TUGAS INDIVIDU MATA KULIAH SISTEM PENUNJANG KEPUTUSAN DAN ... · PDF fileTUGAS INDIVIDU MATA KULIAH ... BAB II Pembuatan Keputusan, Sistem, Pemodelan, dan Dukungan ... dan sifat keterlibatan

TUGAS INDIVIDU MATA KULIAH

SISTEM PENUNJANG KEPUTUSAN DAN INFORMASI

EKSEKUTIF

Review Buku

REVIEW DECISION SUPPORT AND BUSINESS INTELLIGENCE SYSTEM 9th

Edition; Chapter II, III

By Efrain Turban, Ramesh Sharda, Dursun Delen

&

REVIEW MANAGEMENT INFORMATION SYSTEM 10 Edition; Chapter 10

By James A. O’Brien, George M. Marakas

Oleh:

Bayu Indrayana P056120052.41E

PROGRAM PASCASARJANA MANAJEMEN DAN BISNIS

INSTITUT PERTANIAN BOGOR

2013

ii

DAFTAR ISI


Edition ................................................................................................................................... 1

BAB II Pembuatan Keputusan, Sistem, Pemodelan, dan Dukungan .............................. 1

(Decision Support, Systems, Modeling, and Support) .......................................................... 1

2.1 Pendahuluan dan Definisi ........................................................................................ 1

2.2 Model Keputusan ..................................................................................................... 2

2.3 Fase Proses Pembuatan Keputusan .......................................................................... 4

2.4 Pembuatan Keputusan: Fase intelijen ...................................................................... 4

2.5 Pembuatan Keputusan: Fase Disain ......................................................................... 4

2.6 Pembuatan Keputusan: Fase Pemilihan ................................................................... 5

2.7 Pembuatan Keputusan: Fase Implementasi ............................................................. 5

2.8 Bagaimana Keputusan Didukung ............................................................................ 5

BAB III Pendukung Keputusan Konsep Sistem , Metodologi , dan Teknologi : An

Overview ................................................................................................................................ 8

(Decision Support Systems, Concept, Methodologies, and Technologies: An Ovweview) . 8

3.1 Konfigurasi DSS ...................................................................................................... 8

3.2 Deskripsi DSS .......................................................................................................... 9

3.3 Karakteristik DSS dan Kemampuan ...................................................................... 10

3.4 Komponen DSS ..................................................................................................... 14

3.5 Data manajemen subsistem .................................................................................... 16

3.6 Model Manajemen subsistem ................................................................................ 18

3.7 User Interface (Dialog) Subsystem ........................................................................ 19

3.8 Knowledge-Based Management Subsystem. .......................................................... 22

3.9 Pengguna DSS ....................................................................................................... 22

3.10 Perangkat keras DSS .............................................................................................. 23

3.11 DSS Modeling Language: Planners Lab ................................................................ 23

REVIEW MANAGEMENT INFORMATION SYSTEM 10 Edition By James A.

O’Brien, George M. Marakas ............................................................................................ 25

BAB 10 SUPPORTING DECISION MAKING ............................................................... 25

A. PENDUKUNG KEPUTUSAN DALAM BISNIS .................................................... 25

iii

10.1 Kualitas Informasi .............................................................................................. 27

10.2 Struktur Keputusan ............................................................................................. 27

10.3 Tren Pendukung Keputusan ............................................................................... 29

10.4 Sistem Informasi Manajemen............................................................................. 30

10.5 Pemrosesan Analisis Online ............................................................................... 31

10.6 Sistem Pendukung Keputusan ............................................................................ 32

10.7 Komponen DSS .................................................................................................. 33

10.8 Sistem Visualisasi dan Informasi Geografis ...................................................... 34

10.9 Penggunaan Sistem Pendukung Keputusan ....................................................... 34

10.10 Analisis Jika-Maka ......................................................................................... 34

10.11 Analisis Sensitivitas ........................................................................................ 35

10.12 Analisis Pencarian Sasaran ............................................................................. 35

10.13 Analisis Optimisasi ......................................................................................... 36

10.14 Sistem Informasi Eksekutif ............................................................................ 36

10.15 Sistem Manajemen Pengetahuan .................................................................... 36

B. KECERDASAN BUATAN DAN TEKNOLOGI DALAM BISNIS ....................... 36

10.16 Ruang Lingkup Kecerdasan Buatan ............................................................... 37

10.17 Sistem Pakar (Expert System) ........................................................................ 39

10.18 Pengembangan Sistem Pakar .......................................................................... 40

10.19 Jaringan Saraf Tiruan (Neural Network) ........................................................ 40

10.20 Logika Fuzzy .................................................................................................. 41

10.21 Algoritma Genetika ........................................................................................ 41

10.22 Realita Virtual ................................................................................................ 41

1


Edition

By Efrain Turban, Ramesh Sharda, Dursun Delen

BAB II Pembuatan Keputusan, Sistem, Pemodelan, dan Dukungan

(Decision Support, Systems, Modeling, and Support)

Tujuan Pembelajaran untuk Bab 2

1. Memahami dasar konseptual pembuatan keputusan

2. Memahami empat fase Simon pengambilan keputusan : inteligensi, desain , pilihan ,

dan implementation

3. Memahami konsep rasionalitas dan dampaknya terhadap pembuat keputusan

4. Memahami pembuatan, definisi , dan kemampuan dari Decision Support Systems

keputusan ( DSS ) dan business intelligence (BI)

5. Menggambarkan komponen DSS dan level teknologi

6. Menggambarkan berbagai jenis DSS dan menjelaskan penggunaannya

7. Menjelaskan pentingnya database dan database manajemen

8. Menjelaskan pentingnya model dan model manajemen

2.1 Pendahuluan dan Definisi

Lingkungan bisnis yang cepat berubah sering membutuhkan keputusan cepat, yang

sebenarnya bisa merugikan kualitas keputusan. Biaya tinggi dan waktu yang lama dalam

mengumpulkan informasi serta menganalisis masalah. Sulitnya menentukan kapan harus

berhenti dan membuat keputusan, mungkin kurangnya informasi yang cukup untuk

membuat keputusan cerdas, dan sebaliknya kemungkinan ketersediaan terlalu banyaknya

informasi (information overload).

Aspek dari pembuatan keputusan yang penting untuk dimengerti agar dapat

mengembangkan dukungan komputer yang efektif meliputi hal berikut ini:

a. Karakteristik dari pembuatan keputusan, seperti groupthink, experimentation, dan

information overload.

b. Decision styles dari para pembuat keputusan.

c. Tujuan dari para pembuat keputusan.

d. Disiplin keilmuan pendukung, gaya dan bagaimana mereka berhubungan dengan

karakteristik pribadi dari pembuat keputusan, dan sifat keterlibatan kelompok dalam

keputusan.

e. Rasionalitas pembuat keputusan. Seorang pembuat keputusan seharusnya tidak

hanya menerapkan alat teknologi informasi secara sporadis. Sebaliknya, pembuat

2

keputusan mendapat dukungan melalui pendekatan rasional yang menyederhanakan

realitas dan menyediakan cara yang relatif cepat dan murah mempertimbangkan

berbagai program alternatif tindakan untuk tiba di terbaik atau solusi yang baik

untuk masalah ini.

Meidentifikasi persamaan dan perbedaan antara membuat keputusan individu versus

kelompok dijelaskan sebagai berikut:

a. Pengambil keputusan individu membutuhkan akses data dan para ahli yang dapat

memberikan saran, sementara basis kelompok membutuhkan alat kolaborasi dalam

berkomunikasi satu dengan yang lainnya.

b. Seringnya pertentangan tujuan dalam pengaturan pengambilan keputusan kelompok,

tetapi tidak dalam basis individu.

c. Kelompok dapat menjadi ukuran variabel, mungkin termasuk orang-orang dari

departemen yang berbeda, atau bahkan dari organisasi yang berbeda. Individu

dalam berkolaborasi mungkin memiliki gaya kognitif, tipe kepribadian, dan gaya

pengambilan keputusan yang berbeda. Beberapa friksi terjadi, sedangkan hal lain

dapat saling membantu.

d. Konsensus dapat menjadi masalah politik yang sulit dalam pengambilan keputusan

kelompok, yang tidak menjadi masalah dalam pengambilan keputusan individu.

Untuk alasan tersebut, pembuatan keputusan kelompok dapat lebih rumit daripada

membuat keputusan individu.

Dalam perbedaan konsep antara pengambilan keputusan dan pemecahan masalah,

beberapa orang menganggap pengambilan keputusan sebagai tiga langkah pertama dalam

pemecahan masalah. Sedangkan pihak lainnya menggunakan istilah secara bergantian.

Mereka yang membedakan menganggap bahwa pengambilan keputusan merupakan proses

pembuatan rekomendasi, sedangkan pemecahan masalah meliputi pelaksanaan rekomendasi

dan mungkin memantau dampaknya untuk menentukan apakah atau tidak masalah telah

dipecahkan. Sebagian ahli pada subjek tersebut tidak setuju untuk membedakan antara dua

konsep itu.

Gaya pengambilan keputusan adalah cara dimana seorang pengambil keputusan

berpikir dan bereaksi terhadap masalah. Hal ini penting untuk mempertimbangkan karena

gaya keputusan yang berbeda membutuhkan berbagai jenis dukungan.

2.2 Model Keputusan

Kategori model yang dapat berguna dalam bisnis meliputi model ikonik (skala, fisik),

model analog, model mental, dan model matematik (kuantitatif). Keuntungan model

matematika dalam pembuatan keputusan adalah sebagai berikut di bawah ini,

3

a. Model manipulasi (mengubah variabel keputusan atau lingkungan) jauh lebih

mudah daripada memanipulasi sistem nyata. Eksperimentasi adalah mudah dan

tidak mengganggu operasi harian organisasi. Matematika model menggambarkan

parameter mereka dalam bentuk angka-angka di atas kertas atau data dalam

komputer, yang dapat diubah dengan mudah tanpa mempengaruhi operasi dari

sistem nyata.

b. Model memungkinkan kompresi waktu. Tahun beroperasi dapat disimulasikan

dalam hitungan menit atau detik waktu komputer. Bagian kedua dari pernyataan ini

adalah khusus tentang model matematika. Namun, jenis lain dari model

memungkinkan kompresi waktu juga. Sebagai contoh, sebuah model mental yang

mengatakan "jika aku makan makanan ini, saya akan mendapatkan reaksi alergi"

mengarah ke keputusan untuk menghindarinya jauh lebih cepat, serta lebih

menyakitkan, selain itu akan mencicipi.

c. Biaya analisis pemodelan jauh lebih sedikit daripada biaya percobaan serupa yang

dilakukan pada sistem nyata. Hal ini karena model ini biasanya lebih murah

daripada sistem nyata, kompresi waktu mengurangi biaya waktu-terkait seperti

personel, dan bisnis tidak menjalankan risiko operasi gangguan sementara alternatif

diselidiki dalam model.

d. Biaya rendah selama percobaan trial-and-error jika model yang digunakan. Hal ini

karena kesalahan hanya mempengaruhi model sja, bukan sistem yang berjalan.

e. Lingkungan bisnis melibatkan ketidakpastian. Dengan pemodelan, manajer dapat

memperkirakan risiko dari tindakan-tindakan tertentu. Model matematika

memungkinkan pengambil keputusan untuk memvariasikan parameter seperti

tingkat inflasi, harga minyak atau pertumbuhan permintaan; untuk mencerminkan

semua skenario masa depan yang menarik.

f. Model matematika memungkinkan analisis yang sangat besar, kadang-kadang tak

terbatas, jumlah solusi yang mungkin. Bahkan dalam masalah sederhana, manajer

sering memiliki sejumlah besar alternatif dari yang untuk memilih. Manfaat ini

secara eksplisit tentang model matematika.

g. Model meningkatkan dan memperkuat pembelajaran dan pelatihan. Pengoperasian

model matematika dapat diamati dan dikaji, variabel berubah untuk melihat efek

dari perubahan tersebut, dan kesalahan sengaja dibuat untuk belajar bagaimana

memperbaikinya.

h. Model dan metode solusi yang tersedia melalui Web. Kebanyakan model yang

tersedia melalui Web adalah model matematika.

i. Ada banyak applet Java dan program web lainnya yang siap memecahkan model.

Hal ini berlaku dari model matematika, tetapi umumnya bukan dari jenis lain.

4

2.3 Fase Proses Pembuatan Keputusan

Empat fase Simon (1977) mengenai pengambilan keputusan adalah intelijen, desain,

pemilihan, dan implementasi. Fase intelijen meliputi pengumpulan informasi dengan

memeriksa realitas, kemudian mengidentifikasi dan mendefinisikan masalah. Pada fase

ini kepemilikan masalah juga harus terbentuk. Desain terdiri dari penentuan alternatif

dan evaluasi. Jika evaluasi memerlukan pembangunan model, maka dilakukan pada fase

ini juga. Fase pemilihan meliputi pemilihan solusi tentatif dan menguji validitasnya.

Fase implementasi keputusan menjalankan solusi yang terpilih.

Masalah yang yang terjadi sepanjang proses pembuatan keputusan adalah perbedaan

negatif yang terjadi diantara para pembuat keputusan. Hal ini dapat diakibatkan dari

perubahan dalam ekspektasi pembuat keputusan atau dari perubahan situasi.

2.4 Pembuatan Keputusan: Fase Intelijen

Masalah timbul dari ketidakpuasan terhadap sesuatu hal yang terjadi. Ini merupakan

perbedaan atau kesenjangan antara apa yang diinginkan dengan apa yang terjadi. Gejala

adalah bagaimana masalah memanifestasikan dirinya. Contoh bisnis: harga tinggi

(masalah) dan tingkat persediaan yang belum terjual tinggi (gejala). Lain adalah varians

kualitas pada produk (gejala) dan buruk dikalibrasi atau usang manufaktur peralatan

(masalah).

Klasifikasi masalah memungkinkan pengambil keputusan untuk menggunakan alat-

alat yang telah dikembangkan untuk menangani masalah dalam kategori tersebut,

bahkan mungkin termasuk pendekatan solusi standar.

Dekomposisi masalah berarti membagi masalah yang kompleks menjadi bagian

yang lebih detil. Penetapan kepemilikan masalah (problem ownership) sangat penting

dalam proses pengambilan keputusan. Pemecahan masalah tidak dapat diselesaikan

sampai tanggung jawab kepemilikan ditetapkan.

2.5 Pembuatan Keputusan: Fase Desain

Optimasi mengacu pada yang "terbaik". Untuk mencapai itu, semua alternatif harus

dipertimbangkan, dan yang optimal harus menjadi yang terbaik. Suboptimisasi adalah

optimalisasi subsistem, tanpa mempertimbangkan dampaknya terhadap bagian lain dari

sistem secara keseluruhan. Hal yang optimal dapat terjadi untuk bagian dari sistem

(atau organisasi), mungkin tidak untuk seluruh sistem (atau organisasi).

5

Dalam pengambilan keputusan terdapat dua pendakatan yaitu pendekatan normatif

dan deskriptif. Pendekatan normatif menggunakan model mengenai “apa yang

seharusnya dilakukan”. Model-model preskriptif sering dikembangkan dengan

memanfaatkan metode optimasi. Pendekatan deskriptif menggunakan model yang

memungkin seorang pembuat keputusan melakuan skenario “what-if”. Ini biasanya

merupakan model simulasi.

Manusia pada umumnya memiliki keterbatasan yang mencegah dari hal-hal yang

benar-benar rasional. Skala evaluasi individu untuk biaya dan manfaat dari keputusan

mungkin nonlinier dan mungkin tidak mengikuti orang-orang dari organisasi.

Karakteristik individu dapat mengakibatkan terbatasnya rasionalitas.

Skenario adalah pernyataan asumsi tentang lingkungan operasi dari sistem tertentu

dalam waktu tertentu. Beberapa kesalahan dalam pengambilan keputusan dapat

dikaitkan dengan gagasan pengambilan keputusan berdasarkan intuisi. Secara umum,

orang memiliki kecenderungan untuk mengukur ketidakpastian dan risiko buruk.

2.6 Pembuatan Keputusan: Fase Pemilihan

Sebuah prinsip pilihan adalah kriteria yang digunakan untuk menggambarkan

penerimaan pendekatan solusi. Dengan kata lain, itu adalah dasar untuk memutuskan

apakah satu pendekatan atau yang lain lebih unggul. Fase pemilihan merupakan titik

waktu ketika keputusan benar-benar dibuat. Analisis sensitivitas menentukan

bagaimana alternatif merespon perubahan kecil dalam parameter input.

2.7 Pembuatan Keputusan: Fase Implementasi

Implementasi didefinisikan sebagai awal dari sebuah tatanan yang baru, pengenalan

perubahan, menempatkan solusi yang direkomendasikan untuk dilaksanakan. Sistem

pendukung keputusan (SPK) mendukung pelaksanaan keputusan melalui komunikasi,

penjelasan, dan pembenaran.

2.8 Bagaimana Keputusan Didukung

Teknologi dan alat bantu keputusan dapat membantu dalam setiap tahapan proses

pembuatan keputusan,

a. Fase Intelejen: Kebutuhan utama pendukung keputusan untuk tahap kecerdasan

adalah kemampuan untuk memindai sumber informasi eksternal dan peluang serta

masalah internal kemudian menafsirkan hasil. Dukungan terhadap keputusan

bisnis dapat menggunakan teknologi intelijen berupa data mining dan OLAP untuk

mengidentifikasi hubungan antara kegiatan dan faktor lainnya. Sistem informasi

6

geografis ( GIS ) dapat dimanfaatkan baik sebagai berdiri sendiri atau terintegrasi

dengan sistem ini, sehingga pengambil keputusan dapat menentukan peluang dan

masalah dalam arti spasial.

b. Tahap desain: Tahap ini menghasilkan program alternatif tindakan, menyepakati

kriteria pilihan dan bobot mereka, dan peramalan konsekuensi dari berbagai

alternatif. Beberapa kegiatan ini dapat menggunakan model standar seperti model

keuangan dan peramalan. Entah model standar atau khusus dapat menghasilkan

alternatif untuk masalah terstruktur. OLAP dan perangkat lunak data mining

berguna dalam mengidentifikasi hubungan untuk digunakan dalam model tersebut.

Sebuah sistem pakar dapat membantu dengan metode kualitatif serta dengan

keahlian yang dibutuhkan dalam memilih analisis kuantitatif dan model

peramalan.

c. Fase Pemilihan : Selain menyediakan model yang cepat mengidentifikasi alternatif

terbaik atau cukup baik, SPK dapat mendukung tahap pilihan melalui “what-if”

dan tujuan mencari analisis. Skenario yang berbeda dapat diuji untuk opsi yang

dipilih untuk memperkuat keputusan akhir. Sebuah sistem manajemen

pengetahuan membantu pengalaman masa lalu mengidentifikasi serupa, CRM,

ERP, dan sistem SCM dapat menguji dampak dari setiap pilihan. Jika sebuah

kelompok membuat keputusan, sistem pendukung kelompok dapat memberikan

dukungan untuk mengarah pada konsensus .

d. Fase Implementasi : SPK dapat digunakan dalam pelaksanaan kegiatan seperti

komunikasi keputusan, penjelasan, dan pembenaran. Semua tahapan proses

pengambilan keputusan dapat didukung oleh membaiknya komunikasi dengan

komputasi kolaboratif melalui GSS dan KMS. Sistem komputerisasi dapat

memfasilitasi komunikasi dengan membantu orang menjelaskan dan

membenarkan saran dan pendapat mereka .

Pelaksanaan Keputusan ini juga dapat didukung oleh sistem pakar yang dapat

digunakan sebagai sistem penasehat mengenai masalah pelaksanaan seperti penanganan

resistensi terhadap perubahan.

Teknologi baru dapat memberikan dukungan pengambilan keputusan. Dengan

perkembangan mobile commerce, lebih banyak perangkat personal (personal digital

assistant, ponsel, komputer tablet, komputer laptop) dapat mengakses sumber-sumber

informasi, dan pengguna dapat merespon sistem dengan informasi terkini, upaya

kolaborasi, dan keputusan. Hal ini dapat membantu penjual, misalnya, menjadi lebih efektif

dengan mengakses CRM mereka saat di jalan. Akses konstan ke data perusahaan,

persediaan dan sebaliknya, hanya bisa membantu mereka dalam pekerjaan mereka.

Perangkat nirkabel yang mengambil kepentingan yang lebih besar dalam perusahaan,

7

umumnya dengan mengakses server Web khusus yang menyediakan data dan komunikasi

langsung ke perangkat m-commerce.

8

BAB III Pendukung Keputusan Konsep Sistem , Metodologi , dan Teknologi : An

Overview

(Decision Support Systems, Concept, Methodologies, and Technologies: An Ovweview)

Tujuan Pembelajaran untuk Bab 3

1. Memahami kemungkinan sistem pendukung keputusan ( DSS ) konfigurasi

2. Memahami perbedaan utama dan persamaan antara DSS dan intelijen bisnis ( BI )

sistem

3. Jelaskan karakteristik dan kemampuan DSS

4. Memahami definisi penting dari DSS

5. Memahami komponen DSS dan bagaimana mereka mengintegrasikan

6. Menjelaskan komponen dan struktur masing-masing komponen DSS : subsistem

manajemen data , subsistem manajemen model, user interface ( dialog ) subsistem ,

subsistem manajemen berbasis pengetahuan , dan pengguna

7. Jelaskan dampak internet pada DSS dan sebaliknya

8. Jelaskan peran unik pengguna dalam DSS dibandingkan dengan sistem informasi

manajemen ( MIS )

9. Jelaskan hardware DSS dan platform perangkat lunak

10. Memahami klasifikasi DSS penting

11. Menjadi akrab dengan beberapa area aplikasi DSS dan aplikasi

12. Memahami penting , masalah DSS saat ini

3.1 Konfigurasi DSS

1. Tiga komponen utama adalah: data, model, dan user interface .

2. Data mengacu pada informasi yang dibutuhkan untuk membuat keputusan ,

biasanya disimpan dalam database , dan bagaimana data tersebut diatur dan dikelola

oleh DBMS .

3. Model mengacu pada model yang digunakan untuk menganalisis data dan

memprediksi hasil keputusan , serta perangkat lunak yang digunakan untuk

mengelola penggunaan model dalam DSS .

4. User interface mengacu pada cara seorang manajer atau pengetahuan pekerja dapat

menggunakan sistem untuk mendukung pengambilan keputusan nya membuat

kebutuhan tanpa harus menjadi ahli dalam teknologi .

9

Gambar 1 Konfigurasi DSS

5. Data subjektif dapat dimanfaatkan dalam DSS dalam terang situasi yang

digambarkan dalam contoh sketsa pembukaan . Data subyektif dapat dimanfaatkan

dengan menggunakan " apa - jika" skenario untuk menguji dampak dari nilai-nilai .

6. Model memainkan peran kunci dalam DSS . Paket spreadsheet seperti Excel

termasuk built -in model untuk situasi umum , terutama keuangan . Misalnya,

Model Excel pembayaran hipotek dapat memberitahu pembeli rumah potensial apa

pembayaran bulanan akan untuk hipotek dari pokok yang diberikan , istilah , dan

tingkat suku bunga . Jika angka ini terlalu tinggi pembeli kemudian dapat

menemukan rumah lebih murah atau lebih besar uang muka , memotong biaya lain

untuk membelinya , mempertimbangkan memperluas pembayaran selama jangka

panjang , atau mungkin mengeksplorasi pilihan lain .

7. Rumus Excel juga memungkinkan pengguna untuk membuat berbagai macam

model . Sebagai contoh, formula mungkin berhubungan pendapatan perusahaan di

tahun n untuk pengeluaran pemasaran pada tahun n - 1 dan pengeluaran R & D di

tahun n - 1 dan n - 2 . Menggunakan model keuangan tersebut bisa marah

kecenderungan manajemen untuk menangani penurunan pendapatan dengan

memotong ini berlebihan .

3.2 Deskripsi DSS

Sebuah sistem identifikasi untuk dukungan manajer mengambil keputusan di

semistructured dan tidak terstruktur di suatu situasi. "Sebuah sistem informasi yang tujuan

utamanya adalah untuk mendukung pekerja pengetahuan membuat keputusan nonstructured

10

pada area spesifik. Definisi ini lebih dekat dengan yang pertama, tetapi membutuhkan DSS

untuk memiliki area aplikasi spesifik. Hal ini tidak memerlukan keputusan untuk menjadi

manajerial atau masalah menjadi masalah manajemen. Secara eksplisit tidak termasuk

sistem yang menyediakan beberapa pendukung keputusan sebagai - produk dengan tujuan

utama mereka .

Pendekatan DSS (atau metodologi) untuk mendukung pengambilan keputusan

Menggunakan interaktif, fleksibel, beradaptasi mampu-komputer sistem informasi

berbasis (CBIS)

Dikembangkan oleh end user untuk mendukung solusi untuk manajemen

nonstructured tertentu problem

Menggunakan data, model dan pengetahuan bersama dengan (sering grafis, web-

based) user friendly antarmuka

Menggabungkan wawasan pembuat keputusan sendiri

Mendukung semua fase pengambilan keputusan

Dapat digunakan oleh pengguna tunggal atau oleh banyak

3.3 Karakteristik DSS dan Kemampuan

1. karakteristik kunci dan kemampuan DSS ditunjukkan pada Gambar dan diperkuat

dalam teks di bawah ini :

Gambar 2 Kunci karakteristik dan kemampuan dari DSS

11

• Dukungan untuk (terutama) situasi semiterstruktur dan tidak terstruktur ,

menggabungkan penilaian manusia dengan informasi yang terkomputerisasi .

• Dukungan untuk semua tingkatan manajerial , dari eksekutif atas ke manajer lini .

• Dukungan untuk individu dan kelompok .

• Dukungan untuk keputusan saling tergantung dan / atau berurutan .

• Mendukung semua empat fase pengambilan keputusan : inteligensi, desain , pilihan,

dan implementasi .

• Dukungan berbagai proses pengambilan keputusan dan gaya.

• Pengguna dapat menambah, menghapus, menggabungkan, mengubah, atau

mengatur ulang elemen dasar, atau memodifikasi mereka untuk memecahkan,

masalah serupa lainnya .

• User-friendly interface. (Aplikasi DSS Paling baru menggunakan antarmuka

berbasis web. )

• Meningkatkan efektifitas pengambilan keputusan (akurasi , ketepatan waktu ,

kualitas ) daripada efisiensi.

• Pembuat Keputusan mengontrol semua langkah dari proses pengambilan keputusan

dalam memecahkan suatu masalah .

• Pengguna akhir dapat mengembangkan dan memodifikasi DSS sederhana dengan

sendirinya, DSS yang lebih besar memerlukan IS spesialis .

• Model umumnya digunakan untuk memungkinkan bereksperimen dengan strategi

yang berbeda .

• Akses ke berbagai sumber data, format , dan jenis , termasuk GIS , multimedia , dan

berorientasi objek.

• Digunakan oleh pengambil keputusan individu atau didistribusikan di seluruh satu

atau lebih organisasi

2. Jenis DSS dapat pengguna akhir berkembang pada spreadsheet, Yang sederhana

mencerminkan keterbatasan spreadsheet sebagai alat pembangunan DSS dan

keterbatasan pengguna akhir yang khas dalam mengembangkan sistem informasi yang

kompleks.

3. Penting untuk memasukkan model dalam DSS, Pemodelan kemampuan DSS , yang

adalah apa yang membedakan DSS dari MSS lainnya , diperlukan untuk mengaktifkan

bereksperimen dengan keputusan yang berbeda di bawah konfigurasi yang berbeda dan

asumsi.

Bisnis analisis menyiratkan penggunaan model dan data untuk meningkatkan

organisasi kinerja dan / atau postur yang kompetitif

Web analytics berarti menggunakan analisis bisnis informasi web real-time untuk

membantu dalam pengambilan keputusan, sering berhubungan dengan e-Commerce

12

Predictive analytics menjelaskan bisnis metode analisis masalah peramalan dan

peluang bukan hanya melaporkan mereka sebagai mereka terjadi

DSS Classifications

Lainnya DSS Kategori

DSS institusional dan ad-hoc

Pribadi, kelompok, dan organisasi dukungan

Sistem pendukung individu versus kelompok sistem pendukung (GSS)

Sistem custom-made dibandingkan siap pakai sistem

DSS Classifications

Holsapple dan Whinston itu Klasifikasi

1. DSS berorientasi teks

2. DSS berorientasi basis data.

3. DSS berorientasi spreadsheet

4. DSS berorientasi solver

5. DSS berorientasi aturan (termasuk yang paling berbasis pengetahuan DSS,

data mining, manajemen, dan ES aplikasi)

6. Senyawa DSS

1. Klasifikasi DSS dari SIGDSS AIS .

• Komunikasi - driven dan kelompok DSS ( GSS )

• Data-driven DSS

• DSS Dokumen -driven

• DSS Pengetahuan - driven, data mining , dan aplikasi manajemen ES

13

• DSS Model -driven

• DSS Compound , hibrida yang menggabungkan dua atau lebih kategori ini

2. Dokumen -driven DSS .

Sebuah DSS dokumen -driven bergantung pada pengetahuan coding , analisis ,

pencarian , dan pengambilan keputusan untuk dukungan . Ini mencakup semua DSS

berbasis teks dan paling KMS . DSS Dokumen -driven memiliki penekanan minimal

pada model matematika .

3. Daftar dan membandingkan Holsapple dan Whinston klasifikasi dengan mereka yang

SIGDSS AIS. H & W klasifikasi map mudah ke orang-orang dari SIGDSS AIS ,

sebagai berikut :

DSS berorientasi teks • H & W adalah sama seperti AIS SIGDSS dokumen -driven

DSS .

DSS database berorientasi • H & W adalah AIS SIGDSS data-driven DSS .

DSS spreadsheet berorientasi • H & W umumnya bentuk lain dari AIS DSS model-

driven , di mana fasilitas spreadsheet yang digunakan untuk membuat dan

mengelola model . Karena paket seperti Excel dapat mencakup DBMS dasar atau

dapat mudah antarmuka dengan satu , mereka dapat menangani beberapa sifat SIA

SIGDSS DSS berorientasi database terutama manipulasi pengetahuan deskriptif .

DSS berorientasi solver • H & W memetakan langsung ke AIS model-driven DSS .

DSS aturan berorientasi • H & W termasuk SIGDSS paling AIS berbasis

pengetahuan DSS , data mining , dan aplikasi manajemen ES .

H & W senyawa DSS mengintegrasikan dua atau lebih dari mereka dikutip di atas

dan sesuai dengan konsep SIGDSS AIS sama.

4. kemampuan DSS institusional dan DSS ad hoc .

Sebuah DSS institusional direncanakan dan dikembangkan untuk menangani keputusan

yang berulang . Ini harus memiliki fleksibilitas untuk berurusan dengan keputusan

manifestasi yang berbeda , dengan data yang berbeda , dari waktu ke waktu . DSS

tersebut cenderung digunakan pada kontrol manajerial dan tingkat operasional.

Sebuah hoc DSS ad dikembangkan untuk menangani masalah satu kali . Masalah

tersebut biasanya muncul di tingkat pengendalian strategis dan manajemen . Seperti

DSS tidak perlu memiliki derajat yang sama fleksibilitas sebagai DSS institusional

untuk mengatasi variasi dalam masalah. Namun, masalah yang tidak diharapkan terjadi

masih sering melakukannya , atau ternyata DSS diterapkan untuk masalah lain juga .

5. Mendefinisikan istilah siap pakai DSS .

14

Sebuah DSS siap pakai merupakan produk software DSS dirancang untuk digunakan ,

dengan sedikit modifikasi, oleh beberapa organisasi yang memiliki keputusan

sebanding membuat kebutuhan. DSS tersebut sering dirancang untuk industri tertentu

(misalnya, rumah sakit) atau area fungsional (misalnya , keuangan).

3.4 Komponen DSS

Gambar 3 Skematik DSS

1. Komponen utama adalah: pengelolaan data , model manajemen , antarmuka pengguna

dan basis pengetahuan .

• Manajemen data mencakup sistem manajemen database dan satu atau lebih

database.

• Manajemen Model meliputi model dan sistem manajemen mereka.

• User interface mencakup bi-directional komunikasi manusia-komputer dan

manajemen.

• Pengetahuan dasar mencakup peningkatan kecerdasan buatan untuk komponen

lainnya.

2. Secara singkat Web dapat digunakan dalam setiap komponen utama DSS .

15

• sistem manajemen database ( DBMS ): Data biasanya disimpan pada server

diakses melalui Web.

• Model dasar sistem manajemen ( MBMS ) : Model dapat disimpan dan diakses

secara eksternal melalui Web. Model juga dapat dikembangkan untuk berjalan

pada server aplikasi, yang juga diakses melalui Web.

• User interface sistem dialog : Web browser memberikan, konsisten antarmuka

pengguna grafis akrab ( GUI ) struktur.

• sistem manajemen berbasis pengetahuan ( KBMS ) : Banyak metode AI telah

diimplementasikan dalam sistem berbasis Web, membuat mereka mudah untuk

mengintegrasikan dengan komponen DSS lainnya.

3. Sebuah komponen berbasis pengetahuan dapat membantu masing-masing dari tiga

komponen lain dalam cara:

teknik kecerdasan buatan dapat membantu pengguna dalam menggunakan

komponen lain

• metode AI dapat membantu secara langsung dalam pengambilan keputusan ,

misalnya melalui penalaran simbolik.

• metode AI juga dapat mengaktifkan pengambilan keputusan otomatis untuk

masalah yang cukup terstruktur.

• Alat seperti sistem pakar dan jaringan saraf dapat lebih akurat daripada

metode lain.

4. Menjelaskan struktur dasar DSS dan komponennya.

• User interface ( UI ) menghubungkan pengguna ke komponen sistem lainnya .

• Bbasis pengetahuan subsistem , selain yang terhubung ke pengguna melalui

UI, mungkin juga terhubung ke sistem manajemen database untuk

memperoleh data yang dibutuhkan , untuk model eksternal , dan basis

pengetahuan organisasi .

• Model manajemen subsistem manajemen link data ke model .

• Manajemen data, selain koneksi ke manajemen model dan subsistem berbasis

pengetahuan telah disebutkan, menghubungkan ke sumber data internal dan

eksternal .

• Model dikendalikan oleh subsistem model manajemen, dapat mengendalikan

atau dikendalikan oleh subsistem berbasis pengetahuan, dan berkomunikasi

dengan pengguna melalui UI .

• Seluruh DSS dapat berkomunikasi dengan sistem lain dan jaringan jika

diperlukan.

16

3.5 Data manajemen subsistem

1. DSS umumnya meliputi database sendiri, DSS besar umumnya memiliki database

mereka sendiri untuk tiga alasan :

• DSS mungkin harus mengintegrasikan data dari berbagai sumber , yang masing-

masing database yang terpisah dan yang tidak dapat digabungkan secara langsung .

• Struktur database yang terbaik untuk data statis digunakan untuk analisis , dengan

pertanyaan jarang terjadi, tetapi kompleks, mungkin tidak cocok untuk data dinamis

yang digunakan untuk pemrosesan transaksi dengan sering tapi sederhana query dan

update , dan sebaliknya .

• Berbagi satu database untuk kedua penggunaan dapat menyebabkan masalah kinerja

pada beban puncak kali. Memisahkan dari bagian dari komunitas pengguna

mungkin lebih ekonomis daripada upgrade perangkat keras yang akan diperlukan .

2. Persamaan dan perbedaan antara data internal , eksternal , dan swasta .

Kemiripan : Semua jenis ini bisa dalam catatan / lapangan file bentuk - terstruktur , file

teks, atau multimedia dari berbagai jenis. Semua bisa obyektif atau subyektif. Semua,

atau bisa juga, dikelola oleh subjek DBMS untuk kontrol akses yang sesuai. Semua

dapat digunakan untuk mendukung berbagai keputusan. Dan semuanya dapat diakses

melalui antarmuka Web-seperti , bahkan jika mereka tidak diakses melalui Web.

Perbedaan : Data internal berasal dari sendiri sistem pemrosesan transaksi organisasi,

sedangkan data eksternal berasal dari luar . Data internal biasanya diakses melalui

intranet sedangkan data eksternal diakses melalui Internet , meskipun alat ( s )

digunakan dan antarmuka pengguna mungkin mirip atau identik . (Data pribadi subset

dari data internal, tunduk pada pembatasan akses yang melampaui keamanan data

perusahaan normal. )

3. Komponen DBMS : fasilitas query, direktori, dan data.

Query fasilitas : Menerima permintaan data dari komponen DSS lain, menentukan

bagaimana permintaan tersebut dapat dipenuhi , merumuskan basis data akses untuk

mengisi mereka , dan mengembalikan hasilnya ke penerbit .

Direktori : Tujuan utama dari direktori , dan definisi data yang dikandungnya,

adalah untuk menjawab pertanyaan tentang ketersediaan item data , sumber , dan

maknanya . Hal ini juga berisi aturan akses bahwa akses pengguna control untuk

kolom atau baris dari tabel database tertentu.

Data: Ini adalah isi sebenarnya dari database .

17

4. Fungsi utama ( kemampuan ) dari DBMS Seperti terdaftar dan dibahas dalam bagian

ini , tiga fungsi dasar adalah penyimpanan, pencarian , dan kontrol . DBMS mengelola

database untuk mengatur , ekstrak / mengakses, mengubah, menghapus , dan data

katalog.

5. Ekstraksi adalah proses menangkap data ( seringkali dari berbagai sumber ) ,

menyaring mereka, meringkas, kondensasi dan reorganisasi data untuk memuat ke

dalam database DSS seperti data warehouse .

6. Fungsi dari fasilitas query Dalam membangun dan menggunakan DSS , itu sering perlu

untuk mengakses, memanipulasi, dan data query. Fasilitas permintaan melakukan

tugas-tugas. Ia menerima permintaan data dari komponen DSS lain, menentukan

bagaimana permintaan dapat dipenuhi ( konsultasi direktori data jika diperlukan ),

merumuskan permintaan rinci, dan mengembalikan hasilnya ke penerbit permintaan .

7. Fungsi dari direktori Ini adalah katalog dari semua data dalam database . Ini mencakup

definisi data dan informasi lainnya yang diperlukan untuk memfasilitasi dan

mengontrol akses ke data melalui DMBS .

18

Gambar 4 Struktur Data Manajemen Subsistem

3.6 Model Manajemen subsistem

Gambar 5 Struktur Model Manajemen Subsistem

1. Model diklasifikasikan sebagai strategis, taktis , atau operasional .

Tujuan dari klasifikasi ini adalah untuk menunjukkan pentingnya keputusan tersebut

dan menunjukkan apa tingkat manajerial bertanggung jawab untuk pelaksanaannya .

Mengetahui jenis model juga memungkinkan orang untuk menarik kesimpulan tentang

struktur kemungkinan dan komunitas pengguna tanpa mengetahui lebih banyak tentang

hal itu.

Model strategis mendukung perencanaan manajemen puncak strategis, misalnya,

pemeriksaan akuisisi, diversifikasi, dan merger .

Model taktis mendukung manajemen terutama tengah dalam alokasi sumber daya dan

terkendali. Misalnya, membuat-atau- membeli keputusan atau merancang rencana

promosi besar.

19

Model Operasional mendukung manajer menengah dan supervisor dalam sangat

keputusan jangka pendek, misalnya, menilai dampak kemungkinan jadwal alternatif

pekerjaan harian dan mingguan .

2. Beberapa fungsi utama dari MBMS.

Lihat kemas Teks : Wawasan Teknologi 3.6 di Bagian 3.7 , untuk daftar . Ini sejajar

dengan sistem manajemen database dalam fungsi dengan menyediakan kemampuan

sebanding dengan model manajemen .

3. Bandingkan fitur dan struktur MBMS kepada mereka dari DBMS .

DBMS mencakup database yang berisi data yang relevan dan dikelola oleh

perangkat lunak manajemen database melalui kamus data , didukung oleh permintaan

dan pelaporan fasilitas. Informasi ini diambil dari sumber data internal maupun

eksternal.

Sejalan dengan itu, MBMS meliputi statistik, ilmu manajemen , atau model kuantitatif

lainnya yang memberikan kemampuan analitis sistem, dan model manajemen untuk

mengkoordinasikan penggunaannya . Ini berisi model direktori yang sejajar dengan

direktori data dari DBMS . Pelaksanaannya Model , integrasi, dan fasilitas pengolahan

perintah sesuai dengan permintaan dan pelaporan fasilitas DBMS dalam yang

memungkinkan pengguna untuk mengakses model apa pun kebutuhan mereka

meminta.

4. Pemilihan model untuk DSS sulit

Pemilihan model sulit karena membutuhkan keahlian untuk memahami model yang

tersedia, daerah mereka penerapan dan kekuatan dan kelemahan mereka .

5. Komponen pengetahuan membantu dalam pemilihan model

Sebuah komponen pengetahuan dapat membantu dalam pemilihan model dengan

menangkap pengetahuan para ahli manusia untuk penerapan model yang berbeda

dalam situasi yang berbeda , membuatnya tersedia untuk orang-orang yang memiliki

keahlian lebih di daerah ini .

3.7 User Interface (Dialog) Subsystem

Komponen Decision Support System (DSS) terdiri atas beberapa hal, yaitu :

a. Data Management. Termasuk database, yang mengandung data yang relevan untuk

berbagai situasi dan diatur oleh software yang disebut Database Management

Systems (DBMS).

20

b. Model Management. Melibatkan model finansial, statistikal, management science,

atau berbagai model kuantitatif lainnya, sehingga dapat memberikan ke sistem suatu

kemampuan analitis, dan manajemen software yang diperlukan.

c. Communication (dialog subsystem). User dapat berkomunikasi dan memberikan

perintah pada DSS melalui subsistem ini. Ini berarti menyediakan antarmuka.

d. Knowledge Management. Subsistem optional ini dapat mendukung subsistem lain

atau bertindak sebagai komponen yang berdiri sendiri.

Pada bagian ini dijelaskan bahwa sebuah antarmuka pengguna mencakup semua aspek

komunikasi antara user dan Decision Support System (DSS) atau Management Support

System (MSS). Tujuan mendasarnya adalah untuk mempermudah pengguna dalam

mendapatkan bantuan keputusan dari DSS.

Proses antarmuka pengguna mengacu pada aliran informasi (a) dari pengguna ke sistem

dan (b) dari sistem ke pengguna. Hal ini ditangani oleh User Interface Management System

(UIMS). UIMS memproses perintah pengguna, mengeluarkannya dalam bahasa action

apapun yang dibutuhkan, dan mengirimkannya ke data dan subsistem model manajemen.

Di arah sebaliknya, menyajikan informasi dari subsistem kepada pengguna. Selebihnya,

bahasa action didasarkan pada Web atau sistem operasi konsep GUI. Hal ini juga dapat

menggabungkan kemampuan pengolahan bahasa alami.

21

Gambar 6 Skema Sistem Antarmuka Pengguna

Perangkat dalam web biasanya digunakan didalam antarmuka pengguna karena

perangkat tersebut telah menjadi sarana standar bagi para pengguna untuk terhubung ke

berbagai jenis perangkat lunak. Perangkat ini memungkinkan pengguna untuk mengakses

baik internal (intranet) dan situs eksternal (Internet, extranet), tersedia untuk berbagai

perangkat mulai dari ukuran komputer sampai ke ponsel, platform-independen di tingkat

laptop/komputer (Windows, Mac OS, Linux) dan juga didukung oleh berbagai macam alat

pemecahan masalah lainnya.

Beberapa perkembangan baru dalam antarmuka pengguna adalah pengenalan suara,

interpretasi gerakan, input otomatis (misalnya, chip RFID, jaringan sensor), output suara,

dan virtual reality.

Dijelaskan pula bahwa empat perkembangan baru dalam DSS, selain perkembangan

pada user interface adalah memperbaharui alat atau perangkat Web, pemrosesan paralel

untuk meningkatkan skalabilitas, mesin pencari yang lebih baik sebagai salah satu wujud

dari peningkatan AI, solusi DSS siap pakai untuk segmen pasar tertentu, peningkatan

integrasi dengan komponen yang beragam seperti GIS.

22

3.8 Knowledge-Based Management Subsystem.

Berbagai alat berbasis pengetahuan yang didalamnya memiliki sistem manajemen

berbasis pengetahuan ini dapat mencakup sistem pakar, Neural networks, agen cerdas,

logika fuzzy, dan penalaran berbasis kasus.

Sistem pakar, jaringan saraf dan agen cerdas adalah perangkat lunak. Sedangkan logika

fuzzy dan penalaran berbasis kasus, sebaliknya, dapat dianggap konsep yang berguna, yang

dapat dimasukkan ke dalam alat dari jenis apa pun.

Komponen berbasis pengetahuan dapat menyediakan keahlian yang dibutuhkan untuk

memecahkan beberapa aspek dari masalah keputusan atau memberikan pengetahuan untuk

meningkatkan operasi komponen DSS lainnya. Sebagai contoh dalam buku tersebut

manfaat pertama komponen berbasis pengetahuan adalah, sistem pakar dapat memasukkan

aturan untuk membantu memilih jalur terbaik untuk pesawat sehingga tiba di sebuah

pangkalan perawatan sebelum layanan 400 jam nya habis, menghilangkan kebutuhan untuk

penerbangan yang tidak produktif. Sebagai contoh manfaat kedua, sistem pakar bisa

mengetahui urutan terbaik untuk mengolah akses basis data dari query yang kompleks.

3.9 Pengguna DSS

Dua kelas umum dari pengguna DSS diantaranya adalah Manajer yang dibebankan oleh

organisasi dengan bantuan DSS dirancang untuk membantu memecahkan masalah, dan

spesialis staf, yang membantu mereka menggunakan aspek DSS yang berada di luar

kemampuan teknis mereka atau yang membutuhkan waktu mereka lebih banyak.

Empat jenis perantara didalam DSS diantaranya adalah:

• Asisten Staf yang memiliki pengetahuan khusus tentang masalah manajemen dan

beberapa pengalaman dengan teknologi pendukung keputusan.

• Pengguna alat ahli terampil dalam penerapan satu atau lebih jenis alat pemecahan

masalah khusus. Seorang pengguna alat ahli melakukan tugas-tugas yang pemecah

masalah tidak memiliki keterampilan atau pelatihan untuk melakukannya.

• Analis bisnis yang memiliki pengetahuan umum didalam aplikasi, berlatar

belakang pendidikan administrasi bisnis formal (tidak dalam ilmu komputer), dan

keterampilan yang cukup dalam menggunakan DSS dan alat konstruksi. Mereka

biasanya melakukan tugas-tugas seorang manajer.

• Fasilitator (dalam GSS) mengendalikan dan mengkoordinasikan penggunaan

perangkat lunak untuk mendukung pekerjaan orang yang bekerja dalam kelompok.

Fasilitator juga bertanggung jawab untuk pelaksanaan sesi workgroup.

23

Sebagian besar pengguna biasanya sangat mahir dalam pola penggunaan DSS mereka hal

ini dikarenakan sebagian besar nilai dari suatu DSS adalah pada kemampuannya untuk

mencoba berbagai kombinasi parameter dan membuat penyelidikan secara rinci. Hal ini

secara inheren menunjukan proses interaktif yang bekerja lebih baik di bawah kontrol

langsung dari pengguna.

3.10 Perangkat keras DSS

Hardware yang digunakan didalam DSS biasanya adalah setiap personal computer (PC),

apakah itu menjalankan Windows, Mac OS atau Linux, yang mendukung web browser

dapat terhubung ke DSS berbasis Web. Selain itu perangkat mobile termasuk laptop yang

menggunakan OS apapun seperti pada PC, PDA (biasanya menjalankan Windows CE atau

Palm OS saat ini) dan ponsel.

Hardware DSS dan pilihan perangkat lunak sering didasarkan pada sistem dari

perusahaan yang sudah ada hal ini terjadi karena sebagian MSS, termasuk DSS, biasanya

menggunakan hardware standar. Mereka biasanya tidak membenarkan akuisisi sistem baru

dioptimalkan untuk kebutuhan mereka. Akuisisi baru terbatas pada hardware DSS spesifik

dan perangkat lunak, seperti penyimpanan untuk gudang data atau paket perangkat lunak

peramalan.

DSS itu sendiri dapat berjalan pada sistem klien, pada server (general purpose atau

server aplikasi khusus) atau mainframe. Model yang kompleks biasanya berjalan di

hardware yang cepat, yang sebagian besar PC tidak memilikinya.

3.11 DSS Modeling Language: Planners Lab

DSS dapat dikembangkan dengan bahasa pemrograman tradisional atau spreadsheet.

Untuk mengembangkan bahasa pemrograman tersebut contohnya adalah Java

membutuhkan programmer yang handal.

Pada masa awal DSS, satu produk perangkat lunak yang sangat sukses adalah Sistem

Perencanaan Keuangan Interaktif (IFPS) dari Execucom Sistem Corporation di Austin,

Texas. IFPS merupakan software yang handal untuk perencanaan keuangan. Lebih dari

1500 perusahaan sawasta dan pemerintahan serta 250 universitas di Amerika menggunakan

IFPS.

Planners Lab adalah salah satu perangkat lunak yang digunakan untuk membuat dan

membangun DSS. Planers Lab memiliki beberapa keunggulan dibandingkan dengan

software yang lain diantaranya adalah (1) mudah dalam membangun model berorientasi

aljabar, dan (2) sangat mudah memvisualisasikan keluaran model.

24

Perbandingan spreadsheet dengan Planners Lab disajikan dalam tabel berikut:

Spreadsheet Planners Lab

Mendukung Visualisasi menggunakan

grafik seperti bar, grafik garis

Memiliki antarmuka yang

dikembangkan untuk mendukung

interaksi animasi.

Goal Seek dan What if analysis dapat

dilakukan

Memiliki fitur yang mudah untuk

mensimulasikan dan

memvisualisasikan menggunakan

berbagai jenis grafik seperti What If,

Goal Seek, grafik batang dll

Pengguna tidak dapat melihat fungsi

yang dilakukan dalam spreadsheet

Antarmuka visualisasi intuitif

memungkinkan pengguna akhir untuk

menguji dan memahami asumsi.

Tabel 1. Perbandingan Spreadsheet dengan Planners Lab

3.14. Resources, Links, and the Teradata University Network Connection

Dalam sub-chapter ini memberikan informasi tentang keberadaan Teradata Iniversity

Network Connection yang meberikan banyak informasi dan kasus yang meggunakan atau

memanfaatkan DSS.

25

REVIEW MANAGEMENT INFORMATION SYSTEM 10 Edition By James A.

O’Brien, George M. Marakas

BAB 10 SUPPORTING DECISION MAKING

Tujuan Pembelajaran

1. Mengidentifikasi perubahan yang terjadi dalam bentuk dan penggunaan pendukung

keputusan dalam bisnis.

2. Mengidentifikasi peran dan pelaporan alternatif sistem informasi manajemen.

3. Menjelaskan bagaimana pengolahan analisis online dapat memenuhi kebutuhan

informasi kunci dari manajer.

4. Menjelaskan dukungan konsep sistem pengambilan keputusan dan bagaimana hal

itu berbeda dari manajemen tradisional infor-sistem informasi.

5. Menjelaskan bagaimana sistem informasi berikut dapat mendukung kebutuhan

informasi eksekutif, manajer, dan profesional bisnis:

a. Sistem informasi eksekutif

b. Informasi perusahaan portal

c. Sistem manajemen pengetahuan

6. Identifikasi bagaimana saraf jaringan, logika fuzzy, genetik algoritma, virtual

reality, dan agen cerdas dapat digunakan dalam bisnis.

7. Berikan contoh dari beberapa sistem pakar cara dapatdigunakan dalam situasi

pengambilan keputusan bisnis.

A. PENDUKUNG KEPUTUSAN DALAM BISNIS

Agar sukses dalam bisnis saat ini, perusahaan membutuhkan sistem informasi yang

dapat mendukung kebutuhan pengambilan keputusan dan berbagai informasi dari manajer

dan praktisi bisnis. Internet, intranet dan teknoilogi informasi lainnya yang berbasis Web

dalam mendukung aktivitas pengambilan keputusan dari setiap manajer dan pekerja yang

berpengetahuan dalam bisnis. Infromasi, Keputusan, dan Manajemen

Jenis informasi yang dibutuhkan oleh pengambil keputusan di dalam suatu perusahaan

berhubungan langsung dengan tingkat pengambilan keputusan manajemen dan jumlah

struktur dalam situasi keputusan yang mereka hadapi. Kerangka kerja Piramidal

Manajerial klasik masih dapat diterapkan saat ini padaorganisasi yang dirampingkan dan

didatarkan atau struktur organisasi nonhierarkis. Tingkat pengambilan keputusan

manajemen masih ada, namun ukuran, bentuk, dan pesertanya terus berubah seiring dengan

evolusi struktur organisasi saat ini. Jadi, tingkat pengambilan keputusan manajemen yang

harus didukung oleh teknologi infomasi dalam organisasi yang sukses adalah:

26

Gambar 1 Diagram Kebutuhan informasi para pengambil keputusan

a) Manajemen Strategis. Umumnya, dewan direksi dan komite eksekutif

yang terdiri dari CEO dan eksekutif atas mengembangkan tujuan umum

organisasi, strategi, kebijakan, dan tujuan sebagai bagian dari proses

perencanaan strategis. Mereka juga mengawasi kinerja strategis

organisasi dan arah keseluruhannya dalam lingkungan politik, ekonomi,

dan bisnis yang kompetitif.

b) Manajemen Taktis. Semakin banyak praktisi bisnis dalam tim mandiri

serta manajer unit bisnis yang mengembangkan rencana jangka pendek

dan jangka menengah, jadwal, dan anggaran serta menentukan kebijakan,

prosedur, dan tujuan bisnis untuk subunit mereka di perusahaan. Mereka

juga mengalokasikan sumber daya dan mengawasi kinerja sub unit

organisasi mereka, termasuk departemen, divisi, tim proses, tim proyek,

dan kelompok kerja lainnya.

c) Manajemen Operasional. Anggota tim mandiri atau manajer operasional

mengembangkan rencana jangka pendek seperti jadwal produksi

mingguan. Mereka mengarahkan penggunaan sumebr daya dan kinerja

tugas berdasarkan prosedur dan sesuai dengan anggaran dan jadwal yang

mereka tetapkan untuk tim tersebut dan kelompok kerja di organisasi.

27

10.1 Kualitas Informasi

Apa karateristik yang akan membuat produk informasi bernilai dan bermanfaat bagi

Anda? Salah satu cara untuk menjawab pertanyaan penting ini adalah dengan menguji

karateristik atau atribut Kualitas Informasi. Informasi yang kuno, tidak akurat, atau sulit

dipahami tidak akan sangat berarti, berguna atau bernilai bagi Anda dan praktisi bisnis

lainnya. Kita memerlukan informasi berkualitas tinggi, yaitu produk informasi yang

memiliki karateristik, atribut, atau kualitas yang membuat informasi lebih bernilai.

Informasi perlu dipandang memiliki tiga dimensi: waktu, isi, dan bentuk. Gambar dibawah

ini meringkas atribut yang penting dari kualitas informasi dan mengelompokkannya ke

dalam tiga dimensi tersebut.

Gambar 2 Atribut yang harus ada dalam informasi produk berkualitas tinggi

10.2 Struktur Keputusan

Keputusan yang dibuat pada tingkat manajemen operasional cenderung lebih terstruktur,

sedangkan keputusan pada tingkat taktis lebih semiterstruktur, dan keputusan pada tingkat

strategis lebih tak terstruktur. Keputusan yang terstruktur melibatkan situsi di mana

prosedur yang diikuti ketika keputusan diperlukan, dapat disebutkan lebih awal. Keputusan

tak terstruktur melibatkan situasi keputusan di mana tidak mungkin menentukan lebih awal

mengenai prosedur keputusan yang harus diikuti. Akan tetapi, kebanyakan keputusan

bersifat semiterstruktur.

Contoh struktur keputusan dan tingkat manajemen.

28

Maksudnya, beberapa prosedur keputusan dapat ditentukan, namun tidak cukup untuk

mengarah ke suatu keputusan yang direkomendasikan. Misalnya, keputusan mengenai

peluncuran layanan e-commerce yang baru atau membuat perubahan besar mengnai

tunjangan karyawan akan berada pada jangkuan tak terstruktur hinggan semiterstruktur.

Gambar berikut menyediakan berbagai contoh keputusan bisnis menurut jenis terstruktur

keputusan dan tingkat manajemen.

Perbedaan utama dalam keputusan kemampuan dukungan informasi manajemen sistem

dan keputusan mendukung sistem.

Dengan demikian, sistem informasi harus dirancang untuk menghasilkan berbagai

produk informasi untuk memenuhi kebutuhan pengambil keputusan yang berubah-ubah di

dalam organisasi. Misalnya, pengambil keputusan pada tingkat manajemen strategis dapat

menggunakan sistem keputusan (detection support system-DSS) untuk mendapatkan

laporan yang tak terjadwal, adalah hoc, dan lebih ringkas, peramalan, dan kecerdasan

eksternal untuk mendukung perencanaan mereka yang lebih tak terstruktur dan tanggung

jawab pembuatan kebijakan. Di sisi lain, pengambil keputusan pada tingkat manajemen

operasional dapat bergantung pada sistem informasi manajemen untuk menyediakan

29

laporan internal yang telah ditentukan sebelumnya dengan penekan pada perbandingan data

yang lama dan yang sekarang guna mendukung tanggung jawab mereka yang lebih

terstruktur untuk operasional sehari-hari.

10.3 Tren Pendukung Keputusan

Penggunaan sistem informasi untuk mendukung pengambilan keputusan bisnis telah

menjadi salah satu tujuan utama dari penggunan teknologi. Akan tetapi, selama tahun 1990-

an, baik peneliti akademik maupun praktisi bisnis melaporkan bahwa fokus manajerial

tradisional yang berasal dari sistem informasi manajemen yang klasik (1960-an), sistem

pendukung keputusan (1970-an), sistem informasi eksekutif (1980) terus meluas.

Kecepatan perkembangan teknologi informasi seperti hardware komputer, dan paket

software DSS/EIS membuat pendukung keputusan tersedia bagi manajemen tingkat bawah,

serta bagi individu nonmanajerial dan tim mandiri dari praktisi bisnis. Tren ini telah

mengalami percepatan seiring dengan pertumbuhan yang sangat cepat dari Internet serta

intranet dan ekstranet dari perusahaan yang menggunakan Internet dan

pemilikkepentingannya. Inisiatif e-business dan ecommerce yang sedang

diimplementasikan oleh banyak perusahaan juga memperluas ekspektasi serta penggunaan

informasi dan pendukung keputusan dari karyawan, manajer, pelanggan, pemasok, dan

mitra bisnis lainnya.

Semua pemilik kepentingan dalam bisnis mengharapkan akses yang mudah dan instan ke

informasi dan analisis data mandiri berbasis Web yang proaktif dan pribadi untuk

mendukung persyaratan pengambilan keputusan dari semua konstituen mereka. Jadi,

pertumbuhan ekstranet dan intrnet korporat, serta Internet, telah mempercepat

pengembangan dan penggunaan pengiriman informasi “kelas eksekutif” dan alat software

pendukung keputusan oleh manajemen dari tingkat yang lebih rendah dan oleh individu dan

tim praktisi bisnis. Selain itu, ekspansi yang dramatis ini telah membuka pintu ke

penggunaan alat seperti kecerdasan bisnis (business intellegence-BI) oleh pemasok,

pelanggan, dan pemilik kepentingan bisnis lainnya dari suatu perusahaan untuk manajemen

hubungan pelanggan, manajemen rantai pasokan, dan aplikasi e-business lainnya. Beberapa

teknologi informasi utama yang dibuat secara khusus, pribadi, dan berbasis Web untuk

menyediakan infomasi bisnis utama dan alat analisis untuk manajer, praktisi bisnis, dan

pemilik kepentingan bisnis.

30

Gambar 3 Bisnis intelejen aplikasi didasarkan pada personalisasi dan Web informasi

10.4 Sistem Informasi Manajemen

Sistem Informasi Manajemen adalah jenis awal dari sistem informasi yang

dikembangkan untuk mendukung pengambilan keputusan manajerial . SIM mengahsilkan

prosuk informasi yang mendukung banyak kebutuhan pengambilan keputusan harian dari

para manajer dan praktisi bisnis. Manajer dan pengambilan keputusan bisnis lainnya

menggunakan SIM untuk memeproleh informasi mengenai tempat kerja mereka yang

berjaringan yang mendukung aktivitas pengambilan keputusan mereka. Informasi ini dapat

berbentuk laporan periodik, pengecualian, dan permintaan. Browser Web, program aplikasi,

dan software manajemen database menyediakan akses ke informasi di intranet dan database

operasional lainnya di dalam organisasi. Database operasional dipertahankan oleh sistem

pemrosesan informasi. Data mengenai lingkungan bisnis diperoleh dari Intranet atau

database ekstranet jika diperlukan. Alternatif Pelaporan Manajemen SIM menyediakan

berbagai produk informasi bagi para manajer. Ada empat alternatif pelaporan utama yang

disediakan oleh sistem ini yaitu:

a) Laporan Terjadwal secara Periodik (Periodic Scheduled Reports). Bentuk

tradisional penyediaan informasi bagi manajer dengan menggunakan format yang

telah ditentukan dan menyediakan informasi secara rutin kepada manajer. Contoh

laporan terjadwal secara periodik adalah laporan analisis penjualan harian dan

mingguan dan laporan keuangan bulanan.

b) Laporan Pengecualian (Exeption Reports). Dalam beberapa kasus, laporan dibuat

hanya jika terjadi kondisi pengecualian. Dalam kasus lainnya, laporan dibuat secara

periodik namun hanya berisi informasi mengenai kondisi pengecualian tersebut.

Misalnya, manajer kredit dapat diberi laporan yang hanya berisi informasi mengenai

pelanggan yang melewati batas kreditnya. Pelaporan pengecualian mengurangi

31

kelebihan informasi, sehingga tidak perlu memberikan seluruh laporan aktivitas

bisnis secara rinci bagi pengambil keputusan.

c) Laporan Permintaan dan Tanggapan (Demand reports and Renponses).

Informasi tersedia kapanpun manajer menginginkannya. Misalnya, browser Web

dan bahasa permintaan DBMS serta penghasil laporan (reports generator)

memungkinkan manajer di tempat kerja komputer untuk memperoleh tanggapan

langsung atau menemukan dan mendapatkan laporan tertentu sebagai hasil dari

permintaan informasi yang mereka butuhkan. Jadi, manajer tidak harus menunggu

laporan periodik untuk tiba sesuai yang dijadwalkan.

d) Pelaporan Dorong (Push Reporting). Informasi didorong ke manajer di tempat

kerja berjaringan. Jadi, banyak perusahaan sedang menggunakan software penyiaran

Web (webcasting) untuk menyiarkan laporan secara selektif dan informasi lainnya

ke komputer berjaringan milik para manajer atau pakar melalui intranet perusahaan

10.5 Pemrosesan Analisis Online

Pemrosesan Analisis Online atau Online Analytical Processing-OLAP memungkinkan

manajer dan analis secara interakfit menguji dan memanipulasi sejumlah besar data yang

rinci danterkonsolidasi dari banyak perspektif. OLAP mencakup analisis hubungan yang

rumit antara ribuan atau bahkan jutaan data yang disimpan dalam data mart, gudang data,

dan database Multidimensi lainnya untuk menemukan pola, tren, dan kondisi pengecualian.

Sesi OLAP dilakukan secara online dan langsung, dengan respons yang cepat ke

permintaan manajer dan analis, sehingga proses analisis atau pengambilan keputusan tidak

terganggu. Pemrosesan analitis online melibatkan beberapa operasional analitis dasar,

termasuk konsolidasi, drill down (penggalian), slicing and dicing (pengirisan dan

pemotongan)

a) Konsolidasi. Konsolidasi melibatkan pengumpulan data. Hal ini dapat melibatkan

pengumpulan sederhana atau pengelompokan yang rumit dengan melibatkan data

yang saling berhubungan. Misalnya data kantor penjualan dapat dikumpulkan ke

wilayah, dan wilayah ke regional.

b) Penggalian. OLAP dapat bergerak ke arah kebalikan dan secara otomatis

menampilkan rincian data yang telah dikonsolidasikan. Ini disebut penggalian.

Misalnya, penjualan menurut prduk individual atau staf penjualan yang

menghasilkan total penjualan regional dapat dengan mudah diakses.

c) Pengirisan dan Pemotongan. Pengirisan dan pemotongan merujuk pada

kemampuan untuk melihat database dari penjualan dapat menunjukkan semua

penjualan dari satu jenis prosuk secara regional. Irisan yang lain dapat menunjukkan

semua penjualan menurut saluran penjualan dari setiap produk. Pengirisan dan

32

pemotongan sering dilakukan sejalan dengan sumbu waktu untuk menganalisis tren

dan menemukan pola berbasis waktu pada data.

Gambar 4 Pengolahan analisis online mungkin membutuhkan penggunaan server khusus

dan database multidimensi.

10.6 Sistem Pendukung Keputusan

Sistem Pendukung Keputusan (Decision Support System-DSS) adalah sistem informasi

berbasis komputer yang menyediakan dukungan informasi yang inetraktif bagi manajer dan

praktisi bisnis selama proses pengambilan keputusan. Sistem pendukung keputusan

menggunakan:

1. Model analitis

2. Database khusus

3. Penilaian dan pandangan pembuat keputusan

4. Proses pemodelan berbasis komputer yang interaktif untuk mendukung pembuatan

keputusan bisnis yang semiterstruktur dan tak terstruktur.

Sistem DSS didesain sebagai sistem respons cepat dan ad hoc yang diawali dan

dikendalikan oleh pengambil keputusan bisnis. Sistem pendukung keputusan dapat secara

langsung mendukung jenis keputusan khusus dan gaya pengambilan keputusan pribadi

serta kebutuhan eksekutif, manajer, dan praktisi bisnis secara individual.

33

10.7 Komponen DSS

Berbeda dengan SIM, Sistem Pendukung Keputusan bergantung pada Model Bases

(basis model) dan database sebagai sumber daya sistem yang vital. Basis model dss adalah

komponen software yang trdiri dari model-odel yang digunakan dalam rutinitas

komputasional dan analitis yang secara matematis menyatakan hubungan antarvariabel.

DSS dapat mencakup model pemrograman linear, model peramalan regresi ganda, dan

model nilai sekarang penganggaran modal. Modelmodel seperti ini dapat disimpan dalam

bentuk Template atau model Spreadsheet, atau program statistik dan matematis serta modul

program.

Gambar 5 Komponen DSS yang dapat di implementasikan di marketing berbasis web.

Paket software DSS dapat mengombinasikan komponen model untuk membuat model

terpadu yang mendukung jenis keputusan tertentu. Software DSS biasanya terdiri atas

rutinitas pemodelan analitis yang telah dibangun dan juga memungkinkan Anda untuk

membangun odel Anda. Banyak paket DSS yang saat ini tersedia dalam mikrokomputer

dan versi berbasis Web. Tentu saja, paket Spreasheet elektronik juga menyediakan

beberapa bangunan model spreasheet dan pemodelan analitis yang ditawarkan oleh

software DSS yang berdaya lebih tinggi.

34

10.8 Sistem Visualisasi dan Informasi Geografis

Geographic Information System-GIS (sistem informasi geografis) dan Data

Visualization System-DVS (sistem visalisasi data) adalah kategori khusus dari DSS yang

memadukan grafis komputer dengan fitur DSS lainnya. Sistem informasi geografis adalah

DSS yang menggunakan database geografis untuk membuat dan menampilkan peta dan

tampilan grafis lainnya yang mendukung keputusan mengenai distribusi geografis orang-

orang an sumber daya lainnya. Banyak perusahaan yang menggunakan teknlogi GIS

bersama dengan Global Positioning System-GPS (sistem penempatan global) untuk

membantu mereka memilih lokasi toko ritel yang baru, mengoptimakan rute disribusi, atau

menganalisis demografi pasar sasaran mereka. Aplikasi bisnis seperti penambangan data

biasanya menggunakan grafik inetraktif yang memungkinkan pemakai menggali data

secara langsng dan memanipulasi data model bisnis untuk membantu menjelaskan

maknanya untuk pengambilan keputusan bisnis.

10.9 Penggunaan Sistem Pendukung Keputusan

Penggunaan Decision Support System-DSS (sistem pendukung keputusan) melibatkan

proses Analytical Modelling (pemodelan analitis) yang interaktif. Misalnya, penggunaan

paket software DSS untuk pendukung keputusan dapat menghasilkan berbagai tampilan

sebagai respons terhadap alternatif perubahan jika-maka yang dimasukkan oleh manajer.

Hal ini berbeda dari respons permintaan dari sistem informasi manajemen, karena

pengambil keputusan tidak meminta infomasi yang telah ditentukan sebelumnya.

Sebaliknya, mereka mengeksplorasi alternatif yang memungkinkan. Jadi, mereka tidak

perlu menentukan kebutuhan informasi mereka di depan. Melainkan, mereka menggunakan

DSS untuk menemukan informasi yang mereka butuhkan untuk membantu mereka

membuat keputusan. Itu adalah inti dari konsep sistem pendukung keputusan. Penggunaan

sistem pendukung keputusan melibatkan empat jenis dasar aktivitas pemodelan analitis:

1. Analisi jika-maka

2. Analisis sensitivitas

3. Analisis pencarian sasaran

4. Analisis optimisasi

10.10 Analisis Jika-Maka

Analisis What-if (jika-maka), seorang pemakai akhir membuat perubahan etrhadap

variabel, atau hubungan antarvariabel, dan mengamati perubahan yang dihasilkan dalam

nilai variabel lainnya. Misalnya, jika Anda menggunakan spreasheet, anda mungkin

mengubah jumlah pendapatan (variabel) atau rumus tarif pajak (hubungan antravariabel)

dalam model spreasheet keuangan sederhana. Kemudian anda dapat meminta program

35

spreasheet untuk secara instan menghitung ulang semua variable yang terpengaruh di

dalam spreasheet. Pemakai manajerial akan sangat tertarik dalam mengamati dan

mengevaluasi perubahan yang terjadi terhadap nilai di spreasheet, khususnya variabel

seperti laba bersih. Bagi banyak manajer, laba bersih adalah contoh bottom-line (garis

dasar), yaitu faktor kunci dalam membuat keputusan apapun. Analisis seperti ini akan

diulangi hingga manajer pusat dengan apa yang ditunjukkan oleh hasilnya mengenai

pengaruh berbagai keputusan yang mungkin dilakukan.

10.11 Analisis Sensitivitas

Analisis Sensitivitas adalah kasus khusus dari analisis jika-maka. Umumnya, nilai dari

satu variabel diubah berulang-ulang dan hasil perubahan pada variabel lainnya diamati.

Jadi, analisis sensitivitas sebenarnya adalah kasus analisis jika-maka yang melibatkan

perubahan yang berulang-ulang terhadap satu variabel. Beberapa pkaet DSS secara

otomatis membuat perubahan kecil ke satu variabel ketika diminta melakukan analisis

sensitivitas. Umumnya, analisis sensitivitas digunaka ketika pengambil keputusan tidak

yakin dengan asumsi yang dibuat dalam memperkirakan nilai beberapa variabel utama.

Dalam contoh spreasheet, nilai pendapatan dapat diubah secara berulang-ulang dengan

peningkatan kecil, dan pengaruhnya terhadap variabel spreasheet lainnya diamati dan

dievaluasi. Hal ini akan membantu manajer memahami dampak berbagai tingkat

pendapatan etrhadap faktor-faktor lain yang terlibat dalam keputusan yang

dipertimbangkan.

10.12 Analisis Pencarian Sasaran

Goal Seeing (analisis pencarian sasaran) membalikkan arah analisis yang dilakukan

dalam jika-maka dan sensivitas. Analisis ini tidak mengamati bagaimana perubahan satu

variabel mempengaruhi variabel lainnya. Analisis pencarian sasaran yang juga disebut How

Can (bagaimana bisa) menetapkan nilai sasaran (tujuan umum) untuk satu variabel dan

kemudian secara berulang-ulang mengubah variabel lainnya hingga nilai sasarn tercapai.

Mislanya, anda dapat menentukan nilai sasaran $2 juta untuk laba bersih bagi suatu bisnis.

Kemudian Anda dapat secara berulang-ulang mengubah nilai pendapatan dan pengeluaran

dalam model spreasheet hingga hasil $2 juta tercapai. Jadi, Anda akan menemukan berapa

jumalh pendapaatan atau tingkat pengeluaran yang perlu dicapai oleh suatu bisnis untuk

mencapai sasaran laba bersih $2 juta. Dengan demikian, bentuk pemodelan analisis ini akan

membantu menjawab pertanyaan, “Bagaimana kita bisa mencapai laba bersih $2 juta?”,

bukan pertanyaan, “Apa yang terjadi jika kita mengubah pendapatan dan pengeluaran?”

Jadi, analisis pencarian sasaran adalah salah satu metode penting dari pendukung

keputusan.

36

10.13 Analisis Optimisasi

Analisis optimisasi adalah perluasan yang lebih rumit dari analisis pencarian sasaran.

Sasarannya bukan nilai sasaran etrtentu untuk suatu variabel, melainkan untuk mencari nilai

optimium untuksatu atau beberapa variabel diubah secara berulang-ulang, berdasarkan

batasan tertentu, hingga nilai terbaik untuk variable sasaran ditemukan. Misalnya, anda

dapat mencoba menentukan tingkat laba tertinggi yang dapat dicapai dengan mengubah

nilai sumber pendapatan tertentu dan kategori pengeluaran. Perubahan pada variabel

tersebut dapat terikat pada batasan seperti kapasitas proses produksi atau batasan

pembiayaan yang tersedia. Optimisasi umumnya dicapai dengan menggunakan software

seperti Solver dalam Microsoft Excel dan paket software lainnya untuk teknik optimisasi

seperti pemrograman linear.

10.14 Sistem Informasi Eksekutif

Executive Information Systems-EIS adalah sistem informasi yang menggabungkan

berbagai fitur sistem informasi manajemen dan sistem pendukung keputusan. Ketika

pertama kali dikembangkan, fokusnya adalah untuk memenuhi kebutuhan informasi

strategis manajemen tingkat atas. Jadi, tujuan pertama dari sistem informasi eksekutif

adalah untuk menyediakan akses informasi yang mudah dan cepat kepada eksekutif tingkat

atas mengenai Critical Success Factors-CSF (faktorfaktor penentu keberhasilan)

perusahaan, yaitu faktorfaktor utama yang penting untuk mencapai tujuan strategis

organisasi. Misalnya, para eksekutif di jaringan toko ritel akan memepertimbangkan faktor-

faktor seperti hasil penjualan ecommerce dan tradisional, atau bauran lini produksinya

sebagi faktor penentu untuk tetap bertahan dan sukses.

10.15 Sistem Manajemen Pengetahuan

Knowledge Management Systems-KMS (sistem manajemen pengetahuan) sebagai

penggunaan teknologi informasi untuk membantu mengumpulkan, mengatur, dan saling

berbagi pengetahuan bisnis di dalam organisasi. Di banyak organisasi, database hipermedia

di situs Web intranet korporat telah menjadi basis pengetahuan untuk penyimpanan dan

penyebaran pengetahuan bisnis. Pengetahuan ini sering berbentuk best practise, kebijakan,

dan solusi bisnis di tingkat proyek, tim, unit bisnis, dan tingkat perusahaan.

B. KECERDASAN BUATAN DAN TEKNOLOGI DALAM BISNIS

Kecerdasan buatan (Artificial Inteligence/AI) dipraktekkan dalam bisnis dengan

berbagai cara. Kecerdasan Buatan /AI sendir merupakan ranah teknologi dan sains yang

berasal dari ilmu komputer, biologu, psikologi, ilmu bahasa, matematika dan ke-teknikan

37

(enginering).Dengan kehadiran kecerdasan buatan tersebut komputer diharapkan memiliki

kemampuan untuk berfikir sebaik mungkin seperti halnya manusia. Komputer juga

didorong mampu berfungsi layaknya kecerdasan manusia sebagaimana.

Beberapa atribut perilaku cerdas. AI mencoba untuk menduplikasi kemampuan ini dalam

sistem berbasis komputer.

Kehadiran teknologi kecerdasan buatan sempat diragukan kemampuannya ketika

pertama kali dicetuskan pada tahun 1950an. Banyak pakar dengan berbagai latar belakan

mempertanyakan kemampuan dari kecerdasan buatan tersebut. Alan Turing, sebagai

pelopor kecerdasan buatan kala itu mengajukan metode untuk mengetahui sejauhmana

kemampuan komputer dalam berfikir layaknya manusia. Walaupun penelitian serupa terus

dikembangkan, hal tersebut belum dapat meredam berbagai kritik dan keraguan atas

teknologi kecerdasan buatan. Salah satu metode turunan dari Turin adalah CAPTCHA

(Completely Automated Public Turing test to tell Computer and Human Apart). Test

CAPTCHA tersebut pada mulanya berupa serangkaian proses yang diciptakan oleh

manusia untuk mengetes komputer, namun saat ini digunakan sebaliknya yaitu diciptakan

(create) oleh komputer untuk mengetes manusia. Karena komputer pada umumnya tidak

dapat lolos dari tes CAPTCHA, sehingga bisa dipastikan bahwa yang bisa melalui ter

tersebut adalah manusia. Praktek semacam ini banyak diimplementasikan pada transaksi

melalui Web.

10.16 Ruang Lingkup Kecerdasan Buatan

Ruang lingkup utama dari kecerdasan buatan yang terdiri dari tiga aspek utama yaitu

kognitif, robotik dan natural interface, walaupun dimungkinkan adanya aspek lain dan

adanya tumpang tindih antar aspek.

38

Gambar 6 Atribut utama kecerdasan buatan.

Perhatikan bahwa banyak aplikasi AI dapat dikelompokkan menjadi tiga bidang utama

yaitu kognitif ilmu pengetahuan, robotika, dan interface alami. Untuk itu diperlukan

pembahasan terperinci dari tiga aspek tersebut sebagai berikut:

1. Kognitif, merupakan area kecerdasan buatan yang bersumber dari ilmu biologi,

neurologi, psikologi matematik dan berbagai disiplin lainnya. Aspek ini berfokus

pada upaya bagaimana otak manusia bekerja untuk berfikir dan belajar serta

berbasis pada penelitian tentang bagaimana manusia memproses informasi.

Penggunaan kecerdasan buatan dalam aspek ilmu kognitif dapat dicontohkan

sebagai berikut:

penggunaan expert system dan knowledge based system

sistem logika fuzzy, untuk memproses data yang tidak lengkap, ambigu dan

permasalahan yang bersifat semi struktural

Jaringan saraf tiruan mampu bekerja dengan mengenali pola dan mencari solusi

dengan pola tersebut

Algoritma genetika bekerja layaknya teori Darwin yang dapat mensimulasikan

proses evolusi

Inteligence Agent, menggunakan expert system dan berbagai teknologi dalam

kecerdasan buatan untuk menggantikan peran manusia dalam bidang tertentu

39

2. Robotik, berdasar pada ilmu keteknikan, psikologi dan kecerdasan buatan sehingga

memungkinkan robot memiliki daya melihat, menilai sesuatu, meraba dan

ketangkasan dalam menangani atau memanipulasi. Juga dimungkinkan dalam

aktivitas lokomosi dan pergerakan suatu barang dari area satu ke area lain atau

menentukan tujuan pergerakan.

3. Natural Interface, Pengembangan natural interface dilandasi keinginan penggunaan

komputer secara alami, sebagai contohnya adalah pengenalan bahasa alami dan

pengenalan suara. Kedua hal tersebut menjadi objek pengembangan pada aspek

natural interface. Keinginan untuk menjadikan komputer dan robot mampu

memahami bahasa manusia menjadikan berbagai riset tentang aspek ini

berkembang.

10.17 Sistem Pakar (Expert System)

Salah satu penggunaan kecerdasan buatan yang paling populer adalah sistem pakar.

Sistem pakar bermula dari sistem informasi pengetahuan (knowledge based), dan

digunakan secara spesifik dan pada permasalahan yang kompleks guna berperan layakanya

konsultan ahli. Sistem pakar memungkinkan mendukung keputusan karena mampu

memberikan sejumlah alasan terhadap suatu permasalahan yang membutuhkan

pengetahuan tertentu. Sistem pakar memiliki dua komponen yaitu dasar pengetahuan dan

software. Pengetahuan berisi kejadian atau fakta tentang subjek dan tatacara penilaian

terhadap subjek. Sedangkan sofware memuat program-program untuk melakukan

pendugaan dan media berkomunikasi dengan pengguna.

Sistem pakar bertindak layaknya konsultan. Menanyakan sejumlah pertanyaan kepada

pengguna, melakukan pencarian terhadap pengetahuan dan metode yang berkaitan dengan

pertanyaan kemudian menyusun sejumlah argumen dan saran terhadap suatu subjek

permasalahan. Penggunaan sistem pakar kini kian meluas ke berbagai bidang profesi seperti

mendiagnosa penyakit, menganalisa kandungan bahan, memberi saran rekomendasi atas

perbaikan, membimbing konsumen atau melakukan perencanaan keuangan. Sehingga dari

sudut pandang bisnis, sistem pakar dapat dilibatkan dalam proses atau siklus bisnis.

Sistem pakar mendapatkan pengetahuan dari para ahli, dan bisa melampaui kinerja

seorang pakar. Hal tersebut dimungkinkan karena sistem pakar tidak mengenal lelah, dapat

menampung informasi dari banyak pakar dengan sekaligus dan bekerja lebih cepat dan

konsisten. Sistem pakar mampu melestarikan kepakaran seseorang dan menyimpannya.

sehingga perusahaan tidak perlu khawatir kehilangan pakarnya dikarenakan pakar tersebut

berhenti dari perusahaan. Terlebih lagi, sistem pakar memungkinkan pengetahuan yang

dimiliki dan terekam didalamnya untuk dibagi dan digunakan secara bersama.

40

Kelemahan dari sistem pakar ada pada ketidakmampuan untuk belajar, tidak fokus,

perawatan dan pengembangan. Sistem pakar hanya dapat menyelesaikan permasalahan

yang spesifik karena keterbatasan bahan pengetahuan yang dimiliki dan tidak dapat

menyelesaikan masalah yang bersifat subjektif. Sistem pakar mampu menghasilkan

analisisis tajam terhadap objek yang dikuasainya, namun lemah terhadap penunjangan

keputusan yang bersifat subjektif. Secara teknis, perawatan dan pengemabngan dari sistem

pakar membutuhkan biaya yang tidak sedikit. Juga sistem pakar tidak dapat belajar dari

pengetahuan yang dimilikinya secara mandiri melainkan harus diajarkan.

10.18 Pengembangan Sistem Pakar

Expert system shell (ESS) digunakan sebagai alat bantu pengembangan sistem pakar.

Metode tersebut meruapakan cara termudah untuk mengembangkan sistem tersebut. ESS

merupakan paket software berisis sistem pakar tanpa fasilitas pemrograman, karena inti dari

sistem pakar adalah pengetahuan. ESS kadang dilengkapi dengan fitur tambahan seperti

editor dan pengolah antar muka. ESS saat ini semakin mudah digunakan, bahkan

pengembang yang tidak memiliki latar belakang teknologi informasi dapat

mengembangkan sistem pakar. Kemudahan juga diperoleh dari variasi biaya paket software

ESS.

Dalam pengembangan sistem pakar dikenal knowledge engineer, yaotu seseorang yang

bertugas memasukkan pengetahuan yang didapat dari para pakar kedalam sistem. Proses

pengambilan pengetahuan tersebut memerlukan kepakaran tersendiri, oleh karena itu

pengetahuan yang telah dimasukkan kedalam sistem oleh engineer harus dites terlebih

dahulu. Posisi knowledge engineer mirip dengan analis sistem informasi.

Ketika suatu perusahaan memutuskan untuk membuat suatu sistem pakar, maka

diperlukan knowledge engineer dan para ahli. Knowledge engineer membantu para ahli

untuk merancang sistem pakar dengan bantuan ESS. Para ahli juga menentukan modul dan

metode apa yang digunakan oleh sistem untuk menilai dan menyelesaikan permasalahan

berdasarkan kepakaran. Proses tersebut bisa jadi dilakukan berulang-ulang agar sistem

pakar dapat menyamai output yang dihasilkan oleh para ahli.

10.19 Jaringan Saraf Tiruan (Neural Network)

Neural network merupakan model komputasi yang menyerupai kerja jejaring

interkoneksi pada otak manusia yang disebut neuron. Seperti halnya kerja otak manusia,

jejaring sarat tiruan dapat belajar dari data-data yang dimasukkan untuk menghasilkan pola

dan hubungan antar data tersebut. Semakin banyak data yang bisa dimasukkan, semakin

bagus output yang dihasilkan karena komputer akan terus belajar dari data yang baru

diinputkan. Sebagai contoh, dari sejumlah data karakteristik nasabah kredit dan data

41

kualitas pinjaman, memungkinkan bagi sistem yang bekerja dengan jejaring saraf tiruan

untuk mengenali karakter peminjam seperti apa yang akan berpotensi masalah, begitu pula

sebaliknya. Untuk menghasilkan akurasi yang tinggi, jejaring saraf tiruan harus terus

senantiasa dilatih dengan menginput sejumlah data dengan beragam variasi karakter.

10.20 Logika Fuzzy

Walaupun sederhana namun logika fuzzy merupakan aplikasi yang sangat serius

digunakan sebagai kecerdasan buatan untuk aplikasi bisnis. Metode fuzzy bekerja layaknya

manusia berpendapat, karena seringkali manusia berpendapat yang sifatnya subjektif.

Logika fuzzy mampu bekerja dengan data yang sifatnya ambigu, tidak tegas dan

menghasilkan keputusan yang sifatnya perkiraan dan berada diantara dua hal yang

diperbandingkan.

Bagaimana logika fuzzy dapat menghasilkan output yang sifatnya tidak presisi?

Penjelasannya sebagai berikut:

Ketika data yang dinput bersifat ambigu dan tidak sempurnya, metode fuzzy mampu

menghasilkan kesimpulan dengan cepat namun dapat diterima dari data tersebut. Sekalipun

metode fuzzy bekerja dengan situasi yang tidak presisi, namun logika fuzzy bukanlah suatu

yang sifatnya tidak pasti dan tidak presisi, karena logika fuzzy mampu memberi ketepatan

yang berguna dalam pengambilan keputusan.

10.21 Algoritma Genetika

Penggunaan algoritma genetika saat ini sedang berkembang. Metode algoritma genetik

mengikuti teori seleksi alam Darwin, pengacakan dan beberapa fungsi matematis untuk

mensimulasikan proses evolusi yanang nantinya dapat berguna bagi keputusan bisnis.

Proses ini dapat menyingkat waktu mengingat proses evolusi yang terjadi dialam

berlangsung ribuan tahun, sedangkan melalui algoritma genetikaproses tersebut dapat

berjalan dengan singkat. Penggunaan algoritma genetika khususnya berguna bagi

perusahaan yang telah memiliki sejumlah solusi yang pernah dipraktekkan namun masih

dinilai perlu untuk memilih mana yang terbaik dari sekian banyak solusi tersebut.

Algoritma genetik menggunakan sejumlah proses matematis untuk memilih secara acak

(random) dan menseleksi output mana yang baik dan mana yang lemah sehingga yang

tersisa adalah solusi yang paling baik dan optimal.

10.22 Realita Virtual

Realita virtual merupakan simulasi dunia nyata via komputer. Realita Virtual mengalami

peningkatan pengunaan paling cepat dibanding model kecerdasan buatan lainnya karena

42

lebih natural, realistik dan melibatkan interaksi antara indra manusia dan antarmuka

komputer. Realita Virtual juga sering dikenal dengan telepresence. Penggunaan multi

sensor dalam realita virtual dan memungkinkan bertinteraksi dengan panca indra lainnya

menjadikan pengguna realita virtual memberikan pengalaman tersendiri bagi pengguna.

Teknologi realita virtual memungkinkan interaksi dan penyajian data dalam kacamata

video, earphone dan sensor-sensor yang mendeteksi pergerakan sejumlah organ tubuh.

Penggunaan teknologi realita virtual sangat luas seperti teknik CAD (Computer Aided

Design), simulasi penerbangan, diagnosa medis, percobaan ilmiah di bidang fisika dan

biologi, hiburan, demo produk, dan games. Teknik CAD paling banyak digunakan dalam

bisnis. Teknik tersebut memungkinkan desainer atau arsitek melakukan tes terhadap desain

yang telah dibuat tanpa harus membuat rancangan fisiknya terlebih dahulu. Visualisasi

yang dihasilkan dapat dimanfaatkan oleh praktisi farmasi untuk mengembangkan bahan

pengobatan baru atau menjadi model pengganti tubuh manusia.

Teknologi realita virtual dikatakan telepresence apabila digunakan oleh seorang atau

banyak orang di berbagai tempat secara bersamaan.

Documents

TUGAS INDIVIDU MATA KULIAH SISTEM PENUNJANG KEPUTUSAN DAN ... · PDF fileTUGAS INDIVIDU MATA KULIAH ... BAB II Pembuatan Keputusan, Sistem, Pemodelan, dan Dukungan ... dan sifat keterlibatan