PENDAHULUAN
sering juga diperlukan untuk SDM yang kompleks, dengan penelitian terbaru meminta DMSS yang lebih integratif. melibatkan pendekatan (Mora, Forgionne, Cervantes, GarY metode dan praktik organisasi menggunakan rido, Gupta, & Gelman, 2005; PhillipsYWren, untuk menafsirkan peluang dan ancaman dalam Mora, Forgionne, & Gupta, 2009). Lingkungan DMSS kemudian membuat keputusan respons, teknologi menawarkan tipe kaya dan berkuasaY (Shrivastava & Grant, 1985).keputusan modern dengan Platform teknologi penelitian penentuteknologi membuat sistem dukungan tinggi (DMSS) adalah tingkat validitas eksternal dan internal serta keandalan yang diperlukan untuk dukungan keputusan terintegrasi
Kondisi ketidakpastian di lingkungan bulent sangat turY, semakin mempersulit proses SDM, dapat membatasi efektivitas pengambilan keputusan (RamirezYMarquez & Farr, 2009). Yang menjadi masalah adalah perlunya kecepatan respon di mana logika menentukan keputusan yang memuaskan yang dibuat dengan cepat lebih unggul daripada keputusan yang optimal yang dibuat terlambat. Dari pengambilan keputusan yang paling umum dan banyak digunakan adalah perilaku politik dan rasionalitas prosedural (FredrickY son & Mitchell, 1984; Hart, 1992; Eisenhardt & Zbaracki, 1992; Dean & Sharfman, 1993; Hart & Banbury , 1994; Radner, 2000; Hough & White, 2003; Elbana & Child, 2007). Penelitian menganjurkan 'proses politis akan lebih efektif dalam konteks ini, proses pengambilan keputusan rasional kurang efektif di lingkungan yang tidak stabil (FredrickY son & Mitchell, 1984). Penelitian mempertimbangkan efektivitas proses 'kecepatan tinggi' proses pembuatan memungkinkan untuk respon lebih cepat dan lebih efektif daripada pengambilan keputusan politik. (Bourgeois & Eisenhardt, 1988; Eisenhardt, 1989). Hart (1992) memperluas argumen untuk mengembangkan kerangka kerja untuk proses pengambilan keputusan yang melibatkan basis politik atau rasional, dan 'pendekatan rasional harus berhubungan positif dengan efektivitas, sedangkan pendekatan politis yang lebih banyak seharusnya tidak.Literatur tentang efektivitas proses SDM ini bertentangan karena penelitian menunjukkan keputusan rasional proses pembuatan akan berhubungan positif dengan efektivitas (Bourgeois & Eisenhardt, 1988; Eisenhardt, 1989; Hart, 1992) dan keputusan politis. Proses pembuatan keputusan tidak efektif (Hart, 1992),harus mengikuti proses pengambilan keputusan politik dan menentang pengambilan keputusan yang rasional. (Fredrickson & Mitchell, 1984). Dengan adanya konflik, sebagian besar tidak terselesaikan secara empiris, salah satu kontribusi dari penelitian ini adalah kami menguji implikasi efektif dari proses-proses SDM politis dan rasional. kami menawarkan beberapa klarifikasi dan resolusi prediksi dan temuan yang bertentangan dari Fredrickson dan Mitchell (1984), Bourgeois dan Eisenhardt (1988), dan Hart (1992).
Dalam penelitian kami membahas beberapa pertanyaan khusus:
1) Apakah variasi dalam proses pengambilan keputusan menghasilkan variasi dalam pilihan respons;
2) Apakah variasi dalam pilihan jawaban menghasilkan variasi dalam keputusan efektif; dan
3) Bisakah kita juga melacak efektivitas berbagai proses SDM yang dimediasi melalui pilihan respons tertentu?
Oleh karena itu, kita cukup melihat proses SDM mana yang lebih efektif dan hasil yang paling efektif.Makalah ini menghasilkan:
1) Kami meninjau penelitian terkait pada SDM, dan memanfaatkan teori usia sebelumnya untuk mengembangkan hipotesis untuk proses terintegrasi.
2) Kami menguji model dan hipotesis melalui analisis data empiris dari latihan pelatihan penanganan krisis menggunakan teknologi sistem pendukung keputusan simulasi berbasis agen;
3) Kami menyajikan dan mendiskusikan hasil analisis kami dalam kaitannya dengan model dan hipotesis;dan
4) Kami menyimpulkan tentang temuan bersama dengan implikasi untuk praktik dan penelitian akademis masa depan.
Big data adalah istilah yang menyatakan volume data yang besar. Tapi, perlu kamu ketahui, bukan jumlah datanya yang penting, melainkan tujuan yang dilakukan oleh seseorang dengan data itulah yang penting. Singkatnya, big data, teknologi canggih yang memiliki kapasitas lebih besar dan kumpulan data yang lebih kompleks. Kumpulan data ini memiliki cakupan yang sangat luas sehingga perangkat lunak pengolah data tradisional tidak akan mampu mengelolanya. Kapasitas data yang sangat besar ini dapat kamu gunakan untuk mengatasi masalah bisnis yang mungkin tidak bisa kamu tangani sebelumnya. Menyambung penjelasan sebelumnya, data-data tersebut dikonversi menjadi informasi yang dapat membantu pengguna untuk membuat keputusan strategis di suatu instansi. Di era big data berbagai metode sudah diterapkan untuk meningkatkan proses pendidikan yang baik tentang proses pendidikan. Metode ini masih terbatas untuk aplikasi system pendukung keputusan terutama mengenai bantuan untuk memilih jurusan universitas. DSS adalah bagian dan sistem informasi berbasis komputer (termasuk sistem berbasis pengetahuan/manajemen pengetahuan) yang dipakai untuk mendukung pengambilan keputusan dalam suatu organisasi atau perusahaan. Metode analisis yang diterapkan faktor dan metode pohon keputusan C.45. Algoritma data mining C4.5 merupakan salah satu algoritma yang digunakan untuk melakukan klasifikasi atau segmentasi atau pengelompokan dan bersifat prediktif. Klasifikasi merupakan salah satu proses pada data mining yang bertujuan untuk menemukan pola yang berharga dari data yang berukuran relatif besar hingga sangat besar. Algortima C4.5 sendiri merupakan pengembangan dari algortima ID3. Algoritma C.45 cocok untuk membangun model pengetahuan untuk sistem Pendukung Keputusan Akademik untuk Memilih Sistem Informasi Sub Program Sarjana Jurusan. Sistem ini juga dapat membantu penasihat akademik dalam memantau dan membuat keputusan sesuai dengan informasi akademik itu.
Sampel Data
Kami menguji model dan hipotesis kami menggunakan data dari pendekatan multiYstep. untuk menguji model Dean dan Sharfman (1996) yang diperluas dan hipotesis hyY terkait untuk variasi dalam proses, pilihan, dan efektivitas SDM. Kami menggunakan pendekatan metodologis eksperimen eksperimental. Pendekatan ini terdiri dari dua langkah: 1) Menggunakan instrumen survei yang divalidasi untuk mengumpulkan data tentang proses strategi dan pilihan dari percobaan laboratorium dengan praktisi yang sebenarnya dikelompokkan ke dalam beberapa tim tanggapan; dan 2) Agen ligent intelijen. Simulasi berbasis digunakan dalam latihan untuk menghasilkan data tentang efektivitas proses SDM dan pilihan respons. Kami menguji model kami dan hipotesisnya melalui analisis empiris gabungan dari survei dan data simulasi yang dikumpulkan dari latihan. Latihan pelatihan MR Homeland Security terdiri dari sembilan tim agen manusia. Agen manusia ini beroperasi di lingkungan IJoint Operations Center "di mana mereka dapat melaksanakan berbagai keputusan dan merespons secara interaktif. Model Simulasi. The Measy ReY latihan menggunakan lingkungan sintetis sebagai teknologi sistem pendukung keputusan untuk latihan. Sistem ini menggunakan lingkungan simulasi komputer virtual yang dinamis untuk mensimulasikan wabah dan dispersi agen biologis pada kota berukuran menengah di Amerika Serikat .Selain itu, kami menggunakan data pathogenYspecific dari Centers for Disease Control (CDC) untuk memastikan serangan terjadi secara realistis pada populasi virtual agen cerdas Selanjutnya, organisasi Aspek akhir dari model simulasi menggabungkan data dari rencana respon DHS dan CDC. jenis-jenis teknologi sistem pendukung keputusan ini menawarkan lingkungan simulasi yang kaya dan dinamis, yang terkait dengan penggunaan perangkat homegrown atau off-the-home (Linebarger et al., 2009; Mostashari & Sussman, 2009). latihan pelatihan kami menggunakan ribuan keputusan terinci pada berbagai tim, yang memengaruhi ribuan agen berbasis komputer yang merespons secara dinamis terhadap input peserta kolektif, serta perilaku respons masing-masing agen terhadap input (Lihat Chaturvedi, Mehta, & Drnevich, 2005; HarY rison, Lin, Carroll, & Carley, 2007 Dengan demikian jenis teknologi sistem pendukung keputusan ini menawarkan jenis platform teknologi penelitian yang kaya dan kuat dengan tingkat validitas eksternal dan internal yang tinggi serta keandalan yang diperlukan untuk dukungan keputusan terintegrasi (Liu et al., 2009; Linebarger et al., 2009; Mostashari & Sussman, 2009).
MMengukur
Variabel dependen dalam penelitian kami dari ukuran terintegrasi untuk mengukur efektivitas keputusan. pendekatan ini konsisten dengan penelitian terbaru yang mengadvokasi proses terpadu dan hasil pengukuran. (Mora et al., 2005; PhillipsYWren et al., 2009). tujuan keputusan adalah untuk mengendalikan wabah dan meminimalkan kematian, diperlukan untuk mempertahankan tingkat suasana hati publik yang dapat diterima mempersulit tujuan ini, tertimbang standar dari total jumlah nyawa yang diselamatkan (disebut ITLS") dan peningkatan mood publik (disebut IPMI") , untuk menangkap tradeYoff dalam pengambilan keputusan. Kami memberi label keefektifan keputusan variabel dependen ini. yang dihasilkan dalam kondisi tanpa intervensi setelah Serangan untuk menghitung TLS dan PMI. kami mengukur efektivitas responden sebagai perbedaan antara kinerja mereka dan skenario terburuk .Kami kemudian membangun keputusan efektifitas (DE) dari nilai standar dari langkah-langkah TLS dan PMI. Kami melakukan ini untuk menangkap tradeYoff dalam pengambilan keputusan. untuk bioteriterisme. Bobot untuk ukuran komposit ditentukan melalui langkah-langkah survei dalam membuat prioritas dalam hal pertimbangan masalah kesehatan dan politik dalam pengambilan keputusan. Variabel independen dalam penelitian kami terdiri dari proses pengambilan keputusan strategis, dan pilihan strategi karantina. Variabel proses strategi terdiri dari ukuran proses pengambilan keputusan yang dirancang untuk membedakan rasio prosedural nality (disebut IPR") dan perilaku politik (disebut IPB"). Pilihan respons strategi karantina mencakup tidak ada karantina (disebut INQ"), pendekatan karantina pasif berdasarkan blok kota (disebut ICBQ"), dan pendekatan karantina yang lebih ekstrem (disebut IEQ"). Kami mengukur pilihan respons ini sebagai keputusan untuk simulasi tentang langkah untuk pilihan respon strategi karantina (disebut ISC"). Kami mengkode variabel ini dari data input simulasi padalima
skala Likertpoin, (1) hingga paling ketat (5). Variabel kontrol dalam penelitian untuk mengontrol potensi tingkat pemerintah dan afiliasi departemen yang mempengaruhi, serta peserta yang memiliki kecenderungan sebelumnya terhadap masalah kesehatan dan politik. Kami lebih jauh mengendalikan posisi peserta sebelumnya untuk masalah kesehatan dan politik. variabel yang digunakan dalam penelitian dan langkah-langkahnya dalam Tabel 1.
PROSEDUR ANALITIS
Setelah pengkodean dan kompilasi data , kami melakukan pemeriksaan untuk data yang hilang, menghadapi validitas, dan multikolinearitas. Pemeriksaan ini mengonfirmasi sampel tampak dapat digunakan dan data berada dalam parameter yang diharapkan. Pemeriksaan multikolinear mengungkapkan beberapa korelasi kecil antar variabel, yang berkaitan dengan sifat variabel yang diteliti dan ukurannya. Daftar statistik deskriptif dan korelasi dari langkah-langkah ini pada Tabel 2. Untuk menguji hipotesis, kami menggunakan model campuran desain tindakan berulang. kami melakukan analisis menggunakan prosedur MIXED dengan kontrol kovarian di SAS. (misalnya, prosedur NLMIXED atau GLIMMIX di SAS) juga dipertimbangkan (analisis tambahan)
