Persepsi Resiko Dalam Hubungan Kausal Antara Kecederungan Penggunaan Internet Dengan Kesediaan Nasabah Untuk Menggunakan Fasilitas Internet Banking Dan Sistem Pembayaran Online

Penelitian ini dilakukan untuk mengetahui sejauh mana pengaruh dari persepsi resiko terhadap kesediaan nasabah untuk melakukan layanan internet banking dan pembelian online, serta untuk mengukur apakah pengalaman dan kecenderungan menggunakan internet memiliki pengaruh yang signifikan dalam meningkatkan kesediaan nasabah untuk menggunakan fasilitas online banking dan pembayaran online. Ada beberapa hal yang mempengaruhi kesediaan konsumen dalam menggunakan layanan internet banking antara lain adalah bahwa factor kecenderungan menggunakan internet dan faktor pengalaman menggunakan internet memiliki pengaruh yang positif terhadap kesediaan nasabah untuk menggunakan fasilitas internet banking. Persepsi resiko dalam menggunakan fasilitas layanan internet banking memiliki pengaruh yang negative terhadap kesediaan nasabah dalam menggunakan fasilitas internet banking, karena penggunaan media internet tentu saja memiliki beberapa macam bentuk resiko yang tentu saja dapat diterima konsumen. Faktor kecenderungan menggunakan internet dan faktor pengalaman menggunakan internet memiliki pengaruh yang negative terhadap persepsi resiko dalam kesediaan nasabah untuk menggunakan fasilitas layanan internet banking. Apakah persepsi resiko memiliki peran mediasi dalam hubungan antara kecenderungan menggunakan dan pengalaman menggunakan internet dengan kesediaan nasabah untuk menggunakan fasilitas internet banking merupakan hal yang menarik untuk diteliti. Penelitian ini menggunakan model dari penelitian sebelumnya yang dilakukan oleh Kuhlmeier dan Knight (2005). Kesediaan untuk menggunakan jasa layanan internet banking merupakan suatu bentuk peluang untuk perkembangan E-Commerce, khususnya di Yogyakarta, Indonesia.

Pendahuluan

Dalam persaingan bank yang sangat ketat, faktor keputusan nasabah menjadi perhatian yang serius. Masing-masing bank mempunyai pengungkapan yang beraneka ragam untuk memberikan segala sesuatu yang eperti apa yang diharapkan, seperti “Nasabah adalah raja”, “Keputusan konsumen adalah tujuan kami”, dan sebagainya. Inovasi pengembangan sistem layanan perbankan dewasa ini banyak dilakukan dengan memnggunakan bantuan teknologi informasi. Penggunaan teknologi informasi memberikan berbagai macam kemudahan, fasilitas, dan layanan bagi nasabah. Pihak perbankan harus segera dapat menyesuaikan diri dengan menerapkan sistem operasi perbankan dengan menggunakan bantuan teknologi informasi dalam memberi layanan bagi nasabahnya. Selain itu, layanan dengan menggunakan fasilitas teknologi informasi harus didukung oleh kemampuan pihak perusahaan untuk menciptakan suatu program yang mudah untuk digunakan nasabahnya (user frienly). Salah satu layana perbankan yang digunakan fasilitas teknologi informasi adalah online banking dalam melakukan kegiatan pembayaran secara online, atau internet banking. Internet banking merupakan probosan baru dalam dunia perbankan yang diberikan perusahaan jasa perbankan untuk melayani transaksi keuangan nasabah secara online, baik itu transaksi dengan menggunakan kartu kredit, kartu debit, dan transfer keuangan secara online melalui internet banking (Mäenpää, 2006:304).

Kemampuan suatu perusahaan jasa perbankan untuk memberikan layanan internet banking yang baik akan menurunkan resiko dan akan memberikan konstribusi positif dalam meningkatkan penggunaan jasa layana internet banking dalam setiap transaksi keuangan yang dilakukan oleh nasabah. Penggunaan jasa layanan internet banking diyakini akan memberikan lebih banyak manfaat dan kemudahan bagi nasabah maupun bagi perusahaan dibandingkan jika menggunakan sistem transaksi keuangan yang konvensional.

Information Technology

Teknologi informasi memiliki peranan penting dalam perekayasaan sebagai besar proses bisnis. Kecepatan, kemampan pemrosesan informasi, dan konektivitas komputer serta teknologi internet dapat meningkatkan efisinsi proses bisnis. Teknologi informasi tidak hanya terbatas pada teknologi komputer (seperangkat alat keras dan lunak) yang digunakan untuk memproses dan menyimpan informasi, melainkan yang mencakup teknologi informasi untuk mengirimlan informasi. Teknologi informasi secara de facto sudah menjadi landasan untuk melakukan bisnis.

Theory of Reason Action (TRA)

Theory of Reason Action dikembalikan oleh Fishbein and Ajzen (1975) yang membantu para peneliti untuk memahami dan memprediksi sikap dan perilaku individu (Davis at al., 1989:17). TRA telah berhasil memprediksi dan menjelaskan perilaku pada berbagai wilayah kajian. Teori tersebut paling sering digunakan sebagai model teoritis dalam sistem informasi. Kinerja seseorang mengenai perilaku tertentu ditentukan oleh tujuan untuk menjalankan prilaku, dan tuuan tersebut ditentukan oleh sikap dan norma subyektif (Davis et al., 1989:18). Beberapa faktor tertentu dalam menetapkan perilaku penerimaan teknologi, antara lain: behavioral intention untuk menetapkan perilaku, apabila behavioral intention digabungkan dengan sikap atau attitude dan kaidah norma atau subjective norm.

Theory of Planned Behavior (TPB)

Menurut Hermana (2005:22) TPB merupakan perluasan dari TRA dengan penambahan variabel perceived behavioral control-selain perilaku dan norma subyektif, untuk menerangkan situasi dimana individu tidak memiliki pengendalian terhadap perilaku yang diinginkan (Azen, 1991, seperti yang dikutip oleh Chau dan Hu (2001:53). Menurut King (2003:8) penelitian menurut adopsi teknologi yang sudah menggunakan TRA dan TPB sebagai model teoritisnya, tettapi TRA lebih umum digunakan. Chau dan HU (2001:53) menggabungkan TPB dengan TAM. Variabel pengengaliannya diukur dengan 3 indikator yaitu menggabungkan TPB dengan TAM. Variabel pengengaliannya diukur dengan 3 indikator yaitu kemampuan, pengetahuan, dan sumberdaya yang dimiliki.

Technology Accepance Model (TAM)

TAM yang diperkenalkan pertama kali oleh Fred D. Davis pada tahun 1986, adalah adaptasi dari TRA yang dibuat khusus untuk pemodelan penerimaan pengguna terhadap sistem informasi. Menurut Davis (1989:11), tujuan utama TAM adalah untuk memberikan dasar untuk penelusuran pengaruh faktor eksternal terhadap kepercayaan, sikap, dan tujuan pengguna. TAM menganggap bahwa 2 keyakinan, yaitu persepsi manfaat (perceived usefukness, disingkat PU) dan persepsi kemudahan penggunaan (perceived ease of use, disingkat PEOU), adalah pengaruh utama untuk perilaku penerimaan komputer. Pada umumnya penguna teknologi akan memiliki persepsi positif terhadap teknologi yang disediakan. Persepsi negatif akan muncul sebagai dampak dari penggunaan pernah mencoba teknologi tersebut. Artinya persepsi negatif berkembang setelah pengguna pernah mecoba teknologi tersebut atau pengguna berpengalaman buruk terhadap pengguna teknologi tersebut. Sehingga model TAM dapat digunakan sebagai dasar untuk menentukan upaya-upaya yang diperlukan untuk mendorong kemauan menggunakan teknologi.

Download Full Paper 

Read More

Teknologi Analytics Dalam Validasi Keputusan

Setiap organisasi membutuhkan tempat data internal dalam memanfaatkan sumber-sumber dan aliran data baru. Perangkat pintar yang terhubung akan meminimalisir keterlibatan manusia dari lingkaran pengguna dalam beberapa kasus, sehingga perangkat akan membuat keputusan dan menyesuaikan diri sendiri, mengoreksi dan memperbaiki diri mereka sesuai dengan yang diperlukan. Istilah ini disebut sebagai Learning Machine. Learning machine menggunakan pendekatan secara analitik untuk memaknai data. Setiap data yang digunakan dalam keperluan teknik analitik pada machine learning adalah merupakan jendela menuju Internet of Things (IoT).

Kapabilitas Internet of Things (IoT) / Internet of Things Capabilities

Empat jenis dari IoT Capabilities:

1. Monitoring - Sensor terhadap operasi penggunaan dan performa data.
2. Control - Fungsi dari alat-alat yang dapat dipersonalisasi dan dikontrol.
3. Optimization - Umpan balik secara terus menerus dari pemantauan dan kontrol untuk meningkatkan efisiensi, kinerja yang lebih baik, perawatan, diagnostik, dan perbaikan.
4. Autonomy - Monitoring, kontrol, dan optimasi memberi peluang terhadap operasi independen dan berkomunikasi dengan sistem lainnya, melakukan interaksi dengan lingkungan, melakukan personalisasi, diagnosa terhadap diri sendiri, dan perbaikan.

Setiap kali perangkat cerdas terhubung ke internet maka akan semakin besar peluang untuk melakukan perubahan sesuai dengan yang dibutuhkan oleh user, mengingat banyaknya data yang dapat dikumpulkan dan luasnya batasan komunikasi yang dapat dimanfaatkan. Kita bahkan bisa memantau operasi peralatan sistem atau mesin dan kemudian memperluas batas-batas campur tangan manusia dengan mengontrol beberapa buah peralatan atau beberapa sistem. Hal ini kemudian akan memberi pertimbangan baru akan peran manusia dalam menjalankan sebuah sistem atau mesin, karena sebagian besar fungsi yang terdapat pada sistem atau mesin tersebut adalah otomatis. 

Mesin atau sistem dapat menggunakan penilaian mereka sendiri untuk membuat perubahan, koreksi, atau melakukan penyesuaian. Manusia tidak perlu memantau secara real time (tergantung pada proses). Pemantauan yang diperlukan kemungkinan hanya dalam proses menentukan pengambilan data dan memprosesnya (sesuatu yang harus dilakukan dengan data di beberapa titik atau data khusus).

Otonomi yang seperti ini membutuhkan kecerdasan yang lebih besar. Kecerdasan tersebut sangat mungkin dilakukan pada algoritma operasi otonom yang membutuhkan menggabungkan pendekatan machine learning yang mampu beradaptasi untuk menghadapi situasi baru ke dalam algoritma inti yang digunakan untuk pemantauan, pengendalian, dan optimasi.

Analytics dan Machine Learning

Data dan fungsi dapat diakses dari lokasi manapun melalui jenis perangkat khusus menyediakan konteks di mana pengguna dapat mengakses data. Misalnya sebuah gelang kebugaran dapat mengakses data tentang kesehatan fisik pengguna melalui iPhone atau laptop dalam konteks latihan tertentu. Dalam hal ini, gelang kebugaran bertindak sebagai sensor IoT serta menyediakan sarana untuk mengakses dan mengkonsumsi data. Perangkat ini juga menggolongkan perangkat lain melalui fungsi perangkat lunak. Data yang disediakan oleh perangkat dapat menawarkan wawasan tambahan tentang penggunaan user/pengguna dan preferensi, yang dapat dimanfaatkan ketika memperbarui fungsi dan mengembangkan fitur baru. 

Jika agregasi data pada populasi pengguna dapat dikombinasikan dengan dataset lainnya, maka wawasan baru akan dapat menjelaskan data epidemiologi, aktivitas tingkat populasi, gaya hidup, dan data demografis. Informasi ini memiliki nilai yang sangat penting untuk pebisnis, penyedia layanan kesehatan, perusahaan asuransi, dan lembaga pemerintah. Algoritma machine learning dapat digunakan untuk membuat prediksi berdasarkan pola data ini. Sebagai contoh, dalam sebuah studi Mayo Clinic, data aktivitas berkorelasi dengan tingkat pemulihan untuk pasien dengan penyakit jantung.

Machine learning dan algoritma prediktif merupakan dasar untuk sejumlah perangkat cerdas yang terhubung dengan pengguna. Termostat Nest misalnya, adalah contoh dari perangkat yang memanfaatkan pola data dalam memprediksi suhu yang disukai/diinginkan oleh user/pengguna di ruang tertentu pada waktu tertentu dalam sehari. Yang menjadi tantangan paling menarik adalah: Algoritma harus mampu merasakan, menanggapi, dan beradaptasi. Misalnya, sebuah mobil yang bertanggung jawab lebih dari sopir, dalam hal mobil melakukan interaksi dengan lebih banyak sumber lingkungan data (sensor, lampu, mobil-mobil lain, dan sebagainya). 

Kelas aplikasi lain yang tak kalah pentingnya adalah dalam hal 'otomasi' industri, logistik dan transportasi, jaringan listrik dan energi sistem, manajemen lalu lintas, sistem keamanan, dan kemampuan komunikasi antar sistem akan memberi kemudahan pada mesin dalam berkomunikasi langsung dengan mesin lainnya. Selain itu, aplikasi sistem akan membantu mesin dalam menafsirkan dataflows berdasarkan algoritma yang dapat 'berevolusi' dan 'beradaptasi', sehingga mesin dapat mencapai titik akhir yang diinginkan sesuai dengan parameter operasional tertentu.

Read More

Machine Learning, Business Intelligence, dan Big Data Analytics

Begitu mendengar istilah data mining, secara naluriah kita tahu bahwa itu bukan hanya tentang mengumpulkan data, dan kita pasti sepaham bahwasanya seberapa besar dan banyaknya data yang kita peroleh tidak selalu akan membuat kita menjadi pintar dan cerdas. Melainkan hanya membuat kita menjadi salah satu dari pemulung atau pengumpul yang memiliki tumpukan barang di seluruh pelosok rumah atau gudang kita. Ya, hal tersebut juga berlaku bagi mesin dan sistem. Big data sangat mungkin untuk dibuat menjadi sesuatu yang terorganisir dengan baik dan bisa memiliki potensi penggunaan yang membuatnya lebih bernilai. Tapi akankah kita pernah mengambil itu dan menggunakannya? Apakah kita akan benar-benar mendapatkan keuntungan dari apa yang telah susah payah kita kumpulkan? Kemungkinan besar tidak. Namun tujuan utamanya adalah untuk mengubah data ke dalam tindakan yang dapat memberi kontribusi. Business Intelligence.

Big Data Analytics

Sebagian besar data mining dan teknik analisis statistik bergantung pada teknologi DBMS relasional, data warehouse, ETL, OLAP, dan BPM. Sejak akhir 1980-an, berbagai algoritma data mining telah dikembangkan oleh para peneliti dari komunitas intelligence, algoritma, dan basis data buatan. Beberapa diantaranya yang paling terkenal adalah: C4.5, k-means, SVM (Support Vector Machine), Apriori, EM (Expectation Maximization), PageRank, AdaBoost, kNN (k-Nearest Neighbors), Naïve Bayes, dan CART. Algoritma tersebut mencakup klasifikasi, clustering, regresi, analisis asosiasi, dan analisis jaringan. Sebagian besar algoritma data mining yang populer ini telah dimasukkan dalam sistem data mining komersial dan open source. Kemajuan lain seperti jaringan saraf tiruan untuk klasifikasi/prediksi dan clustering dan algoritma genetika untuk optimasi dan pembelajaran mesin memiliki kontribusi untuk keberhasilan data mining dalam aplikasi yang berbeda.

Machine learning masih memiliki potensi untuk menjadi teknologi yang mainstream di perusahaan-perusahaan industri perangkat lunak, dalam penggabungan dengan teknologi lain yang berkaitan dengan kecerdasan buatan dan komputasi kognitif, dalam bisnis intelijen dan analisis industri. Potensi machine learning dalam menangani data dalam jumlah besar dan kemampuannya dalam ekstraksi pengetahuan dari big data tersebut menjadikan machine learing semakin popular dalam penggunaannya ke arah analisis prediktif dan data mining. Yang membuat machine learning selalu menjadi bahan yang menarik untuk dikaji adalah kaitannya dengan masalah yang kompleks mengenai algoritma yang digunakan harus beradaptasi dengan perubahan kondisi yang berlangsung secara terus menerus. Hal ini kemudian menjadi sebuah aplikasi yang sukses dari teknik learning machine misalnya dalam implementasi pendeteksi spam. Peran data analytics berubah menjadi pendamping dalam sistem pendukung keputusan secara otomatis, atau otomatisasi keputusan.

Otomatisasi Keputusan

Tahap keputusan bisa terjadi dalam dua cara: 

1. Sebagai keputusan yang didukung dan dibuat oleh pengguna.
2. Memungkinkan sistem untuk mendelegasikan kemampuan dalam membuat keputusan untuk dirinya sendiri.

Pada poin kedua maksudnya adalah mengotomatisasi proses pengambilan keputusan berdasarkan analisis sebelumnya dan membiarkan sistem untuk belajar, menyesuaikan, dan memutuskan dengan mendelegasikan keputusan untuk sistem, untuk proses memperluas jangkauan analisis untuk analisis prediksi, pesan peringatan dini, dan bahkan penemuan data. Ada sejumlah kasus di mana machine learning digunakan untuk meningkatkan kemampuan organisasi dalam memenuhi kebutuhan analisis, terutama untuk analisis yang diterapkan untuk platform Big Data. Beberapa contoh dari yang diterapkan untuk analisis Big Data yang lebih yang berorientasi bisnis adalah seperti facebook, yang mengatur apa yang akan ditampilkan di timeline user, mulai dari feeds sampai dengan iklan (sponsor) yang relevan dengan user tersebut. Tentu saja, keputusan dalam menampilkan feed dan iklan dilakukan oleh algoritma, bukan oleh manusia.

Read More

Paradigma Machine Learning dalam Bisnis dan Sistem Kognitif

Machine learning, bersama dengan banyak disiplin ilmu lain dalam bidang AI (Artificial Intelligence) atau kecerdasan buatan dan sistem kognitif dewasa ini semakin populer. Bahkan memberi dampak yang signifikan dalam waktu yang tidak begitu jauh pada industri perangkat lunak. Machine learning tercakup dalam beberapa konsep dasar disiplin ilmu yang memiliki potensi besar dalam mengubah sistem Business Intelligence (BI) atau bisnis intelijen dalam skala analitik.

Apakah Machine Learning itu?

Dalam istilah yang sederhana, machine learning adalah cabang dari disiplin ilmu yang lebih besar, yaitu Artificial Intelligence (AI) atau Kecerdasan Buatan yang melibatkan desain dan konstruksi aplikasi komputer atau sistem yang mampu belajar dan melakukan pengolahan sendiri berdasarkan masukan data. Disiplin ilmu dari machine learning juga menggabungkan disiplin ilmu analisis data seperti analisis prediktif dan data mining, termasuk data mining untuk pengenalan pola. Salah satu aplikasi yang lebih penting dari machine learning adalah untuk 'mengotomatisasi' proses akuisisi basis pengetahuan yang digunakan oleh apa yang kita sebut dengan sistem pakar, sistem yang bertujuan untuk meniru proses pengambilan keputusan keahlian manusia di lapangan.

Machine Learning Yang Membangun Bisnis.

Keberhasilan penerapan machine learning dalam disiplin ilmu tertentu seperti pengenalan suara, visi komputer, bio-pengawasan, dan pengendalian robot memberi pengaruh terhadap minat dan adopsi teknologi bahasa mesin yang cukup signifikan, khususnya selama dua dekade terakhir. Pendekatan utama pada bidang teknologi ini termasuk dalam menggunakan jaringan saraf tiruan, sistem pembelajaran berbasis kasus, algoritma genetika, dan pembelajaran analitik (analytical learning). Hal yang paling menarik adalah bagaimana keseluruhan teknologi dalam sebuah aplikasi dan algoritma sains tersebut kemudian menjadi sebuah aplikasi komersial dan bisnis.

Machine Learning untuk Bisnis yang Realistis.

DSS (Decision Support System) atau Sistem Pengambilan Keputusan (SPK) berbasis pengetahuan dapat memberi saran atau merekomendasikan sebuah tindakan untuk manajer. DSS merupakan sebuah sistem komputer dengan keahlian pemecahan masalah khusus, yang mengadopsi atau meniru keahlian manusia. 'Keahlian' terdiri dari pengetahuan tentang domain tertentu, dan pemahaman tentang masalah dalam domain tersebut untuk memecahkan masalah. Dalam hal ini ada unsur yang jelas untuk meningkatkan adopsi teknologi dan metodologi, seperti kolaborasi machine learning dengan manajemen secara intensif dan meningkatkan data non-tradisional (relasional). Kebutuhan untuk sistem dalam memecahkan kompleksitas bertepatan dengan fenomena seperti Big Data dan analisis canggih dalam bisnis yang memberikan ruang alami untuk pintu masuk terhadap learning machine dalam membantu mengatasi beberapa set 'big data' dalam kompleksitas pengetahuan untuk analisis data dan pengambilan keputusan.

Pada akhirnya, penggunaan Machine Learning sebagai bagian dari Big Data dan Advanced Analytics memiliki peran tersendiri dalam pembentukan daerah baru yang disebut Sistem Kognitif atau Cognitive System.

Read More

Cognitive Computing dan Machine Learning

Teknik Komputasi Kognitif (Cognitive Computing) merupakan sebuah model inovasi komputasi secara analitik dalam pemrosesan bahasa alami atau natural language dan pembelajaran mesin (machine learning). Inovasi yang dihasilkan dalam teknik ini adalah sebuah simulasi proses berfikir manusia secara komputasi. Komputasi Kognitif menciptakan sebuah Sistem IT yang secara otomatis mampu menyelesaikan masalah tanpa bantuan manusia. Sistem ini secara komputer sains disebut juga sebagai sistem yang mampu belajar sendiri dan menyelesaikan masalah sendiri dengan algoritma tertentu, atau disebut juga dengan 'self-learning'.

Read More