Rifki Irawan - P056120222.41E
Mahasiswa Pascasarjana MB IPB
Chapter 10 Section 1
A. Pendukung Keputusan Dalam Bisnis
Ketika perusahaan
bermigrasi ke model e-business yang responsif, mereka melakukan
investasi pada kerangka kerja aplikasi pendukung berdasarkan data yang membantu
mereka merespons secara tepat perubahan pada kondisi pasar dan kebutuhan
pelanggan. 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 non-hierarkis.
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:
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.
B. 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 para
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.
C. 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.
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.
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 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.
D. Tren Pendukung Keputusan
Penggunaan sistem
informasi untuk mendukung pengambilan keputusan bisnis telah menjadi alah 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 non-manajerial 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 pemilik
kepentingannya.
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. 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.
E. 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. Laporan, tampilan, dan
respons yang dihasilkan oleh sistem informasi manajemen menyediakan informasi
yang telah ditetapkan oleh para pengambil keputusan pada tingkat operasional
dan taktis di organisasi yang dihadapi dalam situsi keputusan yang lebih
terstruktur. Misalnya, amajer penjualan sangat bergantung pada laporan analisis
penjualan untuk mengevaluasi perbedaaan kinerja antartenaga penjual yang
menjual jenis produk yang sama ke jenis pelanggan yang sama. Mereka memiliki
ide yang cukup baik untuk informasi mengenai hasil penjualan seperti lini
produk, wilayah penjualan, pelanggan, tenaga penjual dll, agar mereka dapat
mengelola kinerja penjualan dengan efektif. 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 dieprlukan. Alternatif Pelaporan Manajemen SIM
menyediakan berbagai produk informasi bagi para manajer. Ada empat alternatif
pelaporan utama yang disediakan oleh sistem ini.
1. 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.
2. 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 kelebihan informasi, sehingga tidak perlu memberikan seluruh laporan
aktivitas bisnis secara rinci bagi pengambil keputusan.
3. 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.
4. 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
F. Pemrosesan Analitis Online
Pemrosesan Analitis Online
atau Online Analytical Processing-OLAP memungkinkan manajer dan
analis untuk 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 pemotongan sering dilakukan sejalan dengan sumbu waktu untuk
menganalisis tren dan menemukan pola berbasis waktu pada data.
G. 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.
Contoh:
Manajer penjualan biasanya bergantung
pada sistem informasi manajemen untuk membuat laporan analisis penjualan.
Laporan ini berisi angka kinerja penjualan menurut lini produk, tenaga penjual,
wilayah penjualan, dll. Di lain pihak, sistem pendukung keputusan juga akan
secara interaktif menunjukkan kepada manajer penjualan pengaruh berbagai faktor
seperti pengeluaran promosi dan kompensasi tenaga penjualterhadap kinerja
penjualan. DSS dapat menggunakan beberapa kriteria seperti margin kotor yang
diharapkan dan pangsa pasar untuk mengevaluasi dan mengurutkan beberapa
kombinasi alternatif dari faktor-faktor kinerja penjualan.
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.
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. Misalnya, program Spreadsheet berisi model yang menyatakan
hubungan akuntansi sederhana antara berbagai variabel, seperti Pendapatan
– Beban = Laba. Atau basis model DSS dapat mencakup model-model dan
teknik analitis yang digunakan untuk menyatakan hubungan yang jauh lebih kompleks.
Misalnya, DSS dapat mencakup model pemrograman linear, model peramalan
regresi ganda, dan model nilai sekarang penganggaran modal. Model-model seperti
ini dapat disimpan dalam bentuk Template atau model Spreadsheet, atau
program statistik dan matematis serta modul program.
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.
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.
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.
Misalnya, perusahaan seperti Levi Strauss, Arby’s, Consolidated Rail, dan
Federal Expresss menggunakan paket GIS untuk memadukan peta, grafik, dan data
geografis lainnya dengan data bisnis dari spreasheet dan paket
statistik. Software GIS seperti MapInfo dan GIS Atlas digunakan dalam banyak
aplikasi GIS bisnis. DVS menunjukkan data yang rumit dengan menggnakan bentuk
grafis tiga dimensi yang inetraktif, seperti bagan, grafik, dan peta. Alat DVS
membantu pemakai untuk secara interaktif mengurutkan, membagi, menggabungkan,
dan mengatur data dalam bentuk grafis. Hal ini membantu pemakai untuk menemukan
pola, hubungan, dan anomali dalam data ilmiah atau bisnis dalam penemuan
pengetahuan secara interaktif dan proses pendukung keputusan. 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.
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
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 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.
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.
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.
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.
Sistem Informasi Eksekutif
Executive Information Systems-EIS
adalah sistem informasi yang menggabungkan berbagai fitur sistem informasi
manajemen dan sistem pendukung keputusan. Ketikapertama 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 faktor-faktor 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.
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.
Chapter 10 Section 2
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 (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 digambarkan dalam tabel berikut:
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.
Ruang
Lingkup Kecerdasan Buatan
Gambar
diatas menjelaskan 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. 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
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.
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.
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.
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.
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 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.
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.
Penggunaan
logika fuzzy banyak ditemukan di Jepang namun masih jarang diaplikasikan di
Amerika Serikat. Pelaku bisnis di AS lebih banyak menggunakan sistem pakar dan
jejaring saraf tiruansebagai implementasi kecerdasan buatan. Jepang telah mampu
mengaplikasikan logika fuzzy pada perangkat mikroprosesor, sehingga berbagai
produk elektronik asal Jepang yang menggunakan mikroprosesor dilengkapi dengan
logika fuzzy.
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.
Realita
Virtual
Realita
virtual merupakan simulasi dunia nyata via komputer. Realita Virtual mengalami
peningkatan pengunaan paling cepat dibanding model kecerdasan buatan lainnya
karena 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.
(Irawan, 2013)