Abstrak— Penyedia layanan awan (CSP) dan konsumen awan sering kali perlu memperkirakan harga awan untuk mengoptimalkan strategi bisnis mereka. Namun, penetapan harga layanan awan merupakan tugas yang menantang karena kompleksitas layanan dan sifat dinamis lingkungan yang terus berubah. Selain itu, penetapan harga awan berdasarkan kesediaan membayar (W2P) konsumen menjadi lebih menantang karena subjektifitas pengalaman konsumen dan nilai implisit dari beberapa fitur yang tidak dapat dipasarkan, seperti CPU yang dapat ditingkatkan secara burstable, server khusus, dan jejak global pusat data awan. Sayangnya, banyak model penetapan harga yang ada seringkali tidak dapat mendukung penetapan harga berbasis nilai. Dalam makalah ini, kami mengusulkan solusi baru berdasarkan penetapan harga berbasis nilai, yang tidak hanya mempertimbangkan biaya layanan (atau nilai intrinsik) bagi CSP, tetapi juga seberapa besar pelanggan bersedia membayar (atau nilai ekstrinsik) untuk layanan tersebut. Kami menunjukkan bahwa nilai ekstrinsik cloud tidak hanya akan menjadi salah satu keunggulan kompetitif bagi CSP untuk memimpin pasar cloud, tetapi juga meningkatkan margin keuntungan. Pendekatan kami sering disebut sebagai model penetapan harga hedonis. Kami menunjukkan bahwa model kami dapat menangkap nilai fitur yang tidak dapat dipasarkan. Nilai ini rata-rata sekitar 43,4% di atas nilai dasar, yang sering diabaikan oleh banyak model penetapan harga cloud tradisional. Kami juga menunjukkan bahwa Tingkat Pertumbuhan Tahunan Rata-rata (AAGR) Amazon Web Services (AWS) sekitar -20,0% per tahun antara tahun 2008 dan 2017, ceteris paribus. Dibandingkan dengan hukum Moore (-50% per tahun), laju pertumbuhannya jauh lebih lambat. Kami berpendapat bahwa nilai ini setara dengan hukum Moore di cloud. Tujuan utama penelitian ini adalah untuk menyediakan model penetapan harga yang kurang bias bagi para pengambil keputusan di cloud untuk mengembangkan strategi investasi optimal mereka.

Istilah Indeks—Karakteristik Cloud, Dummy Waktu, Variabel Ekstrinsik, Variabel Intrinsik, Penetapan Harga Hedonis,

KESIMPULAN DAN PENELITIAN MASA DEPAN

Kesimpulan dari penelitian ini adalah harga instans cloud tidak dapat hanya diperiksa berdasarkan karakteristik intrinsiknya (terutama komponen biaya, seperti RAM, CPU, kinerja jaringan, penyimpanan, dll.) saja. Hal ini pasti akan menyebabkan bias estimasi harga karena prediksi harga cloud pada akhirnya ditentukan oleh tiga faktor atau variabel utama, yaitu intrinsik, ekstrinsik, dan time dummy. Banyak model penetapan harga cloud tradisional tidak dapat mencerminkan nilai ekstrinsik cloud (seperti CPU yang dapat ditingkatkan secara burstable, server khusus, jejak global pusat data, dll.). Namun, bukan berarti kita dapat mengabaikan karakteristik ekstrinsik ini. Faktanya, karakteristik tersebut memiliki pengaruh yang besar terhadap harga layanan cloud. Di seluruh makalah ini, kami telah menunjukkan proses cara menghitung dan memprediksi harga cloud secara akurat dan cara menghindari bias estimasi harga. Kebaruan dari penelitian kami adalah kami menyajikan dan membuktikan bahwa nilai AAGR setara dengan hukum Moore dalam layanan cloud. Kami berpendapat bahwa model penetapan harga hedonik merupakan pendekatan yang lebih baik untuk memperkirakan harga cloud secara akurat jika kita dapat menetapkan bentuk fungsi hedonik yang memadai berdasarkan himpunan data yang tersedia. Lebih lanjut, kami menunjukkan bahwa harga cloud AWS telah menurun selama 10 tahun terakhir tetapi dengan laju yang jauh lebih lambat dibandingkan dengan prediksi hukum Moore. Salah satu faktor utama yang memengaruhi penurunan ini adalah karena adanya nilai atau karakteristik ekstrinsik cloud. Nilai atau karakteristik tersebut telah menjadi keunggulan kompetitif AWS untuk memimpin di pasar cloud (IaaS). Kami memahami bahwa beberapa asumsi model kami dapat memengaruhi akurasi prediksi harga cloud. Namun, jika kami dapat mengakses sepenuhnya banyak himpunan data CSP, kami dapat meningkatkan hasil prediksi. Di masa mendatang, kami berencana untuk menyempurnakan estimasi kami dengan ketersediaan data baru. 

Refferences:
C. Wu, A. N. Toosi, R. Buyya and K. Ramamohanarao, "Hedonic Pricing of Cloud Computing Services," in IEEE Transactions on Cloud Computing, vol. 9, no. 1, pp. 182-196, 1 Jan.-March 2021, doi: 10.1109/TCC.2018.2858266.

keywords: {Cloud computing;Pricing;Computational modeling;Biological system modeling;Estimation;Terminology;Cloud characteristics;time dummy;extrinsic;intrinsic variables;hedonic pricing},