Review Literatur - Management Information Systems oleh James A. O’Brien

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)

Review Literatur - Decision Support and Bussiness Intelligence Systems 9th edition oleh Efraim Turban

Rifki Irawan - P056120222.41E
Mahasiswa Pascasarjana MB IPB
 
2.   Pembuatan Keputusan, Sistem, Pemodelan, and Dukungan (Decision Support, Systems, Modeling, and Support)

2.1.    Pemodelan Keputusan pada HP Menggunakan Spreadsheet

Beberapa hal penting yang disampaikan dalam menyediakan dukungan keputusan pada suatu organisasi yang berskala besar adalah:

a.       Pembuat keputusan perlu untuk memiliki pemahaman yang baik mengenai masalah yang akan diteliti sebelum membangun model keputusannya.

b.       Sebuah model keputusan boleh mungkin tidak diperlukan untuk mengatasi masalah.

c.       Sebelum membuat perangkat yang baru, pembuat keputusan harus mengeksplorasi penggunaan kembali perangkat yang ada saat ini.

d.       Tujuan dari pembangunan model yaitu untuk memperoleh wawasan yang lebih baik terhadap masalah.

e.       Rencana implementasi harus dikembangkan bersama dengan model.

2.2.    Pembuatan Keputusan: Pendahuluan dan Definisi

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 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.

Lingkungan bisnis saat ini sangat dinamis. Sementara keputusan sedang dibuat, perubahan mungkin terjadi dalam lingkungan pengambilan keputusan. Perubahan tersebut dapat membatalkan asumsi keputusan yang didasarkan sebelumnya. Ada tekanan waktu dari perubahan yang sama dalam lingkungan pengambilan keputusan, dapat mempengaruhi kualitas keputusan dengan menerapkan tekanan waktu pada pengambil keputusan. 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).

Identifikasi persamaan dan perbedaan antara membuat keputusan individu versus kelompok:

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.

2.3.    Model Keputusan

Kategori model yang dapat berguna dalam bisnis meliputi model ikonik (skala, fisik), model analog, model mental, dan model matematik (kuantitatif). Jenis lain dari model, seperti model fashion atau model data yang digunakan dalam analisis sistem dan desain, tidak relevan dengan konteks ini, tetapi berbagi konsep yang mendasari mewakili beberapa aspek dari suatu sistem nyata, memiliki keuntungan lebih untuk tujuan tertentu dan kurang fitur yang akan memungkinkan mereka untuk menggantikannya. Keuntungan model matematika dalam pembuatan keputusan adalah sebagai berikut di bawah ini :

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.

Model mental, yang biasanya digunakan ketika keputusan sebagian besar melibatkan faktor-faktor kualitatif, dapat membantu kerangka situasi pengambilan keputusan dan bekerja melalui skenario untuk mempertimbangkan risiko dan manfaat dari keputusan alternatif.

Alat teknologi informasi modern dapat menyajikan faktor-faktor kualitatif bersama dengan analisis faktor kuantitatif, sehingga pengambil keputusan dapat mempertimbangkan baik bersama-sama dan menggunakan informasi kualitatif untuk membimbing mereka ke analisis kuantitatif yang paling berguna.

2.4.    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. Harapan bisa dinaikkan, menciptakan ketidaksesuaian itu, dengan melihat bagaimana pesaing telah meningkatkan operasi mereka. Situasi bisa berubah dalam banyak cara: biaya yang lebih tinggi, pangsa pasar yang lebih rendah, dan sebagainya.

2.5.    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. Hal ini membantu memecahkan masalah karena bagian yang lebih kecil menjadi lebih sederhana, terstruktur, memungkinkan pengambil keputusan dengan mudah untuk memusatkan perhatian mereka pada bagian sulit yang tersisa. Dekomposisi dapat memfasilitasi komunikasi antar pengambil keputusan.

Penetapan kepemilikan masalah (problem ownership) sangat penting dalam proses pengambilan keputusan. Kepemilikan berarti memiliki kewenangan, dan mengambil tanggung jawab dari pemecahan. Kurangnya kepemilikan masalah berarti seseorang tidak melakukan pekerjaannya, atau bahwa masalah yang dihadapi belum diidentifikasi sebagai milik siapa pun. Pemecahan masalah tidak dapat diselesaikan sampai tanggung jawab kepemilikan ditetapkan.

2.6.    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).

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.

Pembuatan keputusan rasional mengikuti asumsi ekonomi rasionalitas. Seorang pembuat keputusan rasional menunjukkan perilaku tertentu diasumsikan: (1) Manusia adalah makhluk ekonomi, yang bertujuan untuk memaksimalkan pencapaian tujuan, (2) untuk situasi pengambilan keputusan, semua program yang layak alternatif tindakan dan konsekuensi mereka, atau setidaknya probabilitas dan nilai-nilai konsekuensi diketahui, dan (3) pengambil keputusan memiliki perintah atau preferensi yang memungkinkan mereka untuk peringkat keinginan semua konsekuensi analisis dari terbaik sampai terburuk. Menjadi pembuat keputusan rasional berarti membuat keputusan sesuai dengan asumsi tersebut.

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. Ini menggambarkan konfigurasi sistem. Dengan mengubah skenario dan mengukur tingkat pencapaian tujuan, adalah mungkin untuk membandingkan alternatif di bawah berbagai kondisi.

Beberapa kesalahan dalam pengambilan keputusan dapat dikaitkan dengan gagasan pengambilan keputusan berdasarkan intuisi. Jelaskan apa yang dimaksud dengan hal ini dan bagaimana kesalahan tersebut bisa terjadi. Secara umum, orang memiliki kecenderungan untuk mengukur ketidakpastian dan risiko buruk. Mereka cenderung percaya diri dan memiliki ilusi kontrol dalam pengambilan keputusan. Pendekatan ini dapat menghemat waktu jika intuisi seorang pembuat keputusan yang selaras dengan situasi dari pengalaman yang luas, tetapi dapat menyebabkan kesalahan jika diterapkan pada situasi yang asing. Seorang eksekutif yang telah membuat sukses keputusan intuitif dimasa lalu bahkan mungkin tidak menyadari bahwa pengalamannya tidak berlaku untuk yang baru, tetapi terlihat serupa situasinya.

2.7.    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. Sebuah prinsip pilihan yang umum: yaitu, berlaku untuk banyak kemungkinan dalam situasi pengambilan keputusan. Tahap pilihan pengambilan keputusan aktual menggunakan satu atau lebih prinsip pilihan, yang dipilih selama fase keputusan atau sebelum itu, untuk memilih alternatif dalam situasi tertentu.

Fase pemilihan merupakan titik waktu ketika keputusan benar-benar dibuat. Hal itu disebabkan karena salah satu dari alternatif yang ada dibuat. Pada fase ini biasanya digunakan mencakup lebih dari satu titik waktu. Ini juga mencakup perbandingan yang mengarah pada penilaian ketahanan dan konsekuensi merugikan yang mungkin menyebabkan pembuat keputusan untuk memilih alternatif yang kurang diinginkan dibawah kondisi ideal tapi juga lebih cenderung mengarah pada bencana dalam keadaan lain.

Analisis sensitivitas menentukan bagaimana alternatif merespon perubahan kecil dalam parameter input. Sebuah alternatif yang muncul terbaik untuk set nominal parameter mungkin menghasilkan hasil yang jauh lebih buruk untuk perubahan kecil di dalamnya. Alternatif lain, yang mungkin tidak semenarik jika semua parameter memiliki nilai nominal, mungkin akan lebih kuat-yaitu, tidak mungkin menurunkan sebanyak jika mereka berangkat dari nilai-nilai. Karena itu merupakan pilihan yang lebih baik dalam praktek, karena beberapa variasi statistik dalam nilai-nilai ini hanya untuk diharapkan.

2.8.    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. Dalam keputusan keuangan, misalnya, SPK akan mencakup tidak hanya tujuan keuangan rinci dan kebutuhan untuk jangka pendek uang tunai, tetapi juga akan memberikan perhitungan, hasil antara, dan statistik yang digunakan untuk menentukan angka agregat. Hal ini juga menyampaikan kepada bawahan bahwa pembuat keputusan memiliki pemikiran melalui asumsi dibalik sebagai tujuan keputusan dan serius tentang pentingnya mereka. Akhirnya, memungkinkan orang untuk menjelaskan dan membenarkan saran dan pendapat mereka dengan dukungan grafis.

2.9.    Bagaimana Keputusan Didukung

Teknologi dan alat bantu keputusan dapat membantu dalam setiap tahapan proses pembuatan keputusan,

a.       Fase Intelijen: Kebutuhan utama pendukung keputusan untuk tahap kecerdasan adalah kemampuan untuk memindai sumber informasi eksternal dan peluang serta masalah internal kemudian menafsirkan hasil. Alat Web dan sumber yang sangat berguna untuk pemindaian lingkungan.

Dukungan terhadap keputusan bisnis dapat menggunakan teknologi intelijen berupa data mining dan OLAP untuk mengidentifikasi hubungan antara kegiatan dan faktor lainnya. Sistem informasi geografis ( GIS ) dapat dimanfaatkan baik sebagai berdiri sendiri atau terintegrasi dengan sistem ini, sehingga pengambil keputusan dapat menentukan peluang dan masalah dalam arti spasial.

Aspek lain dari mengidentifikasi masalah internal dan peluang yang memantau operasi. Kegiatan usaha pemantauan, proses bisnis manajemen dan produk manajemen siklus hidup memberikan kemampuan tersebut. Rutin dan ad-hoc laporan juga dapat membantu: laporan rutin dapat dirancang untuk membantu dalam masalah menemukan dengan membandingkan harapan dengan kinerja saat ini dan proyeksi.

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.

Sebuah sistem manajemen pengetahuan, dapat dikonsultasikan untuk menentukan apakah suatu masalah telah ditemukan sebelumnya, atau jika ada ahli di tangan untuk memberikan pemahaman yang cepat dan jawaban . Sistem CRM, sistem manajemen pendapatan, ERP, dan software SCM berguna dalam memberikan model proses bisnis yang dapat menguji asumsi dan skenario .

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 consensus.

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.

Dampak sepanjang rantai nilai biasanya diidentifikasi oleh BAM, BPM, SCM, dan sistem ERP . Sistem CRM melaporkan dan memperbarui catatan internal berdasarkan dampak pelaksanaan. Input ini kemudian digunakan untuk mengidentifikasi masalah dan peluang baru-kembali ke fase intelijen.

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, umumnya dengan mengakses server Web khusus yang menyediakan data dan komunikasi langsung ke perangkat m-commerce.

Chapter 3.

3.      Konsep Sistem Pendukung Keputusan, Metodologi, dan Teknologi: An Overview

3.1.       Sistem Pendukung Keputusan Penyembuhan untuk Kesehatan

Dalam studi kasus ini keputusan ini melibatkan eksekutif senior dalam suatu organisasi. Pengambil keputusan dalam kasus ini adalah CFO sistem rumah sakit , kepala eksekutif keperawatan, manajer unit, dan direktur sumber daya manusia. Ini semua adalah eksekutif senior. Para Perencana Model Lab memberikan informasi para pengambil keputusan yang diperlukan untuk membuat keputusan tentang bagaimana untuk melanjutkan.

Jenis parameter keputusan yang digunakan dalam membuat keputusan ini  ialah: Model ini disusun atas dasar dua minggu dalam rangka untuk memasukkan jumlah jam kerja inti dan staf darurat, dengan lag dari 12 minggu untuk pelatihan karyawan baru. Model dasar meliputi setiap rumah sakit dalam sistem kesehatan, node untuk seluruh sistem kesehatan, node untuk variabel sumber daya manusia, dan simpul untuk penyesuaian yang berbeda untuk menjelaskan perilaku karyawan baru. Variabel dalam model ini terutama kuantitatif dan meliputi:

•      Jumlah jam menuntut untuk musim flu 2009

•      Jumlah jam dari musim flu 2008

•      Jumlah jam dari musim flu 2008 setelah karyawan baru

•      Gap antara jam diminta dan jam aktual dari 2008

•      Gap antara jam diminta dan jam aktual dari 2008 setelah karyawan baru

•      Jumlah karyawan yang dibutuhkan untuk memenuhi permintaan

•      Karyawan yang tersisa Jumlah untuk memenuhi permintaan setelah karyawan baru

Alat pemodelan lain dapat digunakan untuk mengembangkan model  yang umum digunakan yaitu Microsoft Excel. Karena DSS menangani masalah semi-terstruktur atau tidak terstruktur, itu sering perlu untuk menyesuaikan model, menggunakan tool pemrograman dan bahasa. Beberapa contoh ini. Bahasa Framework, C + +, dan Java. OLAP perangkat lunak juga dapat digunakan untuk bekerja dengan model dalam analisis data.

Ada beberapa parameter yang dipertimbangkan oleh pemodel dalam studi kasus ini , apa situasi lain bisa model proyeksi staf termasuk, Situasi lain yang model proyeksi staf dapat mencakup adalah:

•      Jenis keterampilan yang diharapkan atau tingkat keahlian yang diperlukan tergantung pada   perawatan kesehatan darurat

•      Ketersediaan jam lembur untuk menutupi meningkatnya permintaan

•      Periode permintaan rendah atau lebih rendah

•      Penggunaan metode perekrutan secara online

Model ini contoh yang baik dari DSS karena:

•        mendukung masalah semi-terstruktur

•        manajer dukungan di semua tingkat

•        interaktif, mudah digunakan

•        manusia mengendalikan proses

•        relatif mudah untuk mengembangkan

•        efektif dan efisien

•        beradaptasi dan fleksibel

3.2.       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.

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 .

3.3.       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 non-structured 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 .

Akhirnya, secara eksplisit tidak termasuk sistem yang menyediakan beberapa pendukung keputusan sebagai - produk dengan tujuan utama mereka .

DSS adalah pendekatan (atau metodologi) untuk mendukung pengambilan keputusan, yang:

·                Menggunakan interaktif, fleksibel, beradaptasi mampu-komputer sistem informasi berbasis (CBIS)

·                Dikembangkan oleh end user untuk mendukung solusi untuk manajemen non-structured tertentu problem

·                Menggunakan data, model dan pengetahuan bersama dengan (sering grafis, web-based) tampilan antarmuka yang ramah.

·                Menggabungkan wawasan pembuat keputusan sendiri

·                Mendukung semua fase pengambilan keputusan

·                Dapat digunakan oleh pengguna tunggal atau oleh banyak

3.4.       Karakteristik DSS dan Kemampuan

Karakteristik kunci dan kemampuan DSS ditunjukkan pada Gambar  dan diperkuat dalam teks di bawah ini :

•        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

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 .

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

·     Predictive analytics menjelaskan bisnis metode analisis masalah peramalan dan peluang bukan hanya melaporkan mereka sebagai mereka terjadi.

3.5.       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 mengklasifikasikan

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

•       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 .

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).

3.6.       Komponen 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 .

•        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 .

•        The berbasis 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

3.7.       Data manajemen subsistem

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 .

1.       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. )

2.       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 .

3.      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.

4.       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 .

Beberapa siswa berwenang dapat berkonsultasi menggunakan ekstraksi istilah hanya untuk yang pertama ini , mengacu pada seluruh proses sebagai Ekstraksi, Transformasi dan Load ( ETL ) . Penggunaan ini dicatat pada hal. 99 .

5.       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 .

6.       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 .

3.8.   Model Manajemen sub sistem

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 .

Model Operasional mendukung manajer menengah dan supervisor dalam sangat keputusan jangka pendek , misalnya , menilai dampak kemungkinan jadwal alternatif pekerjaan harian dan mingguan .

1.       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 .

2.       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 .

3.       Pemilihan model untuk DSS sulit

Pemilihan model sulit karena membutuhkan keahlian untuk memahami model yang tersedia , daerah mereka penerapan dan kekuatan dan kelemahan mereka .

4.       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 .

3.9.  The 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).

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.

Gambar 1. 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.

3.10. The 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.

3.11. The Decision Support System User

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.

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.

3.12. Decision Support System Hardware

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.

Web digunakan untuk pengembangan DSS dan penyebarannya dikarenakan hal ini akrab bagi pengguna, mendukung antarmuka browser terkenal dan biasa dipakai secara umum, didukung oleh berbagai perangkat lunak, memfasilitasi komunikasi antara bagian dari DSS yang kemudian ditempatkan pada komputer yang berbeda, dan dapat diakses dari mana pun oleh para pengguna.

3.13. A 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.

                                   Gambar 2. PlannersLab Startup

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.

(Irawan, 2013)