P31
Konsistensi Kebijakan P111 Sumber daya manusia P211 Kompatibilitas Budaya P311
Dukungan Kebijakan P112 Kepemimpinan Penelitian dan P212 Kompatibilitas Sistem P312
Kelengkapan Kebijakan P113 Pengembangan Pengelolaan P213 Kompatibilitas Strategis P313
Pelaksanaan P114 Aset Tak Berwujud P214 Risiko Pemasok P32
Faktor Sosial dan Budaya P12 Niat baik P215 Biaya Persediaan P321
Pengakuan Sosial P121 Risiko Kualitas Layanan P22 Ketepatan Waktu Persediaan P322
Jenjang pendidikan P122 Respon Resiko P221 Pergantian Persediaan P323
Ekonomi dan Teknologi P13 Respon Kepuasan P222 Risiko Pihak Ketiga P33
Kematangan Pasar Cloud P131 Informasi & Komunikasi P223 Kualitas Pihak Ketiga P331
Kualitas Infrastruktur P132 Kualitas Infrastruktur Cloud P332
Persaingan Pasar Cloud P133 Saingan P34
Pengembangan teknologi P134 Berbagi Sumber Daya P341
Pandangan Ekonomi P135 Akuntabilitas Informasi P342

4
H.Wu dkk. Sistem Pakar Dengan Aplikasi 229 (2023) 120526

Tabel 3
μqimenunjukkan nilai keanggotaan dariSayathkelas tersebutQthevaluasi kabur-
Contoh penetapan nilai relasi.
asi dalam himpunan fuzzykamu.
Ekspresi dari itu mempertaruhkan model adalah = Hubungan antaraCDanD Nilai yang diberikan

{tinggi(A1),menengah(A2),rendah(A3)}.Untuk mentransmisikan evaluasi fuzzy sebelumnya Biasa penting 1

dalam ekspresi model risiko, setiap tingkat kerangka risiko Θ mendefinisikan tujuh Agak penting 3
Lebih penting 5
estimasi fuzzy secara terpisah sebagai
Yang terpenting 7
⎧ Sangat penting 9
⎨μ 1Saya ,k=1;
nilai median antara dua penilaian yang berdekatan 2, 4, 6, 8
μSaya(Ak) = μ , k =2; Saya
=1,2 , ⋅ ⋅ ⋅ 7;
⎩ 4Saya

μ7Saya,k=3.
di antara peserta. Penerapan ini mengarah pada keadilan dan kewajaran
μSaya(Ak)menunjukkan nilai keanggotaan dariSayathkelaskthnilaiAkdalam model distribusi bobot. Model optimal yang diterapkan ditunjukkan pada
risiko Θ.
Persamaan(6):

4.2. Menentukan rumus dan nilai keanggotaan 1∑ N ∑ N ∑ |Θ|

menit (μaj“ - μbj“ wA)2 (6)
2N A=1 B=1 J=1

⎧ { } { }
⎪ ∑N ∑|Θ| ∑N ∑|Θ|
⎪
⎪maks A∈{1,2…N} (μaj“ - μbj“ wA)2 - menitA∈{1,2…N} (μaj“ - μbj“ wA)2 ⩽
⎪
⎪ B=1 J=1 B=1 J=1
⎪ { } { }
⎨ ∑ ∑
N |Θ| ∑N ∑|Θ|
'2 '2
st (μaj“ - μbj“ wA) - menitA∈{1,2…N} (μaj“ - μbj“ wA) ,
⎪ maksA∈{1,2…N}
⎪ B=1 J=1 B=1 J=1
⎪
⎪ ∑N
⎪
⎪ wA=1,w1,w2,…,wN⩾0.
⎩
A=1

Tentukan fungsi nilai keanggotaan yang menyajikan fuzz masing-masing

wAadalah bobot yang ditetapkan untuk pertama kalinya danwAadalah yang dioptimalkan
'
penilaikthnilai,Ak, di Θ. Rumusnya ditunjukkan di bawah ini:
berat.
∑7( μ )
qi∧ μSaya
( A) Apabila nilai penilaian dengan bobot terbesar pada kelompok yang sama adalah
μA*(Ak) =∑Saya=7 1( k)k=1,2,3;Q=1,2,⋅⋅⋅,7. (2) akurat, ulasan lain mengandalkan latar belakang pengetahuan, selera risiko,
μqi∨μSaya(Ak)
dan relevansinya dengan yang akurat. Berikut rumus mencapai
Saya=1

reliabilitas penilaian masing-masing peserta:

∧→menitoperasi,∨→maksoperasi. Estimasi fuzzy di for-
∑ 3
mula tidak eksklusif dan akan menjadi eksklusif *
k=1kamuA(Ak) =1.
∕ Oleh karena itu, kami αA=λ[1 - (wmaks-wA)] A=
(7)
lakukan normalisasi dengan rumus dibawah ini: 1,2, ...,N

μA*(Ak) wmaks= makswA,λmenunjukkan koefisien pengalaman dan preferensi-

μA(Ak) = ∑3 k=1,2,3;A=1,2,⋅⋅⋅,N. (3) 1⩽A⩽N
μ
k=1 A(*Ak) ence untuk setiap peserta, mulai dari 0.9≤λ≤1. Berdasarkan reliabilitas yang
disesuaikan di atas, maka keanggotaan penilaian masing-masing peserta
Hasilnya dicatat dalamTA= {μA(A1), μA(A2), μA(A3) }. Pasalnya bobot optimal
dimodifikasi dengan rumus seperti di bawah ini:
bergantung pada pendapat masing-masing peserta mengenai klasifikasi
risiko: tinggi, sedang, dan rendah.TA= {μA(A1), μA(A2), TA* =αATA. “
(8)
μA(A3) }dihaluskan oleh model logistik di bawah ini:
∑3 ∑ 3 ''
Di mana, αμ
k=1 A A(Ak)
≤1.1 - ˝
k=1αAμA (Ak)menyajikan informasinya
μ'=1
A /(1+e∧ (−μA(Ak) ) (4)
ketidakpastian bagi setiap peserta, yaitu domain wacana.
Pengolahan di atas tidak eksklusif dan tetap menghasilkan
∑3
k=1
(Ak) ∕ =1 . Kami melakukan normalisasi seperti di bawah ini:
'
kamuA
4.4. Fungsi massa masing-masing peserta

μA' (Ak)
μA' (Ak) =∑3 k=1,2,3;A=1,2,⋅⋅⋅,N (5) Membangunmassafungsi masing-masing peserta. milik masing-masing peserta
k=1 μ'A(Ak) massafungsi penilaian padaPSayaadalah:

Itu normalisasi hasil termasuk T“A= ⎧

{ }
adalah di dalam
⎪ A ⋅ μA''(P Saya)
(A1),A= {A1} (A
⎪α
(PSaya)

μA“ (A1), μ“A(A2), μ“A(A3) ,μ“ A(Ak)(k=1,2,3). Meski sudah dinormalisasi, ⎪

A ) ⋅ μA' (
⎨α(PSaya 2),A= {A2} (A3),
'P Saya)

pengaruh penghitungan bobot optimal terhadap pendapat masing-masing partisipan

MA(PSaya)(A) = (9)
mengenai klasifikasi risiko (tinggi, sedang, dan rendah) tidak berubah. ⎪ α(AP ) ⋅ μAP''( ) A= {A3}
Saya

⎪
Saya

⎪ ∑3
⎩ 1- α(P ) ⋅ μA''(P)(A k),A= Θ.
Saya
k=1 A
Saya

4.3. Hitung aturan

Itu vektor ekspresi adalah
M(PSaya)
A =
(M )
Hitung bobot dengan konteks indeks yang berbeda. Pertama, beratnya A(A1),M(PSaya
(PSaya)
A()A2),M(PSaya
A()A3),⋯,M(PSayaA) (Θ)TA=1,2, ...,N;Saya=1,2,⋯,
adalah bahkan untuk setiap peserta dengan memuaskan M,
∑N
A=1wA'=1,w' 1…wnn
' >
10= (Nadalah jumlah peserta). Kedua,
model bobot optimal mengurangi varians distribusi bobot

5
H.Wu dkk. Sistem Pakar Dengan Aplikasi 229 (2023) 120526

4.5. Fungsi massa komposit Tabel 5

Hasil distribusi bobot contoh.
AdaNpeserta, dan total n fungsi massa dikumpulkan. Rumusnya indikator berat indikator berat indikator berat
menyusun fungsi massa keseluruhan dengan n fungsi massa dari n tingkat nilai tingkat nilai tingkat nilai
peserta: P1 0,105 0,143 0,400
P11 P111
∑ P112 0,200
⎧ M1(A1)⋅⋅Mk(Ak)
⎪ P113 0,200
⎪ ASaya
=A A
P114 0,200
⎪∩k , A∕=ϕ;
Saya⊂Θ
Saya=1

⎨ 1- K P12 0,143 P121 0,500

M(A) = (10) P122 0,500
⎪0,A∕ =ϕ;
⎪ P13 0,714 P131 0,116
⎪∑
⎩ M(A) =1. P132 0,047
P133 0,373
A⊆Θ
P134 0,373
∑
K= M1(A1)⋅⋅⋅Mk(Ak),Kadalah faktor normalisasi dan P135 0,091
⋂k P2 0,637 P21 0,833 P211 0,281
Saya Saya
SEBUAH =ϕ,Sebuah ⊂Θ
saya=1
P212 0,281
berkisar pada 0≤K≤1. P213 0,050
Hasil gabungan dicatat di setM(PSaya)= P214 0,281
( ) P215 0,107
M(PSaya)(A1),M(PSaya)(A2),M(PSaya)(A3),M(PSaya)(Θ) PSaya. Tyang jugamassafungsi dari P22 0,167 P221 0,250
P222 0,500
P223 0,250
P3 0,258 P31 0,109 P311 0,258
4.6. Tentukan dan tetapkan nilai relatif di antara nilai bobot awal untuk P312 0,637
P313 0,105
fungsi massa yang disesuaikan
P32 0,492 P321 0,683
P322 0,117
Saaty (1978)mengusulkan metode matriks yang konsisten untuk memberikan P323 0,200
nilai yang mengukur hubungan antar faktor, seperti menetapkan nilai hubungan P33 0,290 P331 0,667
dengan membandingkan pilihanGambar 1. Kami mengurangi matriks penilaian P332 0,333
P34 0,109 P341 0,750
dari hubungan antara opsiGambar 1dan lakukan uji konsisten terhadap matriks
P342 0,250
penilaian diTabel 3.
Kami memberikan contoh prosedur analisis di bawah ini. Kami tampil dalam
tiga dimensi: P1= risiko eksternal, P2= risiko internal, dan P3= risiko pemangku
nilai bobot dengan nilai relatif antara nilai angka yang ditetapkan
kepentingan.
sebelumnya.
⎡ ( )
1 1⎤
1 , Saya=1,2,⋯,M,
δSaya
αPSaya=η (11)
⎢ 5 3⎥ δmaks
⎢ ⎥
1. Kami mengurangi matriks penilaian (perbandingan berpasangan).⎢5 1 3⎥ ∑M
⎣ ⎦ Di mana δ , δSaya≥0(aku=1,2,⋯,M);δmaks=maksδSaya,
Saya=1 Saya=1
1
3 1
1≤aku≤M

3 ηadalah koefisien penyesuaian, yang mewakili pengetahuan dan pengalaman

di antara P1, P2,dan P3melalui skalaMeja 2mengatur. masing-masing peserta dan berkisar pada 0.9≤η≤1. Fungsi massa yang
2. Nilai eigenvalue maksimum λ adalah 3,385. Nilai dariCIadalah disesuaikan dikurangi seperti yang ditunjukkan di sini:
0,01925, dihitung dengan persamaan,CI=λ-NN-1(Nsebagai urutan matriks).
3. Kami mencapaiRI=0.52 sesuai denganN=3 M(PSaya)*=αPSaya⋅M(PSaya) (12)
4. UntukKr=CI/RI <0.1, tes konsisten divalidasi.
5. Kita dapat menyimpulkan bobot antara P1, P2,dan P3di dalamTabel 4. 4.8. Hasil akhir disajikan

Proses di atas diterapkan secara berulang di setiap kelompok, yang tetap pada Kami menerapkan fungsi massa komposit pada (10) untuk menyesuaikan fungsi massa yang

level yang sama. Misalnya kita akan menggunakan metode Among P11, P12, P13, dicapai pada (11). Kami juga dapat mengevaluasi risiko penyedia secara keseluruhan seperti di

antara P21dan P22,di antara P31,P32,P33,P34, di antara P111,P112,P113, bawah ini:

P114, antara P121dan P122, di antara P131,P132,P133,P134,P135, di antara

P211,P212,P213,P214,P215, di antara P221,P222,P223,di antara P311,P312,P313,
di antara P321,P322,P323,antara P331dan P332dan antara P341dan P342.Tabel 5
menyajikan hasil bobot akhir untuk setiap faktor risiko. Hasilnya adalah
penetapan bobot masing-masing faktor risiko pada setiap partisipan.
4.7. Masukkan nilai yang disesuaikan ke dalam fungsi massa sekering
Banyaknya nilai bobot yang diberikan tidak mewakili kontribusi mutlak
masing-masing variabel. Rumus di bawah ini dibuat untuk menyesuaikan
Tabel 4
Matriks penilaian di antara P1, P2,dan P3.
MF= (MF(A1),MF(A2),MF(A3),MF(Θ)) (13)
4.9. Ringkasan
Metode penilaian risiko dapat diterapkan secara iteratif ke tingkat yang berbeda
dengan data real-time. Hasilnya menyajikan risiko pada tingkat yang berbeda, seperti P
Saya, Paku j, Pijk, dan menunjukkan perubahan atau tren risiko dengan input data real-time
yang berkelanjutan. Jika kita mengklasifikasikan risiko ke dalam tiga kategori: tinggi,
sedang, dan rendah dengan lukisan warna berbeda, kita dapat menggambar peta
penilaian risiko dalam berbagai tingkatan seperti P.Saya, Paku j, Pijk, yang mencakup risiko
eksternal, risiko internal, risiko pemangku kepentingan, risiko politik dan kebijakan, risiko
budaya, risiko ekonomi dan teknologi, risiko kualitas layanan, risiko operasi, risiko
pesaing, risiko pemasok, risiko pihak ketiga, dan risiko sistem.

P1 P2 P3 Berat

P1 1 1/5 1/3 0,105

P2 5 1 3 0,637
P3 3 1/3 1 0,258

6
H.Wu dkk. Sistem Pakar Dengan Aplikasi 229 (2023) 120526

Tabel 6 Tabel 9
Tentukan nilai fuzzy untuk variabel linguistik. Nilai relatif di antara 10 respons untuk fungsi massa yang
disesuaikan.
Contoh Soal dalam Survei 10 Jawaban Saya
Tanggapan 10 Tanggapan Nilai bobot relatif

Bagaimana pengaruh politik dan kebijakan terhadap layanan cloud R1 Kecil kemungkinannya 5 R1 0,9162
bisnis di perusahaan Anda? R2 Paling 2 R2 0,9154
mungkin R3 0,9154
R3 Paling 2 R4 0,9200
mungkin R5 0,9154
R4 Mungkin 4 R6 0,9154
R5 Paling 2 R7 0,9171
mungkin R8 0,9162
R6 Paling sedikit 6 R9 0,9162
mungkin R10 0,9154
R7 Lagi 3
mungkin

R8 Kecil kemungkinannya 5
R9 Kecil kemungkinannya 5 Tabel 10
R10 Paling 2 Fungsi massa yang disesuaikan, yang mengukur persepsi risiko pada contoh pertanyaan
mungkin
untuk setiap respons.

10 Tanggapan Fungsi massa yang disesuaikan untuk pengukuran persepsi risiko

Tinggi Sedang Rendah Ranah wacana

Tabel 7
Nilai keanggotaan evaluasi fuzzy. R1 0,263664 0,370996 0,28154 0,0838
R2 0,353162 0,299525 0,262713 0,0846
10 Tanggapan Peringkat Risiko
R3 0,353162 0,299525 0,262713 0,0846
Tinggi Sedang Rendah R4 0,265733 0,388533 0,265733 0,08
R5 0,353162 0,299525 0,262713 0,0846
R1 0 0,8642 0,1358 R6 0,262713 0,299525 0,353162 0,0846
R2 0,7179 0,2821 0 R7 0,281816 0,37136 0,263923 0,0829
R3 0,7179 0,2821 0 R8 0,263664 0,370996 0,28154 0,0838
R4 0 1 0 R9 0,263664 0,370996 0,28154 0,0838
R5 0,7179 0,2821 0 R10 0,353162 0,299525 0,262713 0,0846
R6 0 0,2821 0,7179
R7 0,1358 0,8642 0
R8 0 0,8642 0,1358
5.2. Modelkan proses penerapan menggunakan contoh
R9 0 0,8642 0,1358
R10 0,7179 0,2821 0
Kami secara acak memilih 10 dari 535 tanggapan sebagai sampel untuk
memperkenalkan proses validasi dan menyajikan hasilnya. Proses yang diuraikan
di bawah ini memberikan contoh singkat dari setiap estimasi kategori risiko. Itu
Tabel 8
Nilai keanggotaan setelah model bobot optimal diterapkan dan fungsi massa
masing-masing peserta diestimasi.
Tabel 11
10 Tanggapan Distribusi peringkat risiko
Distribusi nilai bobot akhir untuk semua sampel.
Tinggi Sedang
berat berat berat
Rendah
indikator indikator indikator
R1 0,28778 0,404929 0,307291 tingkat nilai tingkat nilai tingkat nilai
R2 0,385801 0,327207 0,286993
P1 0,1516 0,1843 0,92
P11 P111
R3 0,385801 0,327207 0,286993
0,46
P112
R4 0,288841 0,422319 0,288841 0,46
P113
R5 0,385801 0,327207 0,286993 0,46
P114
R6 0,286993 0,327207 0,385801 0,1843 0,92
P12 P121
R7 0,307291 0,404929 0,28778
0,92
P122
R8 0,28778 0,404929 0,307291
0,92 0,2816
P13 P131
R9 0,28778 0,404929 0,307291
0,1159
P132
R10 0,385801 0,327207 0,286993
0,92
P133
P134 0,92
P135 0,2245
5. Contoh penerapan P2 0,92 P21 0,92 P211 0,92
P212 0,92
5.1. Proses pengumpulan contoh aplikasi P213 0,1637
P214 0,92
P215 0,3503
Kami melakukan survei untuk memvalidasi efektivitas model penilaian 0,1844 0,46
P22 P221
risiko. Tujuannya adalah untuk menilai tingkat risiko komprehensif setiap P222 0,92
penyedia layanan cloud akuntansi. Struktur survei mengikuti model P223 0,46
penilaian risiko dan survei terdistribusi disajikan pada Lampiran. Kami P3 0,3726 P31 0,2038 P311 0,3726
P312 0,92
meminta bisnis tersebut dari pihak ketiga komersial profesional untuk
P313 0,1516
mengumpulkan data survei di Tiongkok. 535 tanggapan efektif diterima di P32 0,92 P321 0,92
final. Kami memperkirakan bobot penyesuaian koefisien preferensi η dan P322 0,1576
koefisien nafsu makan peserta λ. Nilai η dan λ keduanya 0,92 dengan P323 0,2694
P33 0,5423 P331 0,92
menerapkan Lingo11.0 dan Python untuk mengolah dataset.
P332 0,4593
P34 0,2038 P341 0,92
P342 0,3067

7
H.Wu dkk.
contoh digunakan untuk memperkirakan P111, yang menjelaskan bagaimana model dan
metode penilaian risiko yang diusulkan untuk menilai risiko konsistensi politik dan
kebijakan (Tabel 6–9).
5.2.1. Mendefinisikan variabel linguistik dan nilai fuzzy
5.2.2. Menentukan Formula dan nilai keanggotaan
5.2.3. Hitung aturan dan fungsi massa masing-masing peserta
5.2.4. Fungsi massa komposit
Kami mengumpulkan 10 dari 535 tanggapan sebagai sampel. Oleh karena itu, kami
tidak mengurangi fungsi Mass gabungan dari 10 tanggapan.
5.2.5. Tentukan dan tetapkan nilai relatif di antara nilai bobot awal untuk
fungsi massa yang disesuaikan
5.2.6. Masukkan nilai relatif yang disesuaikan ke dalam fungsi massa sekering
Kami mendapatkan fungsi Mass untuk setiap respons dalam sampel
dengan nilai keanggotaan yang disesuaikan.Tabel 10menyajikan persepsi
risiko pada contoh pertanyaan dari setiap respon. MeskipunTabel 10
menunjukkan fungsi massa masing-masing respon, kita juga dapat
menggabungkan fungsi massa umum dari P111, yang dapat menyajikan
persepsi risiko rata-rata tingkat industri berdasarkan fungsi massa masing-
masing respons. Fungsi massa tingkat industri adalah
MF(P111)= (0.0001(tinggi),0.9998(sedang),0.001(rendah),0(domain wacana))
5.2.7. Hasil akhir
Terakhir, kami menerapkan prosedur secara berulang pada setiap faktor risiko,
seperti PSaya, Paku j, Pijk,dengan 535 tanggapan.Tabel 11menyajikan hasil bobot akhir
untuk setiap faktor risiko.
Setelah kita menerapkan nilai bobot di atas pada fungsi massa, P111
diperkirakan sebagai
M(P111)*
F = (0.000092(tinggi),0.999816(sedang),0.000092(rendah),0(domain wacana) )
Kami menerapkan metode ini secara berulang ke P112, P113,dan P114. Fungsi
massa P11,yang mewakili risiko politik dan kebijakan, adalah:
M(P11)*
F = (0(tinggi),1(sedang),0(rendah),0(domain wacana) )
Kami menerapkan metode ini secara berulang ke P11, P12,dan P13. Fungsi
massa P1,yang mewakili risiko eksternal, adalah:
MF= (0(tinggi),1(sedang),0(rendah),0(domain wacana) )
5.3. Ringkasan
Kami secara acak memilih 10 dari 535 tanggapan untuk memperkenalkan
prosedur model penilaian risiko. Melalui penghitungan berulang ini, kami dapat
memperkirakan persepsi risiko di semua tingkatan untuk setiap perusahaan
layanan cloud akuntansi dan mencapai persepsi risiko rata-rata berdasarkan
persepsi masing-masing penyedia dengan penerapan model dan metode kami.
8
Sistem Pakar Dengan Aplikasi 229 (2023) 120526
6. Kesimpulan dan peluang masa depan
Penyedia layanan cloud akuntansi baru-baru ini memasuki pasar dengan
aplikasi teknologi informasi di bidang akuntansi dan keuangan. Manajemen
risiko jarang didekati dalam penyedia layanan cloud akuntansi karena
manajemen risiko juga merupakan konsep yang muncul dan inovatif dalam
industri SaaS, yang dimiliki oleh penyedia layanan cloud akuntansi. Sejauh
pengetahuan terbaik, ini adalah makalah pertama yang mengeksplorasi
model dan metode penilaian risiko untuk penyedia layanan cloud akuntansi.
Untuk mengatasi pemodelan penilaian risiko, kami menerapkan pendekatan
penalaran bukti berbasis koefisien Gini yang berasal dari teori Dempster-
Schafer untuk membangun model dari tiga tingkatan: risiko eksternal,
internal, dan pemangku kepentingan. Dalam operasi bisnis sehari-hari,
penyedia layanan cloud akuntansi harus memerlukan interaksi dan integrasi
kontribusi dengan lembaga hukum, pelanggan, pemasok, produsen,
karyawan, dan bahkan lembaga dan asosiasi teknologi. Model dan metode
penilaian risiko yang diusulkan yang melibatkan dimensi-dimensi ini dapat
dengan jelas dan berhasil mempertimbangkan dan mengukur semua risiko
yang dihadapi penyedia layanan cloud akuntansi. Sejalan dengan faktor
lingkungan ekonomi, koefisien Gini, model dan pendekatan yang diusulkan
memberikan mekanisme yang komprehensif dan efektif untuk membantu
penyedia layanan cloud akuntansi mengelola risiko dengan sukses dalam
operasi bisnis.
Pekerjaan di masa depan mungkin menerapkan model dan metode ini pada
area penilaian risiko lainnya di industri SaaS, seperti layanan blockchain, layanan
keamanan siber, dan layanan otomatisasi proses robotik (RPA). Banyak bidang
akuntansi dan keuangan menghadapi tantangan serupa dengan sistem informasi
dan aplikasi teknologi.
Pernyataan kontribusi kepenulisan CReditT
Huaping Wu:Konseptualisasi, Pengawasan, Metodologi, Perangkat
Lunak.Yuguo Wu:Kurasi data, Perangkat Lunak, Validasi, Visualisasi,
Investigasi.Jidong Zhang:Penulisan – draf asli, Penulisan – review &
pengeditan, administrasi proyek.
Deklarasi Kepentingan Bersaing
Para penulis menyatakan bahwa mereka tidak mempunyai kepentingan finansial
atau hubungan pribadi yang saling bersaing yang dapat mempengaruhi pekerjaan yang
dilaporkan dalam makalah ini.
Ketersediaan data
Data akan tersedia berdasarkan permintaan.
Lampiran
Survei persepsi risiko bisnis bagi penyedia layanan cloud akuntansi
Apa yang kita lakukan?
Kami adalah pakar akuntansi yang tertarik untuk meneliti faktor risiko yang
dihadapi oleh penyedia layanan cloud akuntansi dalam bisnis sehari-hari. Survei
berfokus pada pemahaman persepsi risiko di perusahaan Anda. Kami
berkomitmen masukan Anda tidak akan diungkapkan kecuali untuk penelitian ini.
Silakan isi kuesioner ini, dan kami menghargai partisipasi Anda.
H.Wu dkk.
Terima kasih.
Pertanyaan 1: Silakan menilai dampak konsistensi kebijakan politik
terhadap bisnis layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 2: Silakan menilai dampak dukungan kebijakan politik
terhadap bisnis layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 3: Silakan menilai dampak kelengkapan kebijakan politik
terhadap bisnis layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 4: Silakan menilai dampak penegakan kebijakan politik
terhadap bisnis layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 5: Silakan menilai dampak pengakuan sosial pada bisnis
layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 6: Silakan menilai dampak tingkat pendidikan penduduk terhadap
bisnis layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 7: Silakan menilai dampak kematangan pasar pada
bisnis layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 8: Silakan menilai dampak persaingan pasar pada bisnis
layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 9: Silakan menilai dampak infrastruktur seperti server,
jaringan, dan komputer pada bisnis layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 10: Silakan menilai dampak perkembangan teknologi baru
pada bisnis layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 11: Silakan menilai dampak prospek ekonomi terhadap
bisnis layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 12: Silakan menilai dampak kualifikasi karyawan di
perusahaan Anda pada bisnis layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 13: Silakan menilai dampak penelitian dan pengembangan di
perusahaan Anda terhadap bisnis layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 14: Silakan menilai dampak kepemimpinan manajemen di
perusahaan Anda terhadap bisnis layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 15: Silakan menilai dampak aset tidak berwujud seperti paten,
merek, dll. di perusahaan Anda terhadap bisnis layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 16: Silakan menilai dampak niat baik dan reputasi
komersial perusahaan Anda pada bisnis layanan cloud akuntansi:
v sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□ paling tidak
mungkin□tidak sepertinya.
Pertanyaan 17: Silakan menilai dampak kesediaan untuk melayani
9
Sistem Pakar Dengan Aplikasi 229 (2023) 120526
pelanggan di perusahaan Anda pada bisnis layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 18: Silakan menilai dampak kepuasan pelanggan di
perusahaan Anda terhadap bisnis layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 19: Silakan menilai dampak pemahaman pelanggan di
perusahaan Anda terhadap bisnis layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 20: Silakan menilai dampak kompatibilitas budaya dengan
pelanggan di perusahaan Anda pada bisnis layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 21: Silakan menilai dampak kompatibilitas strategi dengan
pelanggan di perusahaan Anda pada bisnis layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 22: Silakan menilai dampak kompatibilitas sistem dengan pelanggan,
seperti perangkat lunak dan perangkat keras di perusahaan Anda pada bisnis layanan
cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 23: Silakan menilai dampak biaya persediaan di perusahaan
Anda terhadap bisnis layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 24: Silakan menilai dampak waktu respons risiko terhadap
pelanggan di perusahaan Anda pada bisnis layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 25: Silakan menilai dampak substitusi persediaan di
perusahaan Anda terhadap bisnis layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 26: Silakan menilai dampak kualifikasi pihak ketiga
seperti AWS dll., pada bisnis layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 27: Silakan menilai dampak kualifikasi infrastruktur
cloud seperti Alipay dll., pada bisnis layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 28: Silakan menilai dampak platform tentang berbagi
informasi persaingan pada bisnis layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Pertanyaan 29: Silakan menilai dampak akuntabilitas informasi yang
didistribusikan oleh platform tentang berbagi informasi persaingan
pada bisnis layanan cloud akuntansi:
□ sangat mungkin terjadi□yang paling disukai□lebih mungkin□mungkin□kecil kemungkinannya□
paling tidak mungkin□tidak sepertinya.
Referensi
Alberts, C., & Dorofee, A. (2002).Mengelola Risiko Keamanan Informasi: OCTAVE
Mendekati. Addison Wesley.
Catteddu, D., & Hogben, G. (2009).Kerangka kerja jaminan informasi komputasi awan.
Badan Keamanan Siber Uni Eropa (ENISA).
Chen, Q., Whitbrook, A., Aickelin, U., & Roadknight, C. (2014). Klasifikasi data menggunakan
metode Dempster-Shafer.Jurnal Kecerdasan Buatan Eksperimental &
Teoretis, 26(4), 493–517.
Chou, Y., & Oetting, J. (2011). Penilaian risiko untuk sistemnya yang berbasis cloud.Internasional
Jurnal Komputasi Grid dan Kinerja Tinggi, 3, 1–13.
Aliansi Keamanan Cloud (CSA). (2010).Ancaman teratas terhadap komputasi awan, versi 1.0. http://
www.cloudsecurityalliance.org/topthreats/csathreats.v1.0.pdf (diakses 17 April
2020).
H.Wu dkk.
Dahbur, K., Mohammad, B., & Tarakji, AB (2011a).Survei Risiko, Ancaman, dan
Kerentanan dalam Cloud Computing[Presentasi konferensi]. Prosiding Konferensi
Internasional ke-2 tentang Layanan dan Aplikasi Web Semantik Cerdas (ISWSA),
Amman, Yordania.
Dahbur, K., Mohammad, B., & Tarakji, AB (2011 April). Survei risiko, ancaman dan
kerentanan dalam komputasi awan. Di dalamProsiding konferensi Internasional 2011
tentang layanan dan aplikasi Web semantik cerdas(hal.1–6).
Demspter, A. (1967). Probabilitas atas dan bawah disebabkan oleh pemetaan multinilai.
Sejarah Statistik Matematika, 38(2), 325–339.
Djemame, K., Padgett, J., Gourlay, I., Voss, K., & Kao, O. (2009). Manajemen risiko di
grid. Dalam R. Buyya, & K. Bubendorfer (Eds.),Komputasi Grid dan Utilitas
Berorientasi Pasar(hal.335–353). Wiley.
Drissi, S., Houmani, H., & Medromi, H. (2013). Survei: Penilaian risiko untuk cloud
komputasi.Jurnal Internasional Ilmu dan Aplikasi Komputer Tingkat Lanjut, 4, 143–
148.
Du, Y.-W., Wang, Y.-M., & Qina, M. (2018). Aturan penalaran bukti baru untuk keduanya
bobot dan keandalan untuk kombinasi bukti.Komputer & Teknik Industri (Vol. 124
Oktober, 493–508.
“From hype to future: KPMG's 2010 cloud computing survey”, (2010), tersedia di:
http://www.TechRepublic. com/whitepapers/from hype-to-future kpmgs-2010-
cloud-computing-survey/2384291 (diakses 17 April 2020).
Grance, T., & Jansen, W. (2011). Pedoman keamanan dan privasi dalam komputasi awan.
Publikasi Khusus NIST-800-144.
Harauz, J., Kaufman, LM, & Potter, B. (2009). Keamanan data di dunia cloud
komputasi.Keamanan & Privasi IEEE, 7(4), 61–64.
Hashizume, K., Rosado, DG, Fernández-Medina, E., & Fernandez, EB (2013). Sebuah
analisis masalah keamanan untuk komputasi awan.Jurnal layanan dan aplikasi
internet, 4, 1–13.
He, W., Qiao, P.-L., Zhou, Z.-J., Hu, G.-Y., Feng, Z.-C., & Wei, H. (2018). Keyakinan baru-
metode berbasis aturan untuk diagnosis kesalahan jaringan sensor nirkabel.Akses IEEE, 6, 9404–
9419.
Julisch, K., & Hall, M. (2010). Keamanan dan kontrol di cloud.Informasi keamanan
Jurnal: Perspektif Global, 19(6), 299–309.
Khajeh-Hosseini, A., Sommerville, I., Bogaerts, J., & Teregowda, P. (2011). Keputusan
alat pendukung untuk migrasi cloud di perusahaan. Di dalamProsiding Konferensi
Internasional IEEE ke-4 tentang Cloud Computing 2011, CLOUD 2011.
Khokhar, RH, Bell, DA, Guan, J., & Wu, Q. (2006). Penilaian risiko e-commerce
proyek menggunakan penalaran bukti. Di dalamSistem fuzzy dan penemuan
pengetahuan: prosiding konferensi internasional ketiga, FSKD 2006, di Xi'an, Cina, 2006,
Springer, Berlin, Heidelberg, hal.621-630.
KPMG. (2012a). Pernahkah Anda melihat keuangan & akuntansi di cloud? Mungkin kamu
sebaiknya. Tersedia di https://assets.kpmg/content/dam/kpmg/pdf/2013/03/
haveyou-looked-at-finance-accounting-cloud.pdf (diakses 17 April 2020).
KPMG. (2012b). Pajak di cloud. Pengarahan untuk direktur pajak. Tersedia di https://
cryptome.org/2012/12/kpmg-tax-cloud.pdf (diakses 17 April 2020). KPMG.
(2013). Awan mulai terbentuk. Survei cloud global: Implementasinya
tantangan. Tersedia di https://assets.kpmg/content/dam/kpmg/pdf/2013/10/
thecloud-takes-shape-v4.pdf (diakses 17 April 2020).
Kumar, V., Swetha, MS, Muneshwara, MS, & Prakash, S. (2012). Komputasi awan:
Terhadap studi kasus mekanisme keamanan data.Jurnal Internasional Penelitian
Teknologi dan Rekayasa Maju, 2(4), 1–8.
Latif, R., Abbas, H., Assar, S., & Ali, Q. (2014). Di dalamPenilaian risiko komputasi awan: A
tinjauan literatur sistematis(hal.285–295). Berlin, Heidelberg: Implementasi Pengendali
Berbasis FPGA untuk Smokehouz Springer.
Lemkin, JM (2015). Pengatur Waktu Kedua: Mark Organ, CEO/Pendiri Influitif dan
Eloqua: '10 Pelajaran yang Sulit Dimenangkan'. Tersedia di http://www.saastr.com/the-
secondtimers-mark-organ-ceo pendiri-of-intuitive-and-Eloqua-10-hard-won-lessons/
(diakses pada 18 November 2016).
10
Sistem Pakar Dengan Aplikasi 229 (2023) 120526
Lovell, R. (2009). Buku putih: Pengantar komputasi awan. Tersedia di https://
docplayer.net/6423934-White-paper-introduction-to-cloud-computing.html
(diakses 17 April 2020).
Luo, M., Zhang, L.-J., & Lei, L. (2010). Model asuransi untuk layanan penjaminan
jaminan, integritas dan QoS dalam komputasi awan. Dalam proses persidanganKonferensi
Internasional IEEE tentang Layanan Web, ICWS 2010, Miami, Florida, 2010, hal.584-591.
Ma, D., & Kauffman, RJ (2014). Persaingan antara vendor perangkat lunak sebagai layanan.
Transaksi IEEE pada Manajemen Rekayasa, 61(4), 717–729.
Mizuno, Y., & Odake, N. (2015). Sebuah studi kasus tentang pembentukan progresif akuntansi
layanan cloud di Jepang.Jurnal Internasional Ilmu Pelayanan, Manajemen,
Teknik, dan Teknologi (IJSSMET), 6(1), 1–21.
Morali, A., & Wieringa, RJ (2010). Persyaratan kerahasiaan berbasis risiko
spesifikasi untuk sistem TI yang dialihdayakan. Di dalamprosiding Konferensi Rekayasa
Persyaratan Internasional IEEE ke-18 tahun 2010 di Sydney, NSW, Australia, 2010, IEEE,
hal.199-208, doi: 10.1109/RE.2010.30.
PricewaterhouseCoopers. (2014). Perusahaan-perusahaan teknologi terkemuka dunia bersaing untuk menang
'pertempuran untuk cloud': strategi & merilis studi ICT 50 global tahunan ketiga.
Tersedia di http://www.strategyand.pwc.com/uk/home/press_contacts/display/
third-annual-global-ICT-50-study-UK (diakses pada 18 November 2016). Ramgovind,
S., Eloff, Mm., & Smith, E. (2010). Manajemen keamanan di cloud
komputasi. Dalam prosesKonferensi internasional IEEE tentang keamanan informasi untuk
Afrika Selatan, 2010.
Rana, S., & Joshi, PK (2012). Analisis risiko pada aplikasi web dengan menggunakan cloud
komputasi.Jurnal Internasional Penelitian Multidisiplin, 2(1), 386–394. Ren, K.,
Wang, C., & Wang, Q. (2012). Tantangan keamanan untuk cloud publik.IEEE
Komputasi Internet, 16(1), 69–73.
Saaty, TL (1978). Pemodelan masalah keputusan tidak terstruktur-teori analitis
hierarki.Matematika dan Komputer dalam Simulasi, 20(3), 147–158.
Saripalli, P., Oldenburg, C., Walters, B., & Radheshyam, N. (2011 Desember).
Implementasi dan evaluasi kegunaan platform cloud untuk komputasi ilmiah sebagai
layanan (SCaaS).Konferensi Internasional IEEE Keempat 2011 tentang Utilitas dan
Komputasi Awan(hal.345–354). IEEE.
Shafer, G. (1976).Teori Bukti Matematika(Jil. 42). Princeton, New Jersey:
Pers Universitas Princeton.
Subashini, S., & Kavitha, V. (2011). Sebuah survei tentang masalah keamanan dalam model pemberian layanan
komputasi awan.Jurnal Aplikasi Jaringan dan Komputer, 34(1), 1–11. Takabi, H., Joshi,
JBD, & Ahn, G.-J. (2011). Tantangan keamanan dan privasi di cloud
lingkungan komputasi.Majalah Keamanan dan Privasi IEEE, 8(6), 24–31. Wayne, A.
(2010). Transparansi Penyedia Cloud.Yaitu menjelajah. Ieee. Organisasi.
Yang, J.-B., & Xu, D.-L. (2013). Aturan penalaran bukti untuk kombinasi bukti.
Kecerdasan Buatan, 205 Desember, 1–29.
Yang, JB, Wang, YM, Xu, DL, & Chin, KS (2006). Alasan pembuktian
pendekatan untuk MADA dalam ketidakpastian probabilistik dan fuzzy.Jurnal
Riset Operasional Eropa, 171(1), 309–343.
Yeo, CS, & Buyya, R. (2009). Analisis risiko terintegrasi untuk komputasi komersial
layanan dalam komputasi utilitas.Jurnal Komputasi Grid, 7(1), 1–24.
Zachman, JA (1987). Kerangka kerja untuk arsitektur sistem informasi.Sistem IBM
Jurnal, 26(3), 276–292.
Zadeh, LA (1984). Sebuah teori bukti matematika. Ulasan buku.Majalah AI,
5(3), 81.
Zhang, X.-X., Wang, Y.-M., Chen, S.-Q., Chu, J.-F., & Chen, L. (2018). Koefisien Gini-
berdasarkan pendekatan penalaran bukti dengan bobot bukti yang tidak diketahui.Teknik
Komputer & Industri, 124 Oktober, 157–166.
Zhao, F.-J., Zhou, Z.-J., Hu, C.-H., Chang, L.-L., Zhou, Z.-G., & Li, G.-L. (2016). Yang baru
metode berbasis penalaran bukti untuk penilaian keamanan online dari sistem yang
kompleks.Transaksi IEEE pada Sistem, Manusia, dan Sibernetika: Sistem, 48(6), 954–966.