NOTA Versi BM MODUL CBSS4103 - Bab1 - Bab 9 Sistem Sokongan Keputusan

CBSS4103 SISTEM SOKONGAN KEPUTUSAN
NOTA CBSS 4103

SISTEM SOKONGAN KEPUTUSAN
Bab 1 – 9
SEMESTER SEPTEMBER 2007
Empunya ;
Kariah Hj Supertan
1
TAJUK 1 : HUMAN AND MANAGERIAL DECISION-

DECISION-MAKING
Manusia dan Pengurusan Pembuatan Keputusan
Pengenalan:
Pengurus bertanggungjawab di mana mereka perlu ambil tindakan bagi pihak organisasi
seperti memperuntukkan sumber, merundingkan perjanjian, mengawasi prestasi organisasi
dan membetulkan penyimpangan drp perancangan
1.1 Pengenalan Kpd Pembuatan Keputusan
Roosevelt:
Eleanor Roose velt:
“ Somewhere along the line of development we really are, and then we make our real decision
for which we are responsible. Make that decision primarily for yourseft because you can never
really live anyone else’s life.”
Di mana sahaja di sepanjang garis pembangunan kita menemui apa yg kita ada, dan
kemudiannya kita membuat keputusan kita yg sebenar utk yang kita dipertanggungjawabkan.
Membuat keputusan itu terutamanya utk diri kita sebab kamu sebenarnya tidak akan hidup
dlm kehidupan individu yang lain”
Keputusan ( Decision) :
• Kesimpulan atau pilihan alasan di kalangan pelbagai alternatif / pilihan.
• Kita membuat sebilangan keputusan, keputusan peribadi adalah seperti keputusan
perniagaan dalam kehidupan kita
Keputusan termasuklah:
• Apa yg perlu dipakai untuk ke pejabat
• Ke mana nak pergi semasa cuti sekolah
• Insuran nyawa yang manakah untuk di beli
• Berapa ramai tutor utk diambil bagi kursus computer
Setiap keputusan dibina oleh:

• Kenyataan keputusan
• Himpunan alternatif2
• Himpunan kriteria2
2
Teknik berkesan
berkesan utk membuat keputusan:
Arsham, 2005 : keputusan membabitkan tiga langkah:
• Pengiktirafan ke atas keperluan: ketidakpuas hati dgn diri sendiri ( kekosongan /
keperluan )
• Keputusan kpd perubahan ( utk mengisi kekosongan / keperluan )
• Kesedaran dedikasi kpd melaksana keputusan
Membuat Keputusan bermaksud :
Turban, 2005 : Proses daripada kewarasan dikalangan alternatif-alternatif yang dapat

digunakan utk tujuan mengenai penyempurnaan satu tujuan / tujuan-tujuan
Harris, 1998: kajian dalam mengenalpasti dan memilih alternatif berdasarkan nilai-nilai dan
keutamaan-keutamaan drp pembuat keputusan dan proses yg mencukupi mengurangkan
keadaan yg tidak menentu dan keraguan mengenai alternatif-alternatif utk membenarkan satu
pilihan yg munasabah untuk dibuat drp kalangan mereka.
Arsham, H., 2005 : model/contoh/jenis membuat keputusan mungkin membenarkan untuk

hanya tiga sistem unik semasa membuat keputusan:
• Individualisme : yg mana ketidaksamaan akses (perolehan), menikmati pertandingan,
dan pengenalpastian dgn kuasa dan individu yang betul
• Kolaborasi : yang mana menganggap semua manusia mempunyai kepentingan bersama,
menaikkan usaha kolaborasi dan kenalpasti dgn demokrasi yang tidak terbatas
• Kuasa dan Kewibawaan : yang mana menghormati kuasa dan pengenalpastian dgn
kawalan hak/ kewibawaan
Alternatif : keputusan yang wujud boleh di bina / buat
Jenis-
Harris, 1998 : Jenis -Jenis Keputusan ;
• Decisions Whether ( Keputusan Sama Ada )
• Decisions Which ( Keputusan Yang Mana )
• Contingent Decisions ( Kontinjen Keputusan – yang mungkin berlaku / kebetulan )
3
Latihan 1
1. Apakah Keputusan?
Keputusan adalah bentuk-bentuk tindakan yang diambil untuk menyelesaikan masalah
2. Perbezaan antara Decision Whether dan Contingent Decisions?

Decision Whether Contingent Decisions
Ya atau Tidak Keputusan yang telah dibuat tetapi memegangnya
sehingga menjumpai situasi yang sesuai
Keputusan mesti dibuat sebelum Cth : Saya akan membeli kereta jika saya
memilih altirnatif memperoleh harga yang berpatutan
Cth: Saya patut membeli kereta
baru
1.2 Pengurus dan Pembuatan Keputusan

Pengurus adalah pembuat keputusan
Minztberg, 1980 : pengurus melaksanakan 10 peranan yang boleh diklasifikasikan kpd 3

kategori utama :
• Interpersonal
• Informational
• Decisional
10 peranan pengurusan oleh Minztberg, 1980 :
Interpersonal
Figurehead kepala simbolik bertanggungjawab untuk melaksanakan beberapa
(boneka) tugas rutin berbentuk perundangan/sosial.
Leader Bertanggungjawab untuk memotivasikan dan menggerakkan semua
(pemimpin) kaki tangan dan juga bertanggungjawab tentang tugas-tugas
berkaitan dengan staf, latihan dan hubungan
Liaison Mengekalkan rangkaian bina sendiri dengan pihak-pihak luar serta
(perhubungan) pemberi-pemberi maklumat
Informational
Monitor Mencari dan menerima pelbagai maklumat khusus untuk membina
(pengawas) pemahaman yang menyeluruh tentang organisasi dan persekitarannya
Disseminator Menyebar maklumat yang diterima dari pihak luar atau daripada
(penyebar) kakitangan sendiri kepada ahli-ahli maklumat luaran/dalaman
organisasi
4
Spokesperson Menyebarkan maklumat kepada pihak-pihak luar tentang polisi-

(jurucakap) polisi, plan-plan, juga bertindak sebagai pakar tentang industri
organisasi
Decisional
Entrepreneur mencari organisasi dan persekitaran untuk peluang dan permulaan
(pengusaha) memantapkan projek utk membawa kepada perubahan; menyelia
reka bentuk drp projek tertentu
Disturbance Bertanggungjawab untuk membetulkan perkhidmatan apabila
Handler organisasi menghadapi gangguan yang tidak dijangka atau penting
(penyelesai
gangguan)
Resource Allocator Bertanggungjawab utk peruntukan sumber organisasi drp semua
(peruntukan jenis kesan dalam membuat atau menerima semua keputusan
sumber) organisasi yang penting.
Negotiator Bertanggunghjawab utk mempersembahkan organisasi pada
(perunding) perundingan
Keputusan boleh diklasifikasikan selaras dgn tingkat organisasi

Anthony, 1965 :
Perancangan Strategik
Kawalan Pengurusan
Kawalan Operasi
Pelaksanaan Operasi
strategic planning ( perancangan strategic ) adalah dibuat pada tahap atas pengurusan
organisasi, dan membuat keputusan utk mengesan keseluruhan organisasi. Ia melibatkan
pembuatan keputusan dalam menentukan objektif-objektif, menubuhkan dasar,
menguntukkan sumber-sumber, mengawal pelaksanaan organisasi dan menilai pelaburan.
5
Management control ( Kawalan Pengurusan ),
) or tactical decision ( keputusan
keputusan taktikal ),
) adalah
dibuat oleh pengurus-pengurus pertengahan,termasuk proses keputusan yang berkaitan
dengan pemerolehan dan guna sumber. Ia memberi kesan pada sebahagian organisasi utk satu
masa terhad pada masa depan..
Operational control ( Kawalan Operasi ) dikaitkan dengan keberkesanan

tindakan-tindakan organisasi, mengawal kualiti produk / servis dan menilai terhadap
keperluan-keperluan product/servis..
Operational performance ( Pelaksanaan Operasi ) melibatkan pembuatan keputusan hari ke hari

di unit-unit fungsian. Keputusan dibuat untuk dilaksanakan keputusan strategic, taktik
fungsian dan aktiviti operasi. Dengan setiap tahap drp keputusan organisasi, keputusan
klasifikasi kajian berstruktur, semi struktur dan tidak berstruktur
Structured decisions
decisions (keputusan distrukturkan) adalah lazim dan berulang. seperti
keputusan tersedia untuk dihasilkan prosedur pengendaliannya.Sebagai mana yang berlaku,
Kita tidak perlu memikirkan dari mula bagaimana untuk menanganinya.
unstructured decisions (keputusan yang tidak diprogramkan) adalah kompleks dan sukar
ditemui. Seperti keputusan yang tidak dipastikan atau kaedah cut and dried untuk
menanganinya. Seperti tidak pernah wujud sebelumnya. Mungkin juga lebih penting , oleh itu
perlu menjadi rawatan kebiasaan
Semi-
Semi-structured decision adalah mempunyai jumlah aspek berstruktur yang banyak tetapi
tidak boleh dilengkapkan (Mallach, 2000).
1.3 Proses Pembuatan Keputusan
Simon (1960), proses terdiri daripada tiga fasa : intelligence (kepintaran),

(kepintaran), design (rekabentuk)
dan choice (pilihan) Proses tersebut melibatkan penemuan masalah untuk diselesaikan.
Proses ini adalah aliran berterusan daripada satu fasa ke fasa yang lain. Walau bagaimana pun
pada mana-mana fasa, boleh berpatah-balik ke fasa sebelumnya. Setiap keputusan haruslah
melibatkan semua fasa, seminima mungkin.
6
Penekanan atas setiap fasa berbeza daripada suatu keputusan kpd dua yang lain:
a. sifat semulajadi keputusan mungkin memerlukan pembuat keputusan utk menyediakan

masa yg lebih dalam satu fasa atau yang lainnya
b. pembuat keputusan mungkin memberi penekanan ke atas satu fasa / yang lain,
bergantung ke atas cara kelakuannya
1.3.1 Fasa Intelligence ( Fasa Kecerdasan )

- fasa pertama dalam proses membuat keputusan
- pembuat keputusan perlu mengenalpasti dan menyatakan masalah atau keadaan yang
memerlukan penyelesaian
- aktiviti penelitian / pengimbasan mungkin dilakukan secara berkala atau secara
berterusan
- untuk melaksanakan aktiviti, pembuat keputusan hendaklah meninjau objektif
organisasi, menyelidik dan teliti prosedur, dan memahami data yang relevan
- memahami mengapakah terjadinya masalah, di manakah ianya berlaku, dan apakah
kesannya (Laudon and Laudon, 1999).
- Produk akhir fasa ini ialah kenyataan masalah (problem
problem statement.)
statement
7
(a) Find the Problem ( Dapatkan Masalah
Masalah )
- mulakan fasa kecerdasan dengan mengenalpastinya matlamat organisasi dan objektif

- Tentukan sama ada matlamat dan objektif telah dipenuhi atau tidak
- Masalah-masalah timbul sekiranya terdapat rasa tdk puas hati dgn cara yang dilakukan
- ketidakpuasan hati adalah perbezaan antara apa yang diinginkan dan apa yang berlaku
atau tidak berlaku.
- menilai kewujudan masalah, tahap produktiviti pengelolaan harus diawasi dan analisis
(Turban et al., 2005).
- Jika sesuatu masalah benar-benar wujud, seseorang harus mendapatkan tanda-tanda
bermasalah, menentukan betapa penting bermasalah dan menyatakan masalah dengan
jelas.
(b) Classify Problem ( Mengkelaskan Masalah )
- utk mengkelaskan masalah ke dalam kategori yang boleh ditakrifkan

- Pendekatan terbaik , khaskan masalah mengikut tahap structuredness ( berstruktur)
- Menurut Simon (1977), terdapat dua situasi ekstrem tentang strukturan penyelesaian
masalah : masalah berstruktur dan bukan berstruktur.
- Masalah bukan berstruktur dan semi berstruktur berkecenderungan kpd mendapatkan
struktur sebagai proses penyelesaian keluar.
(c) Decompose Problem ( Penguraian Masalah )
- utk mengawal masalah yg kompleks, masalah perlu dibahagikan kpd sub-masalah

- su-masalah mudah diuruskan
- penyelesaian sub-masalah sederhana membantu dalam penyelesaian masalah- masalah
kompleks
- bila masalah terdiri drp sub-masalah berstruktur dan tidak berstruktur, masalah itu dgn
sendirinya semi-berstruktur
- pendekatan penghuraian memudahkan komunikasi dikalangan orang yang terlibat dalam
proses penyelesaian masalah .
(d) Establish Problem Ownership ( Buktikan Pemilik Masalah )
- setiap masalah yang dikesan, mesti dipunyai oleh sebarang individu atau mana-mana
jabatan dalam organisasi
8
- individu atau kumpulan dalam organisasi mesti mempunyai masalah sepertimana yang
organisasi bersetuju untuk bertenggungjawab utk menyelesaikan masalah atau
mempunyai kemampuan utk menyelasaikan masalah
Fasa ini berakhir dengan kenyataan masalah formal (formal

formal problem statement.)
statement
- Sekiranya pembuat keputusan organisasinya tidak mampu utk menyelasaikan masalah,

ianya akan menyatakan bahawa masalah itu tidak dipunyai oleh sesiapa
- keadaan tersebut tidak mencetuskan fasa seterusnya terhadap proses penyelesaian
masalah.
Exercise 1.3
What do you think executives in many organisations are paid to do? To
think or to do routine tasks? Explain. Sebagai tugasan harian agar proses pembuatan
keputusan dan penyelasaian masalah lebih memuaskan dan efektif.
1.3.2 Fasa Reka Bentuk
- melibatkan membangunkan dan menganalisis haluan yg boleh berlaku daripada aksi

kepada menyelesaikan masalah.
- Dicadangkan keputusan kepada masalah atau alternatif yg dibangunkan
- Pembuat keputusan perlu melakukan kajian yang banyak alternatif yg sedia ada
- Objektif drp keputusan yang akan dibuat mestilah jelas dan mudah dikenalpasti.
a. Bina Model Sistem
Model Sistem : memudahkan gambaran atau memisahkan sistem atau masalah
Pembolehubah:
i. Keputusan Berubah ( Decision Variables ) : menjelaskan alternatif-alternatif pembuat

keputusan mesti dipilih diantaranya
ii. Hasil berubah atau set daripada hasil pembolehubah-pembolehubah : menjelaskan sasaran
drp pembuatan keputusan
iii. pembolehubah tidak terkawal : penjelasan ttg persekitaran spt keadaan ekonomi
Proses pemodelan akan menentukan pembolehubah dan mengukuhkan hubungan di antara

pembolehubah yg mungkin eujud dalam situasi masalah.
9
b. Set Kriteria Untuk Pemilihan
menentukan criteria dlm menerima pendekatan penyelesaian

bagaimana pembuat keputusan mengutarakan objektif pembuatan keputusannya
bagaimana objektif2 digabungkan ke dlm model
c. Menjana Alternatif
- ketersediaan dan kos drp maklumat dan juga ketersediaan drp kepakaran dalam kawasan
masalah
- Cth: sesi ‘brainstorming’ : disokong dgn perisian brainstorming elektronik utk mendapatkan
alternatif.
- hasil drp setiap alternatif yg dicadangkan mestilah dibuktikan
d. Meramal dan Mengukur Hasil

- dalam mendapatkan hasil yang diramalkan drp setiap alternative yg dicadangkan
membolehkan pembuat keputusan untuk menentukan alternative yang manakah akan
bersesuaian dgn penyelesaian yang memuaskan
- hasil drp setiap alternative boleh dihuraikan dalam sasaran organisasi,
- hasil seperti memaksimakan keuntungan boleh diukr dalam Ringgit Malaysia
- hasil drp kepuasan pelanggan boleh diukur melalui jumlah aduan atau kedudukan daripada
kajian atau tinjauan
1.3.3 Fasa Pilihan :

- pembuat keputusan membuat keputusannya
- terdiri drp pencarian, penilaian dan perakuan daripada penyelesaian yang memuaskan kpd
binaan model dlm fasa reka bentuk
- akhirnya : keputusan akan dilaksanakan
a. Menilai
Menilai / Mentafsir Alternatif
- menyelesaikan model menghasilkan keputusan yang diperakukan kepada masalah yang
nyata.
- penyelesaian yang dicadangkan diaplikasikan kpd model utk diuji kebolehlaksanaannya
- Utk menyelesaikan model yg dibina pada fasa reka bentuk, alternatif-alternatif perlu
dinilaikan.
- untuk melakukan penilaian kpd alternative, pembuat keputusan perlu data yang luas ke atas
pelbagai alternative dan peralatan analisis data. Ini untuk menjelaskan ke semua kos, akibat
dan kesempatan/peluang. ( Laudon and Laudon, 1999 )
10
b. Memilih Penyelesaian Yang Terbaik
- keputusan yg baik perlulah dipilih berdasarkan situasi yang wujud pada ketika ini. dan juga
keadaan yang diharapkan dan dijangkakan pada masa penyelesaian akan dilaksanakan
sebenarnya. ( Marakas, 2003)
- penyelesaian model masalah tidak sama seperti menyelasaikan masalah nyata, ianya
memberikan idea drp kebolehlaksanaan penyelasaian yg dicadangkan ke atas masalah nyata.
Masalah perlu dipertimbangkan utk penyelasaian yang berjaya, hanya jika peyelesaian yang
diperakukan dilaksanakan dengan jayanya.
1.4 Bentuk / Gaya Keputusan : menjelaskan mengenai cara / gaya pembuat keputusan
membuat keputusan
a. Konteks Masalah
- merujuk kepada daya bahawa bertindak kepada pembuat keputusan siapa yang bertindak
dlm membuat keputusan
- Kuasa drp organisasi dan persekitaran termasuklahperaturan kerajaan, teknologi baru, dan
persaingan pasaran
- kuasa drp sifat individu mengandungi set kemahiran, motivasi, dan kebolehan
- pembuat keputusan mestilah mampu utk mengimbangi semua kuasa ini semasa proses
membuat keputusan.
b. Persepsi ( Tanggapan )
- merujuk kpd persepsi drp pembuat keputusan
- pembuat keputusan membawa kecondongan individu kpd konteks masalah
- masalah mestilah bersesuaian dgn realiti
- dlm menentukan pendekatan pembuat keputusan utk menyelesaikan masalah dan sama ada
pendekatan itu efektif, kecondongan persepsi akan berkait dgn konteks masalah
c. Nilai Personal
- merujuk kpd nilai personal pembuat keputusan
- Nilai terdiri drp pandangan dan kepercayaan adalah diperolehi pada umur awal dan
kebiasaannya kekuatan berterusan keseluruhan hayat seseorang.
- nilai ini memandu ke arah pertimbangan seseorang, tindakan dan melihat kepada
penghasilannya.
Mereka bentuk DSS yang berjaya;

system tersebut mestilah mantap situasi keputusan dan juga gaya/bentuk keputusannya.
Sistem hendaklah fleksibel dan boleh disesauikan kpd pengguna yang berbeza.
11
Carl Jung : dgn Skim Menkelasifikasikan Bentuk Keputusan;
Mengkelaskan bentuk keputusan menggunakan dua bahagian komponen iaitu Kerumitan

Kognitif ( Cognitive Complexity ) dan Orientasi Nilai ( Value Orientation )
Kedua-dua bahagian ini seterusnya digunakan utk mengenal empat kategori yang
berkesan iaitu analitikal, direktif (arahan), konseptual ( bergagasan ) dan perilaku (
behavioural )
1.5 Keberkesanan Keputusan : merujuk kepada keberhasilan dalam menghasilkan keputusan

yang diingini dan dikehendaki
Marakas, 2003 : keputusan yang baik adalah hasil keputusan yang baik dalam pencapaian drp
objektif yang memberikan peningkatan terhadap perlunya keputusan dalam batasan dan
kekangan yang dikenakan oleh konteks masalah.
Kita membuat keputusan yg baik jika kita menyelesaikan masalah tanpa menyebabkan
masalah-masalah lain.
Masalah adalah, kita perlu menunggu dan melihat selepas kita membuat keputusan utk melihat
jika ianya adalah keputusan yang baik
Decision Forces ( Daya / kuasa Keputusan ):
(a) Personal and Emotional Forces ( Daya Emosi dan Personal )
- terdiri drp perasaan, kesihatan, keselamatan, penghargaan, kekecewaan, kebimbangan,

segala yang bermakna,dan limitasi kognitif
- mempunyai kesan ke atas proses memutuskan alternative yang sesuai.
- minda manusia mempunyai had dalam kemampuan utk menyimpan dan memproses
pengetahuan.
- kajian membuktikan bahawa minda manusia mempunyai kemampuan yang terhad utk
memproses pengetahuan.
(b) Economic/Environmental Forces ( Daya Persekitaran / Ekonomi )

- terdiri drp sumber-sumber, polisi kerajaan, tekanan ruang pasaran yang kompetitif,
kemajuan teknologi, dan permintaan rakan kongsi
- pembuat keputusan perlu mengambil daya/kuasa ini ke dalam keterangannya.
- individu atau kombinasi drp kuasa-kuasa akan membentuk keputusan akhir.
12
(c) Organisational Forces ( Daya Organisasi )
- terdiri drp polisi dan prosedur, budaya organisasi dan koordinasi penstafan.
- jika organisasi menyemai budaya tidak menerima idea baru kpd organisasi, keputusan yang
akan dibuat oleh pihak atasan dan juga pekerja bawahan akan terjejas/ tergendala
(d) Contextual and Emergent Forces ( Kuasa Baru dan Mengikut

Mengikut Konteks )
- asas drp konteks masalah itu sendiri
- beberapa contoh drp isu-isu dikaitkan kpd kuasa/ daya adalah kemhiran, motivasi, persepsi,
dan yang paling utama ialah keperluan masa
- batasan masa mencipta ketegangan dan tekanan ke atas pembuat keputusan
- pembuat keputusan mampu utk mengatasi dgn semua kuasa/daya, had masa tidak akan
menghasilkan dlm keputusan yang kualiti yg rendah.
Utk memperoleh keputusan yg efektif, pembuat keputusan mestilah mengimbangi kuasa-

kuasa tersebut.
Power (2002) menyenaraikan beberapa halangan utk mengawal kpd keputusan yg berkesan;
iaitu
(i) Tradition and Bias ( Tradisi dan Berat sebelah )

- akan mempengaruhi / menyusur ke dalam proses membuat keputusan, persoalan yg tepat ke
atas keputusan
- bimbang drp perubahan dan takut gagal atau disebabkan oleh tradisi
- tradisi adalah set adat resam atau kelaziman didikan drp satu generasi kepada yang lain.
- menyebabkan pembuat keputusan enggan utk merubah gaya pemikirannya yang boleh
digunakannya dalam sitasi / keadaan yang baru.
(ii) Lack of Knowledge ( Kekurangan Pengetahuan )

- menawan pengalaman dan pengetahuan keputusan, terutamanya utk mengulang situasi
boleh mengurangkan halangan ini
(iii) Improper Use of Decision Aids ( Janggal Dalam Mengguna Bantuan Keputusan)
- kesempurnaan dan ketepatan maklumat dlm DSS tidak terjamin
- DSS mestilah di rekabentuk utk membekalkan kesan yg positif ke atas tingkahlaku
keputusan individu atau kumpulan
- Bila dan bagaimana DSS akan digunakan dlm proses membuat keputusan juga perlu jelas
sebelum direkabentuk dan diimplementasikan
13
1.6 Rangka Kerja untuk Sokongan Keputusan
Cadangan Gorry dan Scott Morton (1971) selepas kombinasi dgn Simon (1977) dan Anthony
(1965)
Structured ( berstruktur ): keputusan ditumpukan ke atas rutin (perkara biasa ) dan masalah-
masalah yang berulang. Satu piawai keputusan diwujudkan bagi menyelasaikan masalah itu.
Bantuan teknologi yang boleh digunakan untuk menyokong pembuatan keputusan ialah Sistem
Maklumat Pengurusan (MIS), Model Sains Pengurusan (MSM), dan pemprosesan data.
Unstructured ( Tidak Berstruktur ) : keputusan bermatlamat pada masalah-masalah kelihatan

tdk jelas dan kompleks.Tiada kaedah penyelesaian yang standard.Contoh-contoh masalah
unstructured berdasarkan pada pengambilan kakitangan untuk mempromosikan, memilih satu
set projek-projek yang baru dan perancangan untuk penambahbaikan perkhidmatan.
Sebahagian daripada masalah ini diskong oleh teknologi seperti Sistem-sistem Pakar (ES) ,
Sistem Sokongan Kumpulan( GSS ) dan Sistem Pengurusan Pengetahuan ( KMS ).Walau
bagaimanapun, gerak hati manusia selalunya asas kepada membuat keputusan.
Semi-structured ( Semi Berstruktur ): Penyelesai keputusan kombinasi drp masalah berstruktur

Semi-
dan tidak berstruktur. Kedua-dua piawai keputusan dan pertimbangan manusia diperlukan
bagi keputusan itu. DSS menawarkan model untuk sebahagian masalah berstruktur. Teknologi
boleh ini meningkatkan mutu bagi maklumat yang mana keputusan diasaskan melalui
penyediaan satu set penyelesaian pilihan juga kesan yang berpotensi
Anthony’s
Anthony’s (1965) taksonomi aktiviti pengurusan : perancangan strategic, kawalan pengurusan
dan kawalan pengoperasian ditunjukkan pada separuh kedua lingkungan rangka kerja
Strategic planning ( Perancangan Strategik ) : menentukan matlamat dan polisi jangka panjang
utk peruntukan sumber. Lazimnya, ianya adalah diperbuat pada tahap atas pengurusan
organisasi
Management control,
control tactical ( Kawalan Pengurusan ) : memastikan penyempurnaan daripada
matlamat organisasi secara guna yang cekap sumber pemerolehan. Berbeza dengan
perancangan yang strategik, pengurusan kawalan menumpukan kepada matlamat untuk satu
masa terhad.Ia yang Lazimnya dibuat oleh pengurus-pengurus pertengahan
14
Operational control ( Kawalan Operasi )laksanakan
) tugas khusus dengan efisien dan efektif.Ia
membataskan dalam aktiviti-aktiviti yang mempunyai tugas dan matlamat yang boleh
ditakrifkan dalam perancangan yang strategik dan pengawalan pengurusan.. Kawalan jenis ini
diuruskan oleh pengurus tahap rendah
pengurusan
Management Science ( MS ) : Sains pengurusan adalah disiplin yang menggunakan analisis
kuantitatif (matematik) dan kaedah analisis lain utk membantu membuat keputusan bisnes
yang lebih baik
1.7 Proses Pembuatan Keputusan vs Sokongan DSS
- jelas bagaimanakah teknologi DSS yg khusus memberi sokongan kpd aktiviti bersama-sama
dgn setiap fasa bagi proses membuat-keputusan ( kecerdasan, reka bentuk dan pilihan).
- DSS tidak boleh menukarkan pembuat keputusan
- ini tidak bermakna utk menyokong semua aspek yang perlu ditangani dalam proses
membuat-keputusan
- boleh memberi pembuat keputusan dengan sokongan yang difokuskan kepada satu atau
lebih aktiviti dalam proses membuat keputusan
Marakas (2003 ) senaraikan jenis-jenis yg biasa dlm menyokong bahawa DDS boleh
membekalkan:
meneroka perspektif yang berbagai daripada konteks keputusan

menghasilkan alternatif-alternatif berkualiti tinggi dan pelbagai untuk pertimbangan.
Meneroka dan menguji pelbagai strategi penyelesaian masalah
Pemudahcara brainstorming dan lain-lain teknik penyelesaian masalah yang kreatif
Meneroka senario analisis yg pelbagai untuk memberikan konteks keputusan
Menambahkan kemampuan pembuat keputusan utk menangani masalah yang kompleks
mempertingkatkan masa tindak balas daripada pembuat keputusan
melemahkan semangat pembuat keputusan dan pemilihan alternatif.
15
Sokongan DSS
Penerangan Sokongan DSS:
(a) Menyokong kpd Fasa Kecerdasan
• mengenalpasti masalah dan peluang

• menginterpretasikan maklumat
• menghasilkan laporan
( EIS : Enterprise Information System, DM: Data Mining, KMS : Knowledge Management System,
GDSS, ES: Expert System, Web-
Web-based OLAP Tools )
(b) Menyokong kepada Fasa Reka bentuk
• menghasilkan alternatif / pilihan

• membincangkan kriteria daripada pilihan dan kepentingan relatifnya
. ramalan kejadian-kejadian masa hadapan menggunakan alternatif-alternatif yg perbagai.
( DSS, ES, KMS, DM, CRM : Customer Relationship Management, SCM: Supply Chain
Management, ERP: Enterprise Resources Planning, )
(c) Menyokong kpd Fasa Pilihan
Untuk mengenalpasti alternatif / pilihan yang memuaskan

( DSS, KMS, CRM, ERP, SCM, ES, GDSS )
16
GLOSARI:
Artificial Neural Network – rangkaian drp pemproses mudah direkabentuk utk meniru fungsi otak manusia.
Peranannya utk melatih rangkaian utk mengecam gaya dan belajar drp contoh.
Customer Relationship Management (CRM) – maklumat industri untuk metodologi, perisian, dan kemampuan
internet biasa yang menolong syarikat menguruskan hubungan pelanggan dalam cara yang diuruskan.
Data Mining ( Perlombongan Data ) – proses menganalisis data utk mengenalpasti gaya atau hubungannya
dalam pangkalan data.
Decision Support System (DSS)– system berdasarkan computer yang interaktif bertujuan utk menolong
pembuat keputusan menggunakan data dan model kpd mengenalpasti dan menyelesaikan masalah dan membuat
keputusan.
Enterprise Information System (EIS) – aplikasi yang mengandungi system sedia ada organisasi / syarikat untuk
mengendalikan maklumat organisasi. – ianya termasuklah Sistem Perancangan Sumber Enterprise (ERP),
kerangka utama Sistem Pemprosesan Transaksi, Sistem Pangkalan Data Legasi.
Enterprise Resource Planning (ERP) – tempoh industri untuk set aktiviti yg luas disokong oleh perisian aplikasi
pelbagai modu yang menolong pengeluar atau lain-lain bisnes mengurus bahagian-bahagian yang penting dalam
bisnesnya, termasuklah perancangan produk, sebahagian penjualan, inventori penyenggaraan, interaksi dgn
pembekal, membekalkan servis pelanggan dan menjejaki pesanan.
Executive Information System (EIS) – system berkomputer bertujuan untuk memperlengkapkan maklumat
semasa dan sesuai untuk menyokong eksekutif membuat keputusan kepada pengurus menggunakan system
rangkaian – penegasan adalah atas paparan grafik dan mudah utk menggunakan antaramuka yang memaparkan
maklumat drp pangkalan data korporat
Expert System (ES) – system yang berkelakuan yang kebanyakannya sama dengan pakar dalam pengetahuan
yang tertentu seperti pengetahuan mengenai bidang khusus, memahami masalah dgn bidangnya dan kemhiran
menyelesaikannya.
Group Decision Support System (GDSS)– sistem maklumat yang direkabentuk untuk menjelaskan kepada
sokongan komukasi kumpulan dan proses keputusan.
Knowledge Management System (KMS) – dihasilkan system hypermedia untuk menguruskan pengetahuan
dalam organisasi, digunakan untuk mensistematikkan kekuatan kepakaran dan maklumat kpd memantapkan
efisiensi, sambutan, kompetensi dan inovasi organisasi
On-line Analytical Processing (OLAP)– perisian utk memanipulasi pelbagai dimensi data drp pelbagai sumber
yang boleh disimpan pada gudang data. Analisis data mungkin termasuklah pra-takrifan statistik deskriptif ,
pengguna mentakrif pernyataan yg dilaksanakan bertentangan dgn data atau model dicipta berpandukan datauser
defined.
Supply Chain Management (SCM) – sstem yang dilayan dgn perancangan dan pelaksanaan isu-isu yang
terbabit dalam pengurusan rantaian bekalan – adalah konsep yang luas drp logistic – mempunyai 3 sasaran
utama : kurang inventori, tambah kelajuan transaksi melalui pertukaran data dalam masa nyata dan
menambahkan jualan melalui pelaksanaan keperluan pelanggan yang lebih berkesan.
17
TAJUK 2 : DSS : TOOL FOR DECISION SUPPORT
( DSS : ALATAN UNTUK SOKONGAN KEPUTUSAN )
2.1 : Konsep DSS
Turban dan Aronson (1998) : sebarang atau setiap system perkomputeran digunakan untuk
menyokong pembuatan keputusan.
Little (1970) :
Berdasarkan model set prosedur untuk memproses data dan pertimbangan kpd membantu
pengurus untuk membuat keputusan
Moore dan Chang (1980):

Sistem yang boleh ditambah yang mampu menyokong analisis ad-hoc dan memodelkan
keputusan yang diorientasikan ke arah perancangan masa depan dan digunakan pada masa
yang tidak dirancang atau tidak tersusun.
Bonczek et al. (1980) :

Sistem berasaskan komputer yang terdiri daripada tiga komponen interaktif :
sistem bahasa dan mekanisma utk memperlengkapkan komunikasi di antara pengguna

dan komponen-komponen DSS yang lain
sistem pengetahuan dan gudang daripada pengetahuan domain masalah yang
dirangkumkan dalam DSS sama ada data atau prosedur
sistem pemprosesan masalah
Keen (1980),
Produk drp proses pembangunan dlm mana pengguna DSS, Pembina DSS dan DSS itu sendiri
yang semuanya mampu mempengerahui di antara satu sama lain, mengeluarkan keputusan
dlm evolusi system dan contoh penggunaanya.
Berdasarkan modul :
Sistem maklumat berasaskan computer yang mempunyai tujuan utama untuk

memperlengkapkan pembuat-pembuat keputusan dengan maklumat untuk dibergantungkan
dalam aktiviti daripada pembuatan keputusan. Ianya dilakukan melalui kelengkapan set
peralatan, data, model, dan lain-lain sumber yang mana diperlukan oleh pembuat keputusan
utk memantapkan keberkesanan menghasilkan keputusan dalam menyelesaikan masalah
separa berstruktur dan tidak berstruktur.
18
2.2 Konfigurasi DSS
- konfigurasi bergantung kepada situasi drp pengurusan keputusan dan teknologi yang
spesifik yang digunakan untuk menyokongnya
a. Data
b. Model
c. Antaramuka Pengguna
d. Pengetahuan
2.3 Ciri-
Ciri-Ciri dan Kebolehan DSS
a. memeperlengkapkan sokongan kepada pembuat keputusan terutamanya dalam situasi

semi-struktur dan tidak berstruktur melalui pemberian bersama-sama keputusan atau
pertimbangan manusia dan pengkomputeran
b. menyokong kepada keberkesanan proses pembuatan keputusan ( ketepatan, kekal,
kualiti ) lebih tepat drp keefisienannya ( kos drp pembuatan keputusan)
c. memudahkan pemprosesan keputusan
d. mampu untuk menyokong pelbagai pemprosesan pembuatan keputusan dan bentuk /
gaya
e. menyokong pembuat keputusan tetapi tidak boleh menggantikan mereka. Pembuat
keputusan mengawal sepenuhnya semua langkah dalam proses pembuatan keputusan
dalam menyelasaikan masalah.
f. Memperlengkapkan sokongan kpd pelbagai tahap pengurusan
g. Memperlengkapkan sokongan kpd individu dan kumpulan
h. Penekanan fleksibiliti dan kebolehsesuaian utk disesuaikan dgn perubahan masa, dalam
persekitaran dan pendekatan membuat keputusan oleh pengguna ( fleksibel, boleh
tambah, padam, gabung, ubah dan mengatur semula elemen-elemen.
i. Memfokuskan kepada masa depan yang mesra pengguna, berkemampuan grafik yg
tinggi, dan interaktif antaramuka manusia dan mesin
j. Kebiasaannya sebagai model penggunaan untuk menganalisis situasi pembuatan
keputusan . Kemampuan pemodelan membolehkan pengujian dengan strategi yg
berbeza di bawah konfigurasi yg berbeza.
k. Boleh dioperasikan sebagai alatan tetap yang digunakan oleh setiap individu pembuat
keputusan dalam satu lokasi atau boleh diagihkan ke seluruh organisasi dan beberapa
organisasi sepanjang rantaian bekalan. Ianya juga boleh diintegrasikan dgn lain-lain DSS
atau aplikasi dan boleh diagihkan secara dalaman dan luaran menggunakan rangkaian
dan teknologi web.
19
2.4 Komponen DSS
a. Komponen Pengurusan Data :

- mendapatkan semula, menyimpan, dan menguruskan data yang relevan untuk konteks
keputusan yang khusus
- menyediakan fungsi keselamatan, prosedur intergriti (ketulusan) data, dan pentadbiran
data umum yang disekutukan dgn menggunakan DSS
- semua tugas diuruskan oleh beberapa komponen ( pangkalan data, Sistem Pengurusan
Pangkalan Data :DBMS, gudang data dan kemudahan pertanyaan data )
b. Komponen Pengurusan Model :

- membekalkan kemampuan menganalisis untuk DSS
- membenarkan penemuan, storan, dan aktiviti organisasi digabungkan dgn pelbagai
model ( kewangan, statistic, sains pengurusan, dan lain-lain model kuantitatif )
- boleh disambungkan kpd perkongsian atau storan model luaran
- mengandungi pangkalan model, system pengurusan pangkalan model, gudang model,
pemproses pelaksanaan model dan pemproses sintesis model.
c. Komponen Berdasarkan Pengetahuan :

- membekalkan ‘otak’ untuk menambahkan kecerdasan pembuatan keputusan
- boleh dihubungkan dgn gudang pengetahuan organisasi ( pangkalan pengetahuan
organisasi )
- disamping menyokong lain-lain komponen atau sub sistem , komponen ini boleh
bertindak secara bebas
d. Komponen Antaramuka Pengguna :
- membolehkan komunikasi antara pengguna dan DSS

- mesti membolehkan kemudahan akses dan manipulasi data, model dan memproses
komponen DSS
- rekabentuk dan pelaksanaannya adalah elemen penting dalam kefungsian DSS
- adalah penting utk pertimbangkan peranan pengguna utk memastikan keberkesanan
DSS
- Domain pengetahuan pengguna, cara penggunaan dan set kemahiran adalah elemen
yang diperlukan dalam menggunakan DSS kepada konteks keputusan yang berjaya (
Pengguna mengawal DSS )
20
2.5 Sub Sistem Pengurusan Data
Pangkalan data : koleksi drp data yang dihubungkaitkan, diuruskan, dan disimpan kpd
membenarkan kpd memudahkan dapatan semula data. Strukturnya mestilah bersesuaian
dgn keperluan organisasi.
Data Dalaman : datangnya drp pelbagai unit bisnes dr organisasi

Data Luaran : termasuklah peraturan kerajaan, data pekerjaan, kadar jenayah, geopolitik,
ekonomi, dan sebagainya
System Pengurusan Pangkalan Data : (DBMS) cipta, akses dan kemaskini pangkalan
data
Fungsinya : Definisi Data, Manipulasi Data, Ketulusan / Integrity Data, Kawalan Akses,
Kawalan Persetujuan ( Concurrency) dan Mendapatkan Kembali transaksi.
Ekstraksi ( rentapan) : proses menawan data daripada pelbagai sumber
Fasiliti Pertanyaan
- utk bina dan guna DSS pengguna perlu utk akses dan manipulasi dan pertanyaan data
- dijalankan oleh fasiliti pertanyaan yang akan menentukan bagaimana utk memenuhi
semua permintaan
- menggunakan Bahasa Pertanyaan Berstruktur (SQL)
- kepentingan : memilih dan memanipulasikan operasi iaitu mampu utk mengikuti arahan
computer spt Mencari keputusan peperiksaan pelajar pada tahun 2004
Direktori Data : merujuk kpd catalog drp semua data yang tersedia dalam pangkalan
data
- terdiri drp definisi data
- berfungsi untuk menjawab soalan mengenai ketersediaan item data, sumbernya, dan
maksud yang tepat
- sokongan drp direktori adalah penting dalam fasa kecerdasan proses membuat
keputusan
- ianya memudahkan dlm mengimbas data dan pengenalpastian kawasan atau peluang
masalah
- membenarkan tambahan kemasukan baru, memadamkan kemasukan dan dapatkan
kembali maklumat dlm objek yg spesifik.
21
Latihan 2.1
1. Apakah ekstraksi
- proses menawan data daripada pelbagai sumber
2. Apakah fungsi fasiliti pertanyaan
- menentukan bagaimana utk memenuhi semua permintaan
3. Apakah fungsi direktori data
- berfungsi untuk menjawab soalan mengenai ketersediaan item data, sumbernya, dan
maksud yang tepat
2.6 Model Pengurusan

Pengurusan Sub-
Sub-sistem
- terdiri daripada :
model asas ( model base )
sistem pengurusan model asas ( model base management system :MBMS)
direktori model ( model directory )
pelaksanaan, integrasi, dan pemprosesan arahan model ( model execution,
integration and command processor )
a) Model Asas
- model bentuk yg dipermudahkan daripada beberapa acara/peristiwa sebenar
- terdapat empat kategori iaitu:
Model Strategik
Model Taktikal
Model Pengoperasian
Model Analitikal
b) Sistem Pengurusan Asas Model

- mengurus pelbagai peralatan analitikal DSS
- boleh berubah dlm nombor, saiz dan kompleksiti
- Fungsinya:
Memodelkan bahasa : utk cipta model keputusan mula dari asas atau drp model sedia
ada – mekanisma utk link dgn pelbagai model kpd membenarkan utk pemprosesan
berturutan atau pertukaran data
Model Perpustakaan : simpan dan uruskan semua model dan penyelasaian algoritma utk
mudah akses dan manipulasi
22
Model manipulasi : mengurus dan selenggara model asas dgn fungsi yg sama dgn apa yg
didapati dlm DBMS spt run, stor, pertanyaan, padam, link dll)
c) Direktori Model : katalog drp semua model dan lain-lain perisian dalam model asas.
- terdiri drp definisi model, dan fungsi utama utk menjawab soalan mengenai
ketersediaan, dan kebolehan model
d) Pelaksanaan, Integrasi dan Pemprosesan

Pemprosesan Arahan Model
Pelaksanaan Model : proses menguruskan larian sebenar dalam model

Integrasi Model : menggabungkan operasi drp beberapa model apabila diperlukan atau
intergrasi DSS dgn aplikasi yang lain
Pemprosesan Arahan Model : digunakan utk menerima dan menginterpretasikan arahan
daripada pengguna melalui antaramuka pengguna dan mengarahkannya ke dalam MBMS,
pelaksanaan model atau fungsi intergrasi.
2.7. Sub-
Sub-Sistem Pengurusan Berdasarkan Pengetahuan
- adalah ‘otak’ dalam DSS

- data dan model dioperasikan secara bersama dgn sub-sistem berdasarkan pengetahuan
utk membekalkan pengguna dgn aplikasi yg berguna yang menyokong konteks
keputusan di tangan mereka.
- Membekalkan kepakaran yang perlu utk menyelasaikan beberapa aspek yg kompleks
masalah berstruktur atau tidak berstruktur
- Mengandungi satu atau lebih system kecerdasan
- Membekalkan pengetahuan yang boleh menambahkan operasi ke atas lain-lain
komponen DSS
Pengetahuan ( knowledge ) : peraturan, heuristik (menyiasat) , sempadan, desakan, hasil

terdahulu, dan lain-lain yg berkaitan pengetahuan yg boleh diprogramkan ke dalam DSS atau
diperolehi oleh DSS melalui penggunaan berulang.
23
Skop Kandungan Maklumat:
Komponen DSS Skop drp Kandungan Maklumat

Asas Pengetahuan Spesifik kpd badang masalah
Pangkalan Data Tidak terhad kpd perincian bidang penyelesaian
masalah
Asas Model Tidak terhad kpd perincian bidang penyelesaian
masalah
Asas pengetahuan DSS mengandungi paling banyak pengetahuan yg diperlukan oleh pakar
tertentu seperti:
- Huraian pelbagai objek atau entity dan hubungannya

- Huraian pelbagai strategi penyelesaian masalah atau tingkahlaku
- Desakan hubungan domain, keadaan tidak menentu dan kemungkinan
Pengetahuan dalam asas pengetahuan boleh diklasifikasikan kpd :
a) Fakta (facts ) : apa yang diketahui adalah benar pada ketika itu?
b) Hipotisis : peraturan atau hubungan yg dipercayai yg wujud di antara fakta.
Bagaimana pengetahuan diperolehi dan ditemui:
a) Perolehan Pengetahuan (knowledge acquisition)

bagaimana semua pengetahuan diperlukan dibawa ke dalam DSS – kepakaran
b) Penemuan Pengetahuan (knowledge retrieval)

Enjin Penyimpulan adalah sebahagian komponen pangkalan pengetahuan yang memudahkan
proses dapatkan kembali pengetahuan.
2.8 Sub-
Sub-Sistem Antaramuka Pengguna
Antaramuka Pengguna : semua aspek drp komunikasi antara pengguna dan DSS atau sistem
sokongan lain.
24
a) Sistem Pengurusan Antaramuka Pengguna (UIMS) : perisian yang menguruskan sub-
sistem antaramuka pengguna
- membekalkan antaramuka pengguna bergrafik

- membenarkan pengguna mengguna pelbagai peranti input
- persembahkan data dlm pelbagai format dan melalui pelbagai peranti
- menyimpan data input dan output
- menyokong komunikasi di antara pengguna dan pembangun DSS
- menyediakan fleksibeliti dan kebolehsesuaian kpd penyesuaian masalah dan teknologi
yg berbeza
- interaksi dlm berbilang gaya/bentuk dialog yg berbeza
- menjejaki penggunaan dialog utk memantapkan system dialog
b) Proses Antaramuka Pengguna

- pengguna berkomunikasi dgn computer melalui bahasa aksi yg diproses oleh UIMS
- komponen antaramuka pengguna termasuk pemproses bahasa sebenar
- pengguna juga boleh guna objek standard seperti menu, butang dan pencarian internet
melalui Antaramuka Pengguna Bergrafik (GUI)
- UIMS membolehkan pengguna utk berinteraksi dgn pengurusan data dan sub-sistem
pengurusan model
Action Language ( Bahasa Aksi ) : komponen yang mengendalikan pengguna secara terus
aktiviti dialog dgn DSS
Presentation Language ( Bahasa Persembahan ) : apa yang pengguna sebenarnya lihat, dengar
dan pengalaman semasa menggunakan DSS
2.9 Pengguna
Pengguna : individu yg bertanggungjawab utk membuat keputusan, membekalkan kepakaran

dalam pembangunan dan menggunakan DSS – boleh jadi individu atau kumpulan
Kategori Pengguna DSS:

a) menggunakan computer secara kerap apabila melakukan tugasan harian seperti
analisis kewangan, perancangan pengeluaran dan kajian pasaran
b) mengharapkan utk menggunakan system mesra pengguna
25
Intermediary (pengantara) : analisis yang membolehkan pengurus utk mendapatkan manfaat
DSS tanpa pengurus perlu untuk berinteraksi secara terus dgn system.
Jenis-
Jenis-Jenis Pengantara ( Turban et al., 2005 ) :
a) membantu staf ( staff assistants ) : mereka berpengetahuan dlm mengurus masalah dan
guna teknologi sokongan keputusan
b) pakar perkakas pengguna ( expert tool users ) : mereka berkemahiran dlm mengguna
satu / lebih kepakaran perkakasan penyelesaian masalah
c) pakar analisis bisnes ( business (system) analysts ) : mereka mempunyai pengetahuan
yang umum drp kawasan aplikasi, pendidikan pentadbiran bisnes formal dan
menggunakan perkakasan pembangunan DSS
d) Fasilitator dalam system sokongan kumpulan : mereka mengurus dan memandu
penggunaan perisian utk menyokong pekerja yg berkerja dalam kumpulan, juga
memengelolakan sesi kerja kumpulan
GLOSARI
Data : fakta mentah atau fakta yg belum diproses utk menyatakan maknanya kepada
pengguna akhir
Ekstrak : utk menangkap/menawan data drp pelbagai sumber, mensintesisikannya,

meringkaskannya, menentukan yang mana di antaranya relevan dan mengendalikannya
Maklumat : data yang digubahkan dlm bentuk yang penuh bermakna, terdiri drp data yang
ditranformasikan dan memudahkan pembuatan keputusan
Pengantara : individu yang menggunakan computer utk memenuhi permintaan yang dibuat
oleh orang lain
Pengetahuan : item data dan atau maklumat yg diuruskan dan diproses untuk menyampaikan
pemahaman, pengalaman, mengumpulkan pembelajaran, dan kepakaran yg boleh
diaplikasikan kpd masalah semasa / aktiviti
26
UJIAN 1
1. Berikan definisi DSS mengikut pemahaman anda sendiri.

sistem berkomputer yang interaktif yang bertujuan utk menolong pembuat keputusan
menggunakan data dan model dan mengenalpasti dan menyelesaikan masalah-masalah dan
membuat keputusan yang memuaskan
2. Apakah komponen utama DSS?

Pengurusan data, pengurusan model, pengurusan berdasarkan pengetahuan, dan antaramuka
pengguna
3. Apakah fungsi utama DBMS ?

Definisi data, manipulasi data, integriti data, kawalan akses, kawalan Persetujuan (
Concurrency) dan Mendapatkan Kembali transaksi.
4. Pangkalan data menyimpan data drp pelbagai sumber. Apakah sumber-sumber yang
mungkin drp pungutan data pangkalan data ?
Data Dalaman : datangnya drp pelbagai unit bisnes dr organisasi
Data Luaran : termasuklah peraturan kerajaan, data pekerjaan, kadar jenayah, geopolitik,
ekonomi, dan sebagainya
5. Terdapat empat kategori model dalam model asas (model base). Satu daripadanya ialah
model taktikal. Jelaskan model taktikal dgn contohnya.
Model Taktikal menyokong pengurusan pertengahan dalam memperuntukkan dan mengawal

sumber organisasi. Model ini menggunakan peralatan untuk membuat pelan sebulan ke dua
tahun seperti Perancangan Keperluan Tenaga Buruh, Perancangan Promosi Jualan dan
Belanjawan Penting. Model ini biasanya digunakan utk sub-sistem organisasi seperti Jabatan
Akauntan. Contoh: IMERYS menggunakan model taktikal DSS utk menentukan berapa banyak
tanah liat yg boleh dihasilkan utk memenuhi jangkaan permintaan di pasaran.
6. A model is constructed to enable the study and develop a better understanding of the event
or process, without having to actually experience or recreate the event under study.
( dibuat untuk membolehkan kajian dan membangun pemahaman lebih baik daripada
peristiwa/ kejadian atau proses tanpa perlu mempunyai pengalaman sebenarnya atau untuk
mencipta semula peristiwa itu di bawah kajian)
27
7. The major functions of MBMS are modeling language,
language model library and model
manipulation.
8. In a users interface system, a component that handles users’ direct dialogue activities with
the DSS is known as action language.
language
TOPIK 3 : Sistem Sokongan

Sokongan Keputusan Kumpulan ( GDSS )
3.1 Bantuan Untuk Membuat Sokongan Kumpulan
Kraemer dan King, 1988 : Kepercayaan dalam kecekapan drp kerja kumpulan adalah kukuh
melalui penyelidikan pada tahun 1930s yang menunjukkan kumpulan boleh menyelesaikan
masalah dalam jumlah yang besar dan dengan kepantasan yang lebih besar daripada
menyisihkan indidividu.
Kreamer dan King , pg 117 , “Pembuat keputusan mendapati mereka berhadapan dengan
pertambahan bilangan mesyuarat yang panjang diperlukan untuk membincangkan isu-isu
berisi maklumat tetapi pembuat keputusan pada permulaannya adalah untuk bertahan
menghadiri mesyuarat-mesyuarat seumpama itu kerana mereka mengambil masa ketenangan
daripada aktiviti-aktiviti lain yang penting. Kerugian drp produktiviti dalam kumpulan pembuat
keputusan kerana perbincangan dikuasai oleh sesetengah individu-individu ahli berstatus
rendah, kepada golongan Status yang tinggi, tekanan kumpulan dipandu kepada memastikan
daripada pemikiran, salah komunikasi di kalangan ahli-ahli, biasa, dan kekurangan masa
diperuntukkan dalam menerokai masalah dan penjanaan alternative”
GDSS boleh membantu mengurangkan masalah-masalah ini dengan menyediakan terminal

komputer peribadi untuk setiap peserta, skrin paparan umum bagi semua, kebolehan
pengkomputeran dan komunikasi yang membenarkan bagi mencapai pangkalan data dan
berkomunikasi dengan ketua kumpulan dan paparan awam dan perisian untuk pemprosesan
perkataan, akses data dan pengurusan, grafik dan kawalan untuk membenarkan komunikasi
dengan lain-lain atau kumpulan.
28
Faktor-
Faktor-Faktor Penting GDSS:
i. Keperluan drp keputusan yang datang drp satu kumpulan : kerana tidak semua kaki
tangan mempunyai pengalaman yang mencukupi untuk membuat keputusan drp
masalah tertentu ( biasanya guna teknik brainstorming )
ii. Keperluan untuk mendengar setiap idea ahli-ahli :
iii. Keperluan untuk berkomunikasi dalam persekitaran yang disebarkan:
Pengurus perlu belajar keperluan dri kumpulan pembuat keputusan

GDSS boleh digunakan untuk menyokong proses membuat keputusan yang boleh
meningkatkan prestasi kumpulan dan proses membuat keputusan
3.2 Gambaran GDSS
usaha yang mula-mula untuk menghasilkan drp keinginan kepada menggunakan konsep
sistem sokongan keputusan untuk melingkungi kumpulan pembuatan keputusan.
GDSS boleh ditakrifkan sebagai teknologi yang menolong dan menyokong sekumpulan drp
pembuat keputusan dalam tempoh merekabentuk, menstruktur atau memodelkan hasil yang
diperlukan dalam sebarang organisasi. Ianya juga menyesuaiakan perkakasan yang diperlukan
oleh ahli-ahli untuk berkomunikasi di antara mereka.
Power & Power (2001) : GDSS adalah terlalu diskriptif dan mentakrifkan sebagai kepelbagaian
system yang menggunakan penghuraian infrastruktur komunikasi dan heuristic dan model
kuantitatif untuk menyokong membuat keputusan. GDSS mestilah interaktif, system
berasaskan computer yang menolong satu pasukan ( kumpulan) pembuat keputusan untuk
menyelasaikan masalah-masalah dan membuat pilihan untuk diputuskan.
3.2.1 Ciri-
Ciri-Ciri Utama GDSS
a. ialah satu sistem direkabentuk secara khusus, tidak hanya tatarajah terhadap
komponen-komponen sistem yang sedia ada
b. direkabentuk dengan sasran drp menyokong kumpulan-kumpulan drp pembuat
keputusan dalam kerja mereka, haruslah membaiki proses membuat keputusan dan hasil
keputusan drp kumpulan-kumpulan yang boleh wujud sekiranya GDSS itu tidak
memperkenalkan.
29
c. Mudah untuk dipelajari dan digunakan. Ianya menyesuaiakn pengguna-pengguna dgn
tahap pengetahuan yang berbeza-beza berkenaan computer dan menyokong keputusan
d. Mingkin spesifik ( direkabentuk untuk satu jenis atau kelas masalah ) atau umum (
direkabentuk utk pelbagai tahap kumpulan keputusan organisasi
e. Mengandungi mekanisma yang terbina di dalamnya yang menawarkan pembangunan drp
tingkahlaku kumpulan yg negative seperti konflik dalaman, salah komunikasi atau
pemikiran kumpulan
3.2.2 Komponen GDSS
Pakej Sosio Teknikal : dalam konteks GDSS bermaksud bahawa tidak kedua-dua kumpulan
ditentukan oleh teknologi GDSS ataupun teknologi GDSS ditentukan oleh kumpulan
a. Perkakasan ( Hardware )
- terdiri drp fasiliti persidangan ( bilik computer) , sumber-sumber computer, fasiliti

telekomunikasi, pencetak dan kelengkapan audio visual.
b. Perisian ( software )
- kekunci yang membezakan teknologikal masa depan GDSS dan mungkin digunakan
untuk menyokong memproses maklumat secara umum, memodelkan keputusan, atau
komunikasi
Perisian Pemodelan Keputusan : khususnya bertujuan untuk membantu kumpulan membuat

keputusan dan termasuk pemodelan bahasa seperti SIMSCRIPT dan dinamo.
Perisian Komunikasi : khususnya bertujuan untuk menyokong aspek kolaborasi drp

kumpulan kerja dan termasuk perkakasan untuk teks, data, suara, dan transmisi video (
contohnya: papan putih elektronik, system pengurusan aliran kerja, emel, vmel,
persidangan computer/audio/video
c. Organizationware : terdiri drp data organisasi, idea ( contohnya: pendapat, atau

pertimbangan, proses kumpulan, prosedur pengurusan untuk kolaborasi kerja kumpulan.
30
e. People ( Manusia )
Terdiri drp peserta-peserta dalam kumpulan dan staf sokongan yang memudahkan aktiviti
kumpulan
3.3 Kerja Koperatif

Koperatif Disokong Komputer ( Computer-
Computer-Supported Cooperative Work – CSCW)
- merujuk kepada aplikasi drp teknologi barangan kumpulan ( groupware ) yang

membenarkan kolaborasi kumpulan
- menghendaki semua ahli menjadi mempersembahkan secara serentak, aktiviti khusus
yang merangkumi tukar fail dalam talian untuk ahli kumpulan, celoteh ( chat ), berkongsi
papan putih dan juga persembahan audio dan persidangan video.
- Sebarang pemberitahuan atau pengumuman boleh dibuat melalui emel
- Objektif utama CSCW adalah untuk menyediakan aplikasi kerja kumpulan, yang
memerlukan pelbagai pengguna akses dan kawal aplikasi dan koordinasi drp semua
aktiviti pengguna
- CSCW juga dikenali sebagai Sistem Sokongan Kumpulan ( GSS ) atau groupware
3.3.1 Jenis-
Jenis-Jenis Kolaborasi
a) Sama Masa / Sama tempat : semua ahli menghadiri mesyuarat pada masa yang sama dan
tempat di bilik mesyuarat
b) Sama Masa / berbeza Tempat : pengurus di cawangan mengadakan mesyuarat dalam
masa yang sama
c) Berbeza masa / sama tempat : yang mempunyai masa kerja secara bergilir, oleh itu
mesyuarat/ taklimat diadakan pada masa yang berbeza
d) Berbeza masa / berbeza tempat : organisasi antarabangsa di mana berbeza tempat dan
zon waktu
3.4 Perkakasan Menyokong Kumpulan
3.4.1 Emel, Senarai Mail, dan Kumpulan Baru

- digunakan utk komunikasi
3.4.2 Persidangan
Persidangan Elektronik
a. Papan Putih : aplikasi yang membenarkan pengguna untuk secara kolaborasi membuat
lukisan mudah atau kompleks
31
Papan putih berkongsi aplikasi : papan putih yang akan ‘run’ aplikasi computer dalam
tetingkap, yang boleh dilihat oleh semua peserta
b. Persidangan Telefon : atau telesidang adalah teknologi yang digunakan sebagai satu cara
drp komunikasi untuk dua atau lebih orang dalam lokasi yang berbeza pada masa yang
sama.
c. Persidangan Video : perkakasan interaktif yang menggabungkan penggunaan video,

computer, dan teknologi komunikasi untuk membenarkan manusia dalam lokasi berbeza
untuk bertemu secara bersemuka untuk mengawal persidangan dalam masa yang
sebenar.
Persidangan Video Pelbagai Point : persidangan melibatkan lebih daripada dua tempat
d. Perkakasan Berbual ( Chatting ) spt Yahoo Messenger, Skype
3.4.3 Decision Room (Bilik Keputusan)
- merujuk kepada susunan fizikal untuk menggunakan GDSS dalam teknologi tinggi, bilik
persidangan elektronik, dan setiap peserta mempunyai stesen kerja sendiri.
Sistem
Sistem menyediakan tiga kelebihan melebihi mesyuarat lisan atau konvensional:
a. transkrip penuh dijana secara automatic drp interaksi peserta

b. semua peserta mungkin bercakap pada sekali sahaja
c. input semua peserta melalui system adalah tanpa nama
Ciri-
Ciri-Ciri Bilik
Bilik Keputusan:
a. setiap peserta mempunyai stesen kerja computer

b. Ketua / Fasilitator mengkoordinasi mesyuarat
c. Bilik mempunyai skrin paparan yang membolehkan semua peserta melihatnya
d. Computer dirangkaikan dan arkitektur pelanggan/pelayan digunakan
e. Perisian khusus sedia digunakan kepada semua peserta
32
3.5 Groupware
- program aplikasi yang membantu sekumpulan manusia ( pelbagai pengguna ) dalam

lokasi yang diagihkan secara geografik
a. Lotus Notes
b. GroupSystem and VisionQuest
c. Netcape Collabra Server and TCBWorks
3.6 Pembelajaran
Pembelajaran Jarak Jauh
E-Lerning ( Pembelajaran Elektronik ) : pembelajaran yang tidak memerlukan pelajar untuk

hadir secara fizikal dalam lokasi yang sama dgn pensyarah / tutor
3.7 Rauang Kerja Maya ( Virtual Workplace )
- di mana melakukan kerja secara maya daripada rumah atau mana-mana tempat .
Organisasi Maya : organisasi yang menggunakan teknologi untuk membentuk secara maya
ruang kerja untuk sesiapa yang terlibat dalam transaksi syarikat seperti pekerja, pembekal,
pelanggan dll
Ruang Kerja Maya Secara Kolaborasi
Kolaborasi ( Collaborative Virtual Workspace – CVW )
- prototaip kolaborasi persekitaran computer , direka untuk menyokong sementara dan

secara geografi disebarkan kerja kumpulan.
33
TOPIK 4 : PEMBINAAN DSS ( Constructing DSS )
4.1 System Development Life

Life Cycle (SDLC)
- dikenali sebagai model air terjun yang berdasarkan siri-siri langkah yang formal
- pendekatan yang popular untuk pembangunan system maklumat
- setiap langkah akan berakhir dgn penulisan dokumen yang perlu ditinjau semula atau
diperakui sebelum ke langkah seterusnya
- pengguna dan pembangun akan menilai semula dokumen
- pengguna akan terlibat sama dalam langkah awal dan akhir dalam menentukan
keperluan dan mengesahkan system untuk menepati keinginan mereka
- bahagian tengah melibatkan perlakuan tugas teknikal oleh pembangun yang biasanya
analisis system
4.1.1 Kelebihan SDLC

- memaparkan proses langkah demi langkah agar dapat membenarkan pembangun lain
untuk mengikuti dan memahaminya dgn mudah
- baik untuk penyenggaraaan kerana ianya mudah didokumentasikan
- memastikan tiada kawasan penting yang akan terlepas drp pemerhatian
- mempunyai hubungan kontrak yang formal antara pembangun dan pengguna
34
4.1.2 Kelemahan SDLC
- tidak sesuai untuk system yang berubah secara pantas
- persetujuan pengguna pada langkah pertama, apabila berlaku perubahan, proses
pembangunan keseluruhan akan dimulakan semula
- mungkin menyebabkan pertambahan dalam kos pembangunan
- kurangnya pengantara komunikasi antara pengguna dan pembangun
- pengguna sukar untuk bercakap apa yang mereka perlu dalam system, semasa analisis
system menghasilkan seratus muka surat drp penjelasan teknikal yang sukar untuk
mendapatkan dan dibaca
- kurangnya kesesuaian
- tidak sesuai untuk pembangunan ad-hoc DSS
4.2 Prototaip
- mengekalkan langkah-langkah pembangunan SDLC tetapi ianya dikembangkan
berdasarkan reaksi kepada kekurangan dalam SDLC
- analisis system duduk bersama keupayaan pengguna dan membangunkan system agar
muncul kepada kerja menggunakan sebarang perkakasan seperti 4GLs ( Fourth
Generation Languages ) yang menyokong pembangunan pantas.
- Muncul seperti produk akhir tetapi mengetepikan memeriksa kesalahan, akses kepada
pangkalan data nyata, menghubung kepada rangkaian nyata dan kebanyakannya
digunakan oleh keseluruhan masa pembangunan
35
Terdapat 2 pendekatan prototaip:
a) prototaip buang ( throwaway ) : kurang sesuai untuk pembangunan DSS terutamanya
yang melibatkan pembelian/pemerolehan kepada gudang data hos dan menaiktaraf
platform baru. Ianya akan menambahkan kos pembangunan dan pengimplementasian
b) Prototaip Penjelajahan ( berevolusi ) lebih sesuai untuk DSS . Prototaip akan menjadi
asas kepada aplikasi dan bersambung untuk mengguna perkakasan pembangunan
tahap tinggi. Ini sesuai kepada fakta bahawa masa adalah penting dalam
pembangunan DSS dan kebiasannya pengurus perlu DSS secepat yang mungkin.
Kelebihan dan Kekurangan Pendekatan Prototaip:
Kelebihan : jelas menunjukkan bahawa pendekatan ini memantapkan komunikasi antara

pengguna dan pembangun. Sistem yang dicadangkan akan menepeti kehendak pengguna
Kekurangan:
Kekurangan menambahkan penjadualan pembangunan system DSS terutamanya melalui
pendekatan pakai buang atau memilih perkakasan yang salah dalam cara yang salah.
Pembangun mesti memahami batasan drp pakej skrin, 4GLs dan sebarang perkakasan
pembangunan pantas.
4.3 Pembangunan Pengguna Akhir

Akhir
- memberikan tanggungjawab sepenuhnya kepada pengguna sebagai pembuat keputusan
membangunkan system
- platform persekitaran pembangunan dibangunkan dalam cara yang seperti yang
mampudiusahakan oleh pengguna akhir untuk membangunkan DSS mereka sendiri
- biasanya disekutukan dgn mikrokomputer
- perkakasan pembangunan pengguna akhir yang popular ialah lembaran kerja seperti
Lotus 123 dan Microsoft Excel
- selepas analisis, pembuat keputusan memilih penyelesaian alternatif terbaik yang
bertepatan dgn keperluan bisnes mereka.
Kelebihan dan Kekurangan:
Kelebihan : individu yang memerlukan sokongan komputer akan terlibat dalam menciptanya.
Kadang kala keputusan pembangunan cepat dan jimat kos. Pembangun akan mengawal semua
situasi dan pilihan penyelesaian.
Kekurangan:
Kekurangan kurangnya keghairahan untuk pembangunan drp DSS yang kompleks.
36
4.4 Proses Pembangunan DSS
- keunikan pembangunan DSS adalah terdapatnya masalah separa struktur dan tidak
berstruktur.
Terdapat enam langkah :

a) diagnosis masalah
b) kenalpasti objektif dan sumber
c) analisis system
d) rekabentuk system
e) pembinaan
f) implementasi
- selalunya menjadi masalah untuk mendapatkan keperluan pengguna yang lengkap dan tepat
4.4.1 Diagnosis Masalah
- hampir sama dgn fasa definisi masalah

- bertanggung jawab bagi menilai sifat organisasi dan menghasilkan dokumentasi yang
menggambarkan konteks masalah dan persekitaran organisasi yang memerlukan
sokongan keputusan yang kemudiannya ditempatkan dalam laporan kebolehlaksanaan
saringan
- melihat kpd peluang drp sokongan keputusan untuk pengenalpastian masalah dalam
lingkungan organisasi
- analisis system hendaklah mempunyai kepakaran dan sedia mengetahui dlm DSS, oleh
itu membolehkan sokongan yang padu kpd pengurus utk mengenalpasti masalah
organisasi.
37
4.4.2 Mengenalpasti Objektif dan Sumber-
Sumber-sumber
- peluang kepada sokongan keputusan hendaklah dikenalpastikan seperti objektif kekunci

keputusan yang perlu disokong
- sumber-sumber tersedia yang menyokong pembangunan DSS seperti perkakas, perisian,
teknologi semasa dan pengetahuan yang mesti dibina perlulah dikenalpasti
- analisis system atau pereka bentuk mesti berhati-hati mengenalpasti objektif DSS
Objektif hendaklah menjelaskan fungsi drp cadangan DSS berdasarkan:

a. jenis-jenis pengetahuan
b. kapasiti pengetahuan untuk disediakan kepada pembuat keputusan
c. ciri-ciri pelaksanaan umum bagi system
Di samping itu, mesti juga menentukan peranan yang dituntut drp DSS yang akan dijangka
untuk dimainkan bersama-sama kontek masalah yang dikenalpasti. Cth: meningkatkan
kreativiti pengguna, imaginasi atau tanggapan, menyelesaikan atau membantu dalam
menyelesaikan masalah, menyediakan pembantu dalam menasihati, analisis atau menilai.
i. menambahkan kongsian pasaran untuk produk sarung tangan

ii. memantapkan/ mempertingkatkan kualiti drp material mentah khusus melalui lebih
daripada 12 peratus
iii. memantapkan kualiti drp membina keputusan bersama-sama organisasi
Akhir sekali ; hendaklah menyenaraikan set objektif yang disekutukan dgn sumber-sumber
yang mungkin yang diperlukan untuk membangunkan DSS. Objektif kemudiannya dianalisa
yang boleh diakses secara tepat dan menjadikan objektif yang tepat drp DSS bersama-sama
konteks masalah organisasi. Pengenalpastian ini seperti penentuan awal drp kebolehlaksanaan
dgn mengambil kira kpd sumber-sumber yang dikawalkan.
38
4.4.3 Analisis Sistem
- untuk menghasilkan dalam perincian set keperluan DSS yang akan dijadikan isu.
Dikategorikan kepada 3 jenis keperluan:
Keperluan Fungsian.
- keperluan memerikan spesifikasi daripada kapasiti simpanan DSS, mengingat kembali,
dan pengeluaran pengetahuan yang berguna kepada konteks masalah.
- Misalnya, satu keperluan menerangkan keupayaan daripada keutamaan DSS untuk
menyimpan berjenis-jenis jualan keluaran unjuran, dan anggaran kesan-kesan terhadap
isi padu jualan daripada perubahan satu atau lebih membuat anggapan tersembunyi atau
berubah yang terlibat di dalamnya.
Keperluan Antaramuka
- Antara muka memainkan peranan penting dlm menghasilkan kualiti dan penggunaan
penuh DSS.
- Keperluan antara muka memfokuskan kepada kebolehan komunikasi DSS di konteks
bermasalah.
- Pembangun perlu mengenal pasti berbagai saluran dan kaedah-kaedah komunikasi yang
akan diperoleh disediakan oleh DSS dan Syarat-syarat itu untuk boleh digunakan
dibawanya. Ia mungkin melibatkan mengenal pasti menu struktur laporan ruang hubung
kait milik dan bentuk output
- pembangun perlu juga mengenal pasti berbagai jenis permintaan yang mungkin
diperoleh DSS oleh pembuat keputusan
- ruang hubung kait itu perlu menyediakan satu graf misalnya yang sepatutnya dapat
dapat menunjukkan syarikat unjuran Keluaran jualan kepelbagaian.Graf ini boleh
digunakan oleh decision-makers untuk meramalkan belanjawan syarikat.
Keperluan Penyelarasan
- Keperluan ini menghuraikan penyelarasan daripada peristiwa yang berkaitan dengan

persembahkan proses membuat keputusan,
- memudahkan kemasukan ke maklumat yang yang berkaitan serta penyatupadukan
pelbagai perkakas pemodelan yang terkandung dalam DSS
- Dalam kaedah yang sama dengan teknik scenario yang memerihalkan tentang keperluan
drp satu acara untuk dijadikan sebelum tindakan boleh dilaksanakan.Misalnya, keperluan
mengemaskinikan angka sebenar unjuran jualan untuk tempoh fiskal sebelum sebelum
ahli baru proses unjuran masa hadapan.
39
4.4.4 Rekabentuk Sistem
- langkah ini mengguna keperluan pengguna drp fasa sebelumnya untuk mencipta
pelbagai proses komponen model system dan data mahupun interaksi seperti model
DFD, ERD, rekabentuk pangkalan data, rekabentuk arkitektur
- DSS perlu kepada penentuan komponen fizikal, struktur dan platform pembangunan
4.4.5 Pembinaan ( Construction )

- mengandungi penjanaan kod yang menggunakan sebarang bahasa pemprograman yang
diikuti oleh pengujian system
- fasa ini bertanggungjawab untuk membina system menurut kepada perkakasan yang
diputuskan dalam fasa rekabentuk
- pembinaan menggunakan pendekatan prototaip interaktif yang membenarkan untuk
system kecil menjadi lebih baik berdasarkan maklumbalas drp pengujian dan
penglibatan pengguna dan dgn itu ianya akan diimplementasikan ke dalam system
sebenar
4.4.6 Implementasi / Pelaksanaan

- untuk uji, menilai dan menggunakan system DSS
- semua kefungsian DSS mesti bertepatan dgn darjah kepuasan drp pengguna
- ujian system hendaklah memenuhi objektif pembuat keputusan
- sebarang pengubahsuaian boleh dilaksanakan melalui pergi semula kepada langkah reka
bentuk
Beberapa aktiviti
aktiviti implementasi DSS:
i. memperoleh dan memasang perkakasan DSS

ii. memasang DSS dan membuatkannya dilarikan (runs) dalam perkakasan yang
dicadangkannya
iii. menyediakan pengguna akses kepada system
iv. mencipta dan mengemaskini pangkalan data
40
4.5 Menggunakan Pendekatan Berorientasikan Keputusan Dalam Proses Pembangunan DSS
4.5.1 Orientasi Keputusan Untuk Diagnosis Masalah
- diagnosis masalah melibatkan menentukan potensi DSS untuk kenalpasti konteks

masalah did lm organisasi
- perlu memahami domain masalah, di mana mencukupi mempunyai beberapa
pengetahuan umum domain masalah dan/ atau kepakaran domain
- pembangun perlu berpengetahuan tinggi terutamanya di sekeliling masalah
4.5.2 Orientasi Keputusan Untuk Mengenalpasti Objektif dan Sumber

Sumber--Sumber
- pembangun mesti memahami kontek masalah dan kenalpasti keperluan pengguna DSS
4.5.3 Analisis Sistem Strategik Berorientasi Keputusan dan Reka Bentuk
Marakas menkelaskan pelbagai pendekatan untuk pembangunan DSS

i. pengprograman dilanggani DSS : membangunkan system sama ada menggunakan
bahasa pemprograman tujuan umum (GPL) spt C, Java atau Pascal atau melalui Bahasa
Generasi Keempat (4GLs) seperti VB, Visual C++, Power Builder atau ASP
ii. mengguna penjana DSS
Penjana DSS ( Generator ) adalah : Aplikasi sistem yang menghapuskan perlunya kepada
pemprograman yang mengandungi beribu-ribu garisan daripada penkodan.Ia adalah satu
perisian perkakas yang menyediakan fungsi kepada pembangun untuk memudahkan
membangunkan DSSnya sendiri.
Contoh : Excel, Lotus 123, atau Quattro Pro
4.5.3 Rekabentuk Sisten Berorientasikan

Berorientasikan Keputusan
41
4.6 Perkakasan Pembangunan DSS
Marakas (1999) dan Turban (2001) menkelaskan perkakasan pembangunan kepada tiga tahap
teknologi, iaitu;
a) Perkakasan penting DSS : adalah yang terrendah drp teknologi DSS, ia menyediakan asas
pembangunan sama ada untuk penjana DSS atau aplikasi DSS spesifik. Contohnya, bahasa
pemprograman, grafik, penyunting, system pertanyaan pangkalan data, kod dan bilangan
penjana rawak
b) Penjana DSS : adalah pakej perkakasan / perisian yang menyediakan set kebolehan untuk
membangunkan DSS spesifik dgn cepat, mudah dan murah. Microsoft Excel adalah pakej
spreadsheet mudah
Kelebihan : keselesaan/ kesenangan- perkakasan yang diintergrasikan yang menyediakan
kefungsian utk mencipta pemodelan keputusan, rekabentuk dan penjanaan laporan dan
persembahan grafik dan mengurus berdasarkan data asas, tanpa mempunyai masalah
mengintergrasikan antara perkakasan pelbagai seperti mengimport dan mengeksport data.
c) DSS Spesifik:
Spesifik digunakan untuk pengetahuan domain tertentu, yang pembuat keputusan
menghadapi banyak masalah
Kriteria untuk penjana DSS yang perlu dipertimbangkan:

i. fungsi-fungsi pengurusan data
ii. fungsi-fungsi pengurusan model
iii. kebolehan antaramuka pengguna
iv. kesesuaian dan darjah kebolehsambungan
v. ketersediaan perkakasan dan platform
vi. kos
vii. kualiti dan ketersediaan sokongan vendor
42
4.7 Isu-
Isu-Isu pembangunan DSS
4.7.1 Pengurusan Projek DSS
Isu-Isu Penerangan
Funding ( Dana ) Kunci pembangunan DSS ( penganjur ) boleh jadi pembuat
keputusan, organisasi, penganjur eksekutif
Kenalpasti Ketua Ketua projek ditugaskan berdasarkan saiz projek, yang mengawal
Projek selia semua projek dari awal hingga akhir
Pasukan Projek Yang memberi sokongan, bantuan, pengurus projek, pengguna,
Pembina DSS, sokongan teknikal
Sumber Dalaman
vs sumber luaran
Menentukan Perlu dispesifikasikan bagi projek besar, perlu ada perancangan
Arkitektur DSS teliti
4.7.2 Isu-Isu Pelaksanaan DSS
Tanggungjawab ketua projek DSS :
i. diagnosis masalah, menghasilkan kajian kebolehlaksanaan, mentakrifkan objektif dan

skop projek
ii. apabila projek diluluskan, ketua projek perlu untuk membangunkan satu metodologi
pembangunan DSS yang bersesuaian dan menentukan pasukan projek
iii. mengenalpasti tugas-tugas yang mesti dilengkapkan dan sumber-sumber yang
diperlukan
iv. menyampaikan kemajuan projek
v. mentakrifkan pelan projek dan mengurus aktiviti-aktiviti setiap hari yang disekutukan
kepada projek
vi. menkoordinasikan sumber projek, baget, laporan status, tugasan keperluan perubahan,
hubungan dgn vendor, penganjur dan staf MIT
43
TAJUK 5 : DATA DRIVEN DSS ( Pemacu Data DSS )
5.1 Pengenalan Kepada Gudang Data ( Data Warehouse)
- DSS digunakan untuk membuat keputusan pada tahap pengurusan strategic dan taktikal
- Keberkesanan DSS bergantung kepada kualiti data yang dikumpulan pada tahap
pengoperasian
- Data Opresai dan data DSS mempunyai tujuan yang berbeza
Perbezaan Data Pengoperasian dan Data DSS mengikut Rob and Coronel, 2004:
Data Operasi Data DSS

Data Currency Menjelaskan transaksi yg Menjelaskan data pengoperasian pada titik yang
Keluasan / dilakukan ditetapkan spt penjualan produk mingguan
Sifat Semasa
Data
Transaction Dicirikan melalui transaksi Dicirikan dgn transaksi pertanyaan, memerlukan
Type yang dikemaskini sebuah ringkasan pada masa tertentu dan
( Jenis dimuatkan drp data pengoperasian
Transaksi )
Summarisation Menjelaskan maklumat Tidak mempunyai perincian drp setiap transaksi
Level mengenai transaksi yang pengoperasian tetapi menjelaskan ringkasan
( Tahap ditetapkan dan disimpan transaksi
Sebuah dalam banyak jadual.
Ringkasan)
System transaksi hubungan Bukan pernormalan, bukannya kemaskini
Data Model memerlukan struktur transaksi , tetapi kebolehan pertanyaan,
(Model Data) pernormalan, banyak jadual mempunyai banyak jadual dan setiapnya
dihasilkan dgn setiap jadual mengandungi bilangan atribut yang besar
terdiri bilangan minimum
atribut
Query Activity Skop yang sempit, rendah Skopnya luas, terlalu kompleks dan rendah
( Aktiviti kompleksiti dan kelajuan kelajuan kritikal.
Pertanyaan ) kritikal
Data Volumes Drp 100 MB kpd GB 100MB kpd Terabait, data disimpan dlm struktur
( Saiz Data
Data ) bukan pernormalan dan demikian itu
memaparkan kelewahan dan penyalinan data,
data yang sama disimpan dlm cara yang berbeza
utk persembahkan penggambaran yang berbeza
44
Perbezaan di antara Data Operasi dan Data DSS menandakan keperluan drp pangkalan data
DSS
Berdasarkan keperluan maklumat yg kompleks dan peningkatan permintaan untuk analisis

data yang terbaik, mereka memulakan penciptaan gedung data jenis baru iaitu Gudang Data (
Data Warehouse )
Gudang Data : menjadikan sumber data utama untuk sistem sokongan keputusan yang moden
– memperoleh data drp pelbagai pengkalan data pengoperasian ( sumber luaran )
Data di dalam Gudang Data diuruskan dalam format dan struktur yang memudahkan ekstraksi
data, analisis data dan membuat keputusan.
5.2 Konsep Gudang Data
( Mallach, 2000 )
Gudang Data : pangkalan data yang besar yang terkandung maklumat bisnes yang
membolehkan pengguna akhir mendapatkannya.
Gudang Data mungkin mengandungi , contohnya:
a) maklumat jualan oleh produk, wilayah/kawasan, dan jangka masa

b) maklumat penggunaan kad kredit melalui pendapatan pemegang kad, umur, jantina, dan
status perkahwinan
c) maklumat tuntutan insuran melalui bandaraya, umur, jantina, pekerjaan dan jenis polisi
Bill Inmon : gudang data adalah pangkalan data yang diintergrasikan, diorientasikan subjek,
perpezaan masa, dan tidak berubah / meruap yang membekalkan sokongan kepada
pembuatan keputusan.
45
Komponen Definisi
Intergrated Format biasa memperjelaskan semua entity bisnes, elemen data, ciri-ciri
( Penggabungan) data, dan keseluruhan matrik bisnes organisasi
Subject-oriented Data di dalam di dalam Gudang Data diuruskan dan diringkaskan oleh tajuk-
tajuk seperti Jualan, Pemasaran dan kewangan. Setiap tajuk mengandungi
subjek spesifik spt produk, pelanggan dan kawasan
Time-variant Data di dalam Gudang Data memaparkan aliran data melalui masa. Apabila
data jualan mingguan yang sebelumnya dimasukkan ked lm Gudang Data,
keseluruhan jumlah bersandarkan mingguan, bulanan, tahunan dan lain-lain
utk produk, pelanggan dan lain-lain pembolehubah akan juga dikemaskini
Non-volatile Data di dalam Gudang Data tidak boleh diubah, data baru selalu ditambah
( Tidak Berubah ) dan gudang data selalu meningkat.disebabkan tiada perubahan pada data
dibenarkan apabila data disimpan dgn betul, persekitaran data secara
relatifnya statik
Ciri-
Ciri-Ciri Perbezaan Pangkalan Data Pengoperasian dan Gudang Data
Ciri-
Ciri-Ciri Pangkalan Data Gudang Data
Pengoperasian
Bagaimana ianya Satu aplikasi / kawasan berbagai kawasan subjek pada satu
dibina? subjek pada suatu waktu
waktu
Data kebiasaan? Mesti dinormalkan Tidak dinormalkan . Data boleh dan
untuk sokong proses selalu berlebihan
bisnes
Kawasan sokongan Operasi bisnes hari ke Sokongan keputusan untuk aktiviti
hari pengurusan
Masa penahanan data Penahanan adalah Masa penahanan tidak ditentukan,
perlu utk menemui mesti membenarkan laporan historical,
keperluan opreasi perbandingan dan analisis
harian
Ketersediaan Data Memerlukan Ketersediaan segera kurangkan kritikal
ketersediaan yang
tinggi dan segera
Saiz data Sama kpd saiz harian Lebih besar drp saiz transaksi harian
biasa drp transaksi biasa terutamanya siri data set data
operasi
46
Diintergrasikan Semua elemen data data yang serupa akan mempunyai

mempunyai definasi definisi dan perwakilan yang berbeza
dan perwakilan biasa
Berorientasikan objek Data disimpan Data disimpan dgn orientasi subjek
berorientasikan yang menyediakan paparan yang
fungsuan atau berbeza drp data dan bantu pembuat
berorientasikan proses keputusan
Perbezaan masa Data direkodkan Dimensi masa digunakan untuk
seperti transaksi memudahkan analisis data dan
semasa. perbandingan masa
Tidak meruap Kemaskini data adalah Data tidak boleh diubah, persekitaran
kerap. Persekitaran data adalah tetap statik
data adalah cair.
Untuk membina gudang data data diekstrak daripada pelbagai sumber dan kemudiannya
diubah dan diintergrasikan sebelum diisikan ke dalam gudang data.
Adalah sukar untuk mencipta kualiti gudang data yang tinggi, ianya bergantung kepada fakta
data tersebut yang diambil drp perbagai sumber yang menggunakan format data dan struktur
yang berbeza.
Penciptaan Gudang Data Drp Pangkalan Data Pengoperasian
Pangkalan Data Ekstraksi Data Gudang Data

Pengoperasian
Ekstrak Diintergrasikan
Penapis Berorientasikan-
Perubahan subjek
Intergrasi Perbezaan masa
Klasifikasi Tidak meruap
Pengumpulan
Ringkasan
5.3 Kandungan Analisis Gudang Data
- kandungan gudang data akan tidak berguna jika pengguna tidak mampu mencari
jawapan kepada persoalan mereka
47
2 pendekatan yang boleh digunakan utk memahami data dalam gudang data:
i. analisis berpandukan pengguna
Pengguna tanya soalan komputer akan mencari jawapan

Selepas jawapan didapati pengguna akan tanya seterusnya sehingga mencapai tahap yang
diingini drp pemahaman ke atas data.
ii. analisis aktif
Analisis yang diautomasikan atau data mining ( pencarian data ) computer melakukan semua
kerja pengguna hanya memberitahu computer apa yang dikhendaki utk dicari daripada
analisis itu.
5.3.1 User-
User-guided Analysis ( On-
On-line Analytical Processing : OLAP)
a) Konsep
On-
On-line Analytical Processing ( Pemprosesan Analitikal Atas Talian ) merujuk kepada cara
operasi di mana data di dalam gudang data dipotong dan dibahagikan kpd soalan jawapan
Selepas analisis keputusan drp soalan contoh, pengguna melihat kepada perician yang lebih
luas sehingga keputusan yang diingini dibina.
48
Pendse (2004) meringkaskan beberapa definisi dan cirri-ciri OLAP kepada 5 kata kunci iaitu:
Fast Analysis of Shared Multidimensional Information ( FASMI )

Kata Kunci Deskripsi
Fast Menghantar kebanyakan balasan kpd pengguna dgn kira-kira 5 saat,
( Cepat ) dgn analisis mudah tidak lebih drp 1 saat dan beberapa analisis
mengambil lebih 20 saat. Masa depan nya masih membangunkan
teknologi seperti kelajuan adalah kebanyakannya disedut oleh masalah
teknikal dengan produk OLAP
Analysis Mesti membenarkan pengguna untuk melakukan analisis mudah, ianya
(Analisis) harus mampu untuk mengendalikan apa-apa logik bisnes dan analisis
statistik yang diperlukan oleh aplikasi dan pengguna. Pengguna dan
aplikasi mestilah disediakan dgn ciri-ciri semua keperluan analisis
seperti perubahan struktur multidimensi ad-hoc, pertukaran mata
wang, mewaspada kelainan, dan banyak lagi tanpa mempunyai
program. Sebagai mencirikan analisis mungkin disediakan dalam
perkakasan kepunyaaan vendor atau rangkaikan dalam produk luaran
Shared Mestilah dilengkap dgn kawalan keselamatan untuk kerahsiaan, ianya
( Dikongsi) juga haruslah serentak mengunci pengemaskinian untuk mengawal
pelbagai tulisan dan capaian kemaskini
Multidimensional Keperluan paling mustahak, mesti membenarkan paparan
( Pelbagai multidimensi data
Dimensi)
Information Merujuk kpd semua data dan maklumat yang diperlukan, di mana saja
( Maklumat ) ia adalah dan walau bagaimanapun kebanyakannya berkaitan bagi
permohonan. Ini mentakrifkan berapa banyak data input yang system
OLAP boleh kendalikan.
i) Menggunakan Teknik Analisis

Analisis Data Pelbagai Dimensi
- Data diproses dan dipaparkan sebagai sebahagian drp struktur pelbagai dimensi
- Data boleh dipaparkan sebagai data yang berhubung dgn data yang lain
- Cth: analisis pengurusan hotel ingin melihat bagaimana jualan hotel berkaitan kpd
Negara pelanggan dan bulanan ( figure 5.2 ms 111 )
49
ii) Menyediakan Sokongan Pangkalan Data Lanjutan
Keutamaannya ialah:
- capaian kpd jenis-jenis perbezaan yang banyak drp DBMS : fail lengkap dan pelbagai
sumber data
- capaian kpd data gudang data yang dikumpulkan dan perincian pangkalan data
pengoperasian
- memberi keutamaan kepada navigasi data yang dilanjutkan seperti latih tubi
- tindakbalas pertanyaan yang cepat
- memetakan permintaan pengguna utk menyesuaikan sumber data dan kemudiannya utk
menyesuaikan bahasa capaian data
- sokongan pangkalan data yang terlalu luas
iii) Menyediakan Antaramuka Pengguna Akhir Mudah untuk Digunakan
- semua perkakasan disediakan dalam OLAP boleh diakses dengan mudah.

- Kebanyakan keutamaan antaramuka dalam OLAP adalah satu yang sudah menjadi
kebiasaan kepada pengguna
iv) Sokongan Arkitektur Pelayan/Pelanggan

- system OLAP boleh dibahagikan kedalam beberapa komponen
- semua komponen boleh ditempatkan ke dalam computer yang sama atau diagihkan di
antara sebilangan computer
b) OLAP Hubungan dan OLAP Multidimensi
- data multidimensional mesti digunakan untuk OLAP

- terdapat dua pendekatan untuk cara data multidimensional boleh disimpan dan
diuruskan dan membenarkan pengguna utk menguruskan analisis.
i. OLAP Hubungan ( ROLAP : Relational OLAP )
- menyediakan kefungsian OLAP melalui penggunaan pangkalan data hubungan,

perkakasan pertanyaan utk simpanan dan analisis data multidimensional
- organisasi yang sedang menggunakan pangkalan data hubungan, akan mudah
menyambung hubungan tradisional DBMS ( RDBMS) dgn beberapa keutamaan spt
keyakinan bahasa capaian data dan perlakuan pertanyaan untuk data multidimensional
dan kemampuan utk sokongan pangkalan data yang lebih besar.
50
- ROLAP terkandung data yang terperinci dan data yang diringkaskan dan membolehkan
pengguna melatih tubi set data yang luas.
- ROLAP trade-off ( tidak melakukan ) antara fleksibiliti dan perlakuan
- Vendor boleh membina perkakasan mudah alih dan mudah diskalakan sesuai kpd fakta
yang mengimplementasikan ROLAP dgn menggunakan perkakasan pengurusan yang
tahan lasak dan antara muka Bahasa Pertanyaan Berstruktur yang terbuka (SQL)
- ROLAP memerlukan bilangan yang besar jadual hubungan utk mengendalikan data yang
bersaiz besar dan hubungan dimensional.
- Jadual perlu disatukan dan indek perlu dicipta utk mengurus dan membenarkan analisis
data multidimensional.
ii. Multidimensional OLAP ( MOLAP )
- MOLAP menyediakan kefungsian OLAP melalui penggunaan pangkalan data

multidimensional
- Data yang disimpan boleh dipaparkan dlm data 3D / data kiub
- Data kiub boleh digunakan kpd kiub n-dimensi / hiperkiub
- Data kiub adalah static , tidak boleh diubah dan mesti dicipta sebelum boleh digunakan
- Pertanyaan hanya boleh dibuat pada pra-cipta kiub dgn kenalpasti pemotongan (axes)
5.3.2 Analisis Diautomasikan ( Data Mining )
Data Mining proses yang ekstrak maklumat drp pangkalan data yang mana pengguna tidak
tahu kewujudannya ( perlombongan data )
- proses ini menemui maklumat di dalam gudang data supaya pertanyaan dan laporan
tidak boleh didedahkan dengan berkesan
- Data Mining merujuk kepada mencari bentuk / pola dalam data dan peraturan
penyimpanan drp bentuk yang dikenali (bentuk ini boleh jadi peraturan, daya tarikan,
pertalian, aliran atau model ramalan )
- Data mining digunakan untuk mendapatkan pengetahuan dalam pangkalan data.
- Menggunakan data di dalam gudang data , data mining boleh menyediakan jawapan kpd
soalan mengenai organisasi supaya pembuat keputusan tidak terfikir dahulunya untuk
Tanya
Data item-item mengenai benda, peristiwa, aktiviti dan transaksi yang direkodkan,
diklasifikasi dan disimpan tetapi tidak memberikan makna yang spesifik
51
Pengetahuan terdiri daripada item data dan/atau maklumat yang diuruskan dan diproses
untuk menyampaikan pemahaman, pengalaman, dikumpulkan pembelajaran dan kepakaran
supaya boleh digunakan kepada masalah atau aktiviti semasa.
b) Teknik Data Mining utk mengenalpasti bentuk dalam data
i) Klasifikasi
- pendekatan untuk mendapatkan peraturan agar mentakrifkan jika sesuatu item itu
dipunyai subset tertentu atau kelas drp data.
- Mensasarkan utk menentukan kelas sebagai betul/tepat , boleh berlaku kpd rekod yang
tak kelihatan sebelumnya
- Teknik ini sesuai dgn data mutlak atau campuran drp kesinambungan data mutlak dan
numeric
- Cth: Insuran yang manakah tuntutan semasanya di dalam proses adalah palsu
ii) Clustering ( Pengelompokan )

- mengenalpasti kumpulan drp item-item agar serupa di antara satu sama lain
- semua item dalam satu kluster berkongsi ciri-ciri tertentu
- boleh digunakan bila ianya sukar utk mentakrifkan ciri-ciri atau parameter ( sempadan)
drp kelas
iii) Association ( Persekutuan / Asosiasi )

- mengenalpasti hubungan di antara peristiwa supaya berlaku pada satu masa
- mendapati peraturan tanggungan agar dapat meramalkan kejadian daripada satu item
berdasarkan ke atas kejadian drp item-item lain.
iv) Sequencing ( Pejujukan )

- serupa dgn teknik persekutuan kecuali agar hubungan berlaku melebihi tempoh masa.
- Cth: utk meramal stok perlakuan / pelaksanaan, berdasarkan siri/rangkaian drp
pendahuluan peristiwa
v) Regression ( Kemerosotan )
- digunakan utk memetakan data kepada jangkaan nilai
- Mengambil set data numeric dan bangunkan formula metamatik agar data lebih mantap
- untuk jangka tingkahlaku masa depan, data baru dimasukkan ke dalam formula
Pembangun
52
- bertugas dgn baik dgn data kuantitatif yang berterusan
- Cth: menjangka amaun jualan produk baru berdasarkan ke atas perbelanjaan pengiklanan
c) Algoritma / Teknologi Data Mining
Teknologi Deskripsi
Analisis Kaedah ini termasuklah pengunduran linear dan bukan linear, titik
Statistik penganggaran, Teorem Bayes’s ( agihan kebarangkalian), perkaitan
dan anlisis kelompok. Teknologi ini lazimnya digunakan oleh
sekutuan dan jujukan
Rangkaian Teknologi ini bekerja secara serupa untuk bagaimana sel saraf otak
Nauron manusia berungsi. Ianya memerlukan untuk memeriksa amaun yang
besar drp data historical kepada mengenali bentuk-bentuk. Cthnya:
kita boleh lihat menerusi pangkalan data yang besar untuk kenalpasti
potensi pelanggan untuk peroduk baru. Teknologi ini lazimnya
digunakan oleh klasifikasi dan kluster ( pengelompokan)
Algoritma Teknologi ini adalah satu contoh drp teknologi pembelajaran mesin.
Genetik Ianya mampu utk memperolehi makna drp data yang rumit dan tidak
tepat. Ia bekerja ke atas prinsip utk perluasan drp kesudahan yang
berkemungkinan. Dgn memberikan bilangan yang mantap /tetap drp
kesudahan yang berkemungkinan , teknologi ini cuba memperoleh
keputusan yang terbaik dan baru. Teknologi ini lazimnya digunakan
oleh sekutuan dan kluster ( pengelompokan)
Pokok Struktur berupabentuk pokok yang memmaparkan set drp keputusan.
Keputusan Teknologi ini membina model ramalan melalui memecahkan set data
ke bawah secara terpisah atau kumpulan kecil. Ianya bekerja drp
mengeneralisasikan maklumat kepada menambahkan lebih maklumat
yang spesifik. Ianya mengandungi nod dasar atau induk yang diikuti
oleh nod-nod. Setiap nod dilabelkan dengan soalan. Lengkungan atau
keluk disekutukan dgn setiap nod memepersembahkan semua
tindakbalas yang berkemungkinan atau kesudahan.
5.4 Visualilasi
Visualilasi Data
- merujuk kepada aktiviti yang melalui minda manusia.

- Keputusan daripada visualisation ialah wawasan dan pemahaman
53
Turban et al. (2005) : visualisasi data adalah seperti teknologi yang menyokong visualisasi dan
kadang-kadang adalah interpretasi drp data dan maklumat pada beberapa point di sepanjang
rantaian pemprosesan data.
5.4.1 Perkakasan Visualisasi Data
a) Newsmap ( Peta Berita )
- menunjukkan secara visual hubungan antara data dan bentuk yang tidak dapat dilihat
dalam media berita.Ianya membahagikan maklumat ke dalam band-band.Apabila band-
band ini dipersembahkan bersama-sama , ianya menampakkan bentuk yang mendasari
dalam laporan berita merentasi budaya dan segmen berita dalam perubahan yang
berterusan disekeliling glob ( Weskamp, 2003 )
( Dursteler, 2005 ) Newsmap menggunakan beberapa pembolehubah visual untuk

menvisualkan kod setiap lapisan berita:
i. Warna : bahagian berita yang berbeza menggunakan warna asas yang berbeza .
Kebanyakan berita terkini menunjukkan warna-warna yang cerah sementara yang
lebih tua nampaknya gelap
ii. Bentuk ( Shape ) : setiap bahagian dipaparkan dgn bentuk segi empat
iii. Saiz : saiz segi empat adalah nisbah kpd perkaitan drp berita-berita
iv. setiap bahagian daripada berita menunjukkan tekstur tajuk berita dengan mudah
dibaca
b) TableLens
- adalah kit pembangunan perisian (SDK)

- membenarkan pengaturcara untuk intergrasi teknik analisis data visual dipatenkan ke
dalam aplikasi perisian dan laman web
Menggunakan beberapa ciri-ciri kekunci pengguna akhir spt:
- Sort ( isih )melalui klik atas kolum

- Rearrange (susun semula) kolum melalui drag and drop
- Promote ( Naikkan / Promosi ) kolum kpd cipta subgroup
- Focus melalui klik ke atas sel atau klik dan heret kepada focus seluruh baris atau
berbilang baris
- Filter ( penapis ): subset kpd mewujudkan set data kecil yang khusus
- Spotlight data ( Data Tumpuan Utama ) : utk menjejaki perincian maklumat yang di
isihkan
54
c) AVS Software ( Perisian AVS )
- adalah perisian visualisasi data dibekalkan oleh Advand Visual System (AVS)
- adalah teknik visualisasi data yang tidak terhad
GLOSARI
Data : fakta mentah atau fakta yang belum diproses utk menyatakan maknanya kpd
pengguna akhir.
Ekstraksi Data : komponen yang digunakan utk ekstrak dan mengesahkan data yang diambil
drp pangkalan data operasi dan sumber data luaran
( Penyaringan Data )
Model Data : memepersembahkan, biasanya grafik drp struktur data dunia nyata yang
kompleks. digunakan dalam fasa reka bentuk pangkalan data daripada kitar hayat
pangkalan data.
Pangkalan Data : struktur computer yang menyimpan koleksi drp hubungan data
Drill Down : utk menghuraikan data ke dalam komponen yang lebih atom spt data pada tahap
rendah drp pengumpulan.
Maklumat : data yang disusun dalam bentuk yang bermakna mengandungi data yang
ditransformasi dan memudahkan membuat keputusan
Pengetahuan : item data atau maklumat diuruskan dan diproses kpd menyatakan
pemahaman, pengalaman, dihimpunkan pembelajaran dan kepakaran agar boleh
digunakan untuk masalah dan aktiviti semasa
Pernormalan : proses yang menentukan atribut kepada entity alam begitu rupa dengan
kelewahan data dikurangkan atau disingkirkan
55
Ujian 1
1. Takrifkan data, maklumat dan pengetahuan. Kenalpasti dua contoh.
Data adalah fakta mentah atau fakta yang belum diproses utk menyatakan
maknanya kpd pengguna akhir. Cthnya: Senarai pelajar yang mempunyai Nama,
Nombor Matrik,Jantina, Alamat
Maklumat adalah data yang disusun dalam bentuk yang bermakna
mengandungi data yang ditransformasi dan memudahkan membuat keputusan
Pengetahuan adalah item data atau maklumat diuruskan dan diproses kpd
menyatakan pemahaman, pengalaman, dihimpunkan pembelajaran dan kepakaran
agar boleh digunakan untuk masalah dan aktiviti semasa
2. Apakah perbezaan antara gudang data dengan pangkalan data?
Gudang Data : pangkalan data yang besar yang terkandung maklumat bisnes yang
membolehkan pengguna akhir mendapatkannya.
Data di dalam Gudang Data diuruskan dalam format dan struktur yang memudahkan ekstraksi
data, analisis data dan membuat keputusan.
Pangkalan data : koleksi drp data yang dihubungkaitkan, diuruskan, dan disimpan utk
membenarkan kpd memudahkan dapatan semula data. Strukturnya mestilah bersesuaian dgn
keperluan organisasi
3. Huraikan ROLAP dan MOLAP?
ROLAP: ( Relational OLAP )

- menyediakan kefungsian OLAP melalui penggunaan pangkalan data hubungan,
perkakasan pertanyaan utk simpanan dan analisis data multidimensional
- terkandung data yang terperinci dan data yang diringkaskan dan membolehkan
pengguna melatih tubi set data yang luas.
- ROLAP trade-off ( tidak melakukan ) antara fleksibiliti dan perlakuan
- ROLAP memerlukan bilangan yang besar jadual hubungan utk mengendalikan data yang
bersaiz besar dan hubungan dimensional.
56
MOLAP ( MultiDimensional OLAP)
- MOLAP menyediakan kefungsian OLAP melalui penggunaan pangkalan data
multidimensional
- Data yang disimpan boleh dipaparkan dlm data 3D / data kiub
- Data kiub boleh digunakan kpd kiub n-dimensi / hiperkiub
- Data kiub adalah static , tidak boleh diubah dan mesti dicipta sebelum boleh digunakan
- Pertanyaan hanya boleh dibuat pada pra-cipta kiub dgn kenalpasti pemotongan (axes)
4. Takrifkan Data Mining dan senaraikan teknologi utamanya.
Data Mining – proses menganalisis data utk mengenalpasti gaya atau hubungannya dalam
pangkalan data.
Data Mining proses yang ekstrak maklumat drp pangkalan data yang mana pengguna tidak
tahu kewujudannya
Teknolgi : Analisis Statistik, Rangkaian Neural, Algoritma Genetik dan Pokok Keputusan
TAJUK 6 : ANALISIS DAN PEMODELAN
6.1 Pengurusan Model
Model ( dalam konteks DSS ) adalah seperti pemproses yang membenarkan DSS untuk
memproses dengan berkesan input untuk menghasilkan jawapannya kepada pengguna.
Model-
Model-Driven (MDDSS) bergantung banyak kepada model sesetengah untuk menghasilkan atau
mempamerkan hasilnya menjadi pengguna akhir
6.1.1 Jenis-
Jenis-Jenis Model
a) Model Ikonik ( Skala ) : jenis drp tranformasi linear yang mentransform konfigurasi drp objek
seperti replica fizikal system dalam skala yang berbeza drp objek asal 2D / 3D
b) Model Analog : adalah model yang mempersembahkan tingkahlaku drp system yang hampir
sama dgn persembahan system yang betul. 2D carta atau gambarajah
57
c) Model Matematik ( Kuantitatif ) : persembahan yang abstrak drp situasi masalah yang wujud
menggunakan bahasa matematik untuk menerangkan tingkahlaku system seperti
pengurusan, biological, ekonomik, fizik atau kewangan graf atau carta
6.2 Kategori Model Keputusan
Model dalam Subsistem Pengurusan Model boleh diklasifikasikan kpd empat kategori utama
iaitu :
Jenis Model Sokongan Contoh Keputusan

Keputusan
Strategik Pengurusan Atasan Merancang utk penggabungan dan
(CEO,CFO,dan CIO) pemerolehan.
Pemilihan lokasi cawangan baru/kilang.
Berani mengusahakan e-bisnes
Bajet istimewa/ tidak rutin
Taktikal Pengurusan Memilih vendor utk perkhidmatan pelayan
Pertengahan ( syarikat.
Pengurus Unit / Merancang promosi jualan.
Jabatan ) Menentukan susun atur kilang.
Bajet modal rutin.
Operasional Pengurusan yang Menjadualkan kakitangan.
menyokong aktiviti Mejadualkan pengeluaran.
rutin Kawalan inventori (menentukan kuantiti
pesanan yg ekonomik)
Analitikal Semua tahap Kawalan kualiti.
Diguna kpd melakukan beberapa analisis data.
Cth: Data Mining dan Sains Pengurusan –
strategic / taktikal
Kategori Model:
Kategori Objektif dan Proses Teknik Pewakilan

Pengoptimuman drp Dapatkan keputusan yang Jadual Keputusan dan Pokok
masalah dgn alternatif baik drp jumlah yang kecil Keputusan
yg banyak drp alternatif
Pengoptimuman Dapatkan keputusan yang Linear dan lain-lain model
melalui algoritma baik Pengaturcaraan matematik
dan model rangkaian
58
Kategori Objektif dan Proses Teknik Pewakilan

Pengoptimuman Dapatkan keputusan terbaik Beberapa model inventori
melalui Formula dlm satu langkah
Analitikal menggunakan formula
Simulasi Mendapatkan keputusan Beberapa jenis simulasi
terbaik yg mencukupi atau
terbaik dikalangan alternatif
yang diperiksa melalui
penggunaan ekperimen.
Heuristik dapatkan keputusan baik yg Pengaturcaraan heuristic dan
mencukupi menggunakan system pakar
peraturan
Model-Model Lain Mendapatkan ‘apa-jika’ Pemodelan kewangan dan
menggunakan formula garis menunggu
Model Ramalan Model ramalan dan analisis
Markov
Faktor Memilih Model
Faktor Deskripsi
Membuat tahap untuk dipastikan bahawa sesetengahnya keputusannya ialah
keputusan di penting, oleh itu tidak wajar untuk di ubah.- diandaikan
bawah kepastian pengetahuan yg lengkap telah tersedia, pembuat keputusan tahu
akibatnya atau hasil drp setiap arah untuk tindakan. Model
berdasarkan andaian adalah mudah utk bekerja dgn dan boleh
menghasilkan penyelesaian yg optima
Membuat Ketidakpastian bermaksud syak/was-was: kenyataan yg tidak
keputusan di pasti. Keadaan, peristiwa, akibat atau suasana yang terhad, nilai
bawah ketidak atau akibatnya adalah tidak boleh diramalkan atau dijangka. Di dlm
pastian situasi ini, beberapa hasil boleh berlaku utk setiap arah tindakan.
Analisis DSS, semestinya cuba utk menjauhi andaian yang tidak
perlu kerana ianya amat sukar utk modelkan situasi sedemikian.
Kita harus cuba utk memperolehi maklumat yang lebih, dgn itu
masalah akan di modelkan andaian situasi risiko. Perbezaan utk
membuat keputusan di bawah risiko, kita tidak jangka/ tahu
kemungkinan atau peluang drp kejadian drp hasil yang boleh
berlaku.
59
Faktor Deskripsi
Membuat Risiko adalah berkenaan dgn kehilangan / kekurangan. – Risiko
keputusan juga dikenali sebagai kerangkalian / stokastik situasi membuat
dibawah risiko keputusan. Risiko boleh diukur. Analisis risiko boleh
( Analisis Risiko) dipersembahkan melalui menghitung nilai yang dijangka drp setiap
alternatif dan memilih satu drp nilai yang dijangka. Beberapa
teknik boleh digunakan utk tangani analisis risiko. Analisis ‘What-
if’ adalah kemahiran drp pertanyaan dan manipulasi Model Driven
DSS utk menentukan apakah kesan yang akan merubah
kebanyakan data input atau pembolehubah bebas.
6.2.1 Analisis Statik dan Dinamik
Turban & Aronson, 1998:

Analisis Statik model yang memaparkan penggambaran tunggal drp situasi dalam jarak atau
jeda tunggal
Deardof, 2001 :
Model Statik ekstrak drp proses melalui keseimbangan atau kekuatan optimum dicapai hanya
melebihi masa, mahupun kebergantungan daripada pembolehubah-pembolehubah dalam
model itu sendiri ke atas perubahan masa lalu atau pd masa depan.
Analisis Dinamik model agar suatu masa bergantung kepada model.

- digunakan untuk menilai situasi atau scenario agar merubah masa yang berlebihan.
- Ianya penting kerana memaparkan aliran dan bentuk keperluan, pengeluaran atau jualan
yang melebihi masa.
6.3 Membina Model
Pengesahan Model adalah proses dalam membandingkan output model dengan tingkahlaku
sebenar drp fenomena yang dimodelkan.
60
Kitar Hayat Pemodelan :
Tugas Sasaran Mekanisma

Mengenalpasti Masalah Kenyataan masalah Proses penghujahan
tepat,jelas
Mencipta Model Kenyataan drp model Formulasasi
diperlukan utk Intergrasi
menjelaskan masalah Modifikasi dan Pemilihan Model
secara matematik Komposisi
Implementasi Model Pernyataan Pembangunan Program Ad-hoc

kebolehlaksanaan Mengguna bahasa pengkhususan
komputer daripada tahap tinggi.
model Mengguna model pengkhususan
penjana program
Pengesahan Model Maklumbalas drp Analisis simbolik drp atribut seperti
pengesah dimensi dan peraturan sintaks unit
Penyelesaian Model Maklum balas drp Pelaksanaan dan penjilidan
penyelesai Penyelesai penjujukan dan
pelaksanaan skrip kawalan
Interpretasi Model Model Kefahaman Analisis Struktur
Model Mengawas silap Analisis Sensitiviti
Model analisis
keputusan
Penyenggaraan Model Menyemak kenyataan Penyebaran simbolik drp perubahan
masalah dan model utk struktur
menggambarkan
perubahan/tanggapan
Keselamatan / Versi Menyenggara dgn Versi
Model betul dan konsisten, Kaedah Kawalan Akses
Versi-versi model,
Memastikan
kekuasaan/hak utk
akses
61
6.4 Gambarajah Influence ( Pengaruh )
- pengurus biasanya suka melihat hasil yang mudah untuk difahami, senang digunakan dan
tidak memerlukan banyak klasifikasi.
Howard and Matheson (1998); Influence Diagram (ID) perkakasan formal untuk model
keputusan masalah untuk pembuat keputusan dan analisis
Carta Alir ( Flowchart) persembahan grafik yang digunakan untuk paparkan aliran
pengaturcaraan semasa proses analisis dan reka bentuk
Influence Diagram (ID)
(ID teknik pemodelan yang digunakan apabila membuat pengaturcaraan
– ianya digunakan untuk memetakan rekabentuk model dengan persembahan grafik drp model
digunakan untuk membantu di dalam rekabentuk model, pembangunan dan pemahaman
Pemodelan ID Diskripsi
a) Certain - Anak Panah = pengaruh (influence)
Influence - Pembolehubah disambungkan oleh anak panah yang
(Pengaruh menunjukkan arah/arahan drp pengaruh.
Tertentu) - anak panah pengaruh bermakna bahawa itu nilai daripada
pembolehubah mempengaruhi dalam set pertama dan digunakan
b) Uncertain menentukan tahap pembolehubah yang dipengaruhinya.
Influence - certain influence dgn anak panah lurus
- uncertain influence dgn anak panah tidak lurus
Pembolehubah keputusan dipaparkan oleh segi empat

Bayar Muka
Pembuat keputusan berkuasa utk kawal lain-lain pembolehubah
Notasi bulatan adalah paparan seperti tidak dapat dikawal atau

cukai pengantara pembolehubah. Simbol itu mentakrifkan
pembolehubah yang mana tidak pasti dan pembuat keputusan
tidak boleh kawalnya secara terus
Bulat bujur menandakan atribut atau keputusan pembolehubah

Bayaran
Bulanan
62
6.4.1 Certain Influence ( Relationship) : Pengaruh Yang Pasti ( hubungan)
- ID memaparkan arahan drp pengaruh (hubungan) antara pembolehubah dengan anak

panah
- Anak panah lurus pengaruh tertentu mungkin digunakan walaupun pengaruh
pembolehubah adalah pembolehubah rawak
Bayaran
Bayar Muka Bulanan
6.4.2 Certainty Influence with Random (Risk) Variable ( Pengaruh Kepastian dengan
Pembolehubah Rawak ( Risiko)
- perlu membezakan situasi yang mana semua ketidakpastian dalam pembolehubah

adalah wajar untuk ketidakpastian dalam pembolehubah terdahulu ( tiada garis beralun
pada anak panah) drp pembolehubah yang diketahui dengan kepastian perlu pengaruh
ketidakpastian ke atas yang lain ( anak panah tidak lurus )
Belanja Pendapatan
Berubah
Menjelaskan garis lurus drp pengaruh antaranya menunjukkan bahawa jika tahap drp Belanja
Berubah dijumpai , Pendapatan akan diketahui juga.
6.4.3
6.4.3 Uncertainty (Risk) Relationship ( Hubungan Ketidakpastian ( Risiko ) )
Situasi penting di mana kewakan dalam pembolehubah adalah wajar kedua-duanya untuk
kerawakan dalam mempengaruhi pembolehubah dan pengaruh tidakpasti.
Harga Kereta Jualan Kereta
Memilih harga untuk model baru Proton adalah pembolehubah keputusan
63
6.4.4 Uncertainty (Risk) Relationship with Random Variable ( Hubungan Ketidakpastian (Risiko)
dengan Pembolehubah Rawak)
~ Penyerahan
Permintaan
Pembolehubah Permintaan dan Penyerahan akan menjadi ketidakpastian kerana mempengaruhi

pembolehubah adalah rawak atau pengaruh adalah rawak. Untuk itu, tidak ditandakan
Penyerahan dengan tilde (~) . Tilde hanya digunakan ke atas pembolehubah di mana dimulakan
kerawakan.
6.4.5 Influence Diagram Examples ( Contoh Gambarajah Influence

Influence )
Tahap Usaha Gred CGPA Tukar Loan Peringatan Tunai
Kos Cukai Kerajaan = 0.005 ( Harga Produk )

Harga Produk = RM 15 + Cukai Kerajaan
Kos Cukai
Harga Produk
64
6.5 Analisis Keputusan
disiplin daripada menilai alternatif-alternatif kompleks dari segi nilai-nilai dan

ketidakpastian
6.5.1 Decision Trees ( Pokok Keputusan )
Whitepaper (2000) : merupakan jalan mudah bagi mewakili dan memproses klasifikasi
pengetahuan / pengalaman. RM40,000
Pasaran buruk (0.6)
Sewaan Baru
Ganjaran
RM 80,000
Pasaran Baik (0.4)
Bina semula Tiada Risiko
RM 85,000
Izin sendiri
OK (0.8)
RM 100,000
Gagal (0.2)
-RM20,000
65
6.5.3 Payoff Table ( Jadual Ganjaran )
Analisis Keputusan adalah proses agar membolehkan pembuat keputusan untuk memahami
hakikat daripada situasi dan risiko-risiko dan membenarkan pembuat keputusan untuk
memutuskan sedikit dan kebanyakan pilihan daripada set daripada alternatif keputusan yang
boleh berlaku.
Elemen drp masalah analisi keputusan ialah:
a. hanya seorang individu yang bakal dilantik sebagai pembuat keputusan Cthnya, CEO,
COO atau pengurus syarikat
b. bilangan yang terhad drp peristiwa yang mungkin berlaku ( masa depan ) adalah
dipanggil ‘States of Nature’ ( set drp scenario yang boleh berlaku )
c. bilangan yang terhad drp alternatif keputusan yang mungkin berlaku ( cthnya, tindakan )
adalah tersedia untuk pembuat keputusan
d. Ganjaran ( pulangan atau hasil drp keputusan ) adalah elemen bila mana kombinasi yang
berbeza drp keputusan dan ‘state of nature’ ( ketidakpastian) menghasilkan ganjaran
yang berbeza. Ganjaran biasanya dipaparkan dalam jadual. Dalam analisis keputusan
ganjaran dipaparkan melalui nilai positif (+) untuk pendapatan bersih, gaji, atau
keuntungan dan nilai negatif (-) untuk belanjawan, kos, atau kerugian bersih
analisis memerlukan ketelitian yang lebih kerana ianya bukannya mudah untuk membentuk
matrik tersebut. Kesilapan yang biasa dalam analisis keputusan ialah :
i. salah tanggapan
ii. tidak mempunyai tanggapan yang tepat drp kemungkinan
iii. bergantung kepada jangkaan
iv. susah dalam mengukur fungsi utility
v. kesilapan ramalan
66
Komponen drp model kemungkinan
Peristiwa
Model
Tindakan Matematik Ganjaran ( ulangan )
6.5.4 Jadual Keputusan
Turban et.al (2004) seperti satu langkah mudah untuk mengurus maklumat dalam cara yang
sistematik.
- digunakan untuk model logik yang komplikated (rumit )
- seperti struktur kawalan yang dipelajari dlm kursus pengaturcaraan seperti kenyataan if-
if-
then-
then-else dan switch-
switch-case
- Kenyataan di dalam Jadual Keputusan adalah conditions ( syarat/keadaan) dan actions
(tindakan)
Penyelesaian Masalah Pencetak

Condition Dokumen tidak boleh dicetak Y Y Y Y N N N N
Pencetakan lambat - - - N Y Y N N
Font hilang / tidak seperti dipaparan - - - N Y N Y N
Actions skrin
Periksa kabel power X
Periksa / tukar kabel pencetak- X X X
komputer
Pastikan driver pencetak diinstal X X X X
Periksa /tukar katrij powder X
67
6.6 Kaedah / Cara Menyelesaikan Masalah
Tiga Kenyataan Drp Penyelesaian Masalah
Kenyataan Mustahil / gagal
Dalam pencarian langkah2 untuk kenyataan

penyelesaian, kenyataan2 dgn terdapat kenyataan
dengan kepunyaan tersebut bahawa jika pernah
dipertemukan, penyelesaian masalah adalah
dipertimbangan kegagalan
Kenyataan Penyelesaian / sasaran
Kenyataan di mana permulaan episod yang

disediakan drp penyelesaian masalah
Kenyataan awal
Kenyataan di mana permulaan episod yang

disediakan drp penyelesaian masalah
Pendekatan untuk mencari, bergantung kpd jenis masalah untuk diselesaikan dan jenis
pendekatan pemodelan :
a. Optimisation / Analytical Technique ( Teknik Analitikal / Pengoptimistik )

b. Blind Search ( Penyelidikan / Pencarian Rabun )
c. Heuristic Search ( Penyelidikan / Pencarian Heuristik )
68
6.6.1 Teknik Analitikal
Analitikal
- menggunakan formula matematik untuk mendapatkan penyelesaian optima bagi

menjangkakan laporan/keputusan.
- Yang digunakan terutamanya untuk menyelasaikan masalah berstruktur seperti
penganggaran, peramalan, analisis siri-masa dan pemodelan
- Penganggaran, peramalan dan analisis siri-masa biasanya berdasarkan teknik
pengunduran linear
- Perkakasan EIS/DSS menyokong pemodelan umumnya menyediakan penganggaran,
simulasi dan teknik peramalan agar operasi ke atas pembolehubahn nonlinear
- Peramalan dan analisis bersiri-masa berbeza drp teknik penganggaran mudah dalam
pada itu trend masa depan atau terdahulu dijangka berdasarkan data historical
- Apabila masalah tidak berstruktur ( terlalu kompleks) , pendekatan
pencarian/penyelidikan heuristic dan blind digunakan
6.6.2 Blind Search ( Penyelidikan / Pencarian Rabun )
- juga dipanggil pencarian tidak dimaklumkan (uninformed search ) adalah

pencarian/penyelidikan yang tiada maklumat mengenai domainya
- hanya boleh lakukan ialah mengenali kenyataan bukan sasaran daripada kenyataan
sasaran.
- Algoritma drp pencarian kelebaran pertama (Breadth-First Search-BFS) melibatkan
penggunaan giliran / barisan untuk pencarian.
Giliran ( queue) adalah senarai di mana nod-nod selalunya ditambahkan kpd penghujung
senarai tetapi dipindahkan drp hadapan
69
6.6.3 Heuristic Search ( Penyelidikan / Pencarian Heuristik )
- algoritma atau perisian merupakan cawangan kecerdasan tiruan yang menggunakan

heuristik, ( peraturan kewarasan daripada pengalaman untuk selesaikan masalah )
6.7 Sistem
Sistem Pemodelan
- sistem komputer yang menerima model keperluan pengguna, menterjemahkannya ke

dalam bentuk yang boleh diterima untuk penyelesai, memohon penyelesai dan
terjemahkan output drp penyelesai semula ke dalam bentuk yang boleh diinterpretasikan
oleh pemodel
70
GLOSARI
Decision Support ( Sokongan keputusan) : penggunaan data, model dan analisis utk memberi
pemahaman yang membantu membuat keputusan
Management Science ( Sains Pengurusan ) : aplikasi yang sistematik drp proses pemodelan
kepada situasi pengurusan
Model : persembahan drp beberapa aspek yang reality
Model Base ( Pangkalan Data ) : koleksi drp jenis-jenis model yang diisikan dalam media
storan elektronik dan boleh dicapai kpd pengguna dan program
Modelling Language ( Bahasa Pemodelan ) : notasi kebolehlaksanaan komputer formal yang

boleh digunakan untuk menjelaskan konsep yang abstrak drp rangka kerja.
Parameter : pembolehubah yang nilainya tidak ditentukan oleh pembuat keputusan
Physical Model ( Model Fizikal ) : model seperti model kereta yang komponennya adalah
artifak fizikal drp ciri-ciri entity sebenar.
Problem ( Masalah ) : penerangan mengenai sesuatu yang boleh dilakukan dengan keadaan
Ujian 1
1. Apakah Sistem Pengurusan Pangkalan Model?
Sistem Pengurusan Pangkalan Model ialah mengurus pelbagai peralatan analitikal DSS, boleh
membezakan dlm nombor, saiz dan kompleksiti. Fungsi utamanya:
Memodelkan bahasa : utk cipta model keputusan mula dari asas atau drp model sedia
ada – mekanisma utk link dgn pelbagai model kpd membenarkan utk pemprosesan
berturutan atau pertukaran data
Model Perpustakaan : simpan dan uruskan semua model dan penyelasaian algoritma utk
mudah akses dan manipulasi
Model manipulasi : mengurus dan selenggara model asas dgn fungsi yg sama dgn apa yg
didapati dlm DBMS spt run, stor, pertanyaan, padam, link dll)
71
2. Jelaskan mengapakah menyelesaikan masalah di bawah ketidak pastian kadang-kala
melibatkan pengandaian bahawa masalah itu perlu diselesaikan di bawah keadaan drp risiko?
Analisis DSS, semestinya cuba utk menjauhi andaian yang tidak perlu kerana ianya amat sukar
utk modelkan situasi sedemikian. Kita harus cuba utk memperolehi maklumat yang lebih, dgn
itu masalah akan di modelkan andaian situasi risiko. Perbezaan utk membuat keputusan di
bawah risiko, kita tidak jangka/ tahu kemungkinan atau peluang drp kejadian drp hasil yang
boleh berlaku.
TAJUK 7 : QUANTITATIVE ANALYSIS AND MODELLING

( Pemodelan dan Analisis Kuantitatif )
Pengenalan
Turban & Aronson (2001) menegaskan bahawa satu drp ciri-ciri utama DSS adalah
mengambilkira sekurang-kurangnya satu model.
Model Analitikal dan Matematik adalah komponen dominan ( paling utama ) dalam Model-
Model-
Driven DSS (MDSS) kerana model-model digunakan oleh pembuat keputusan untuk memahami
sifat-sifat semulajadi masalah.
Pembuat keputusan boleh menjalankan ujian dan analisis ke atas model drp kenyataan sebenar
lebih tepat drp system yang nyata.
7.1 Model Keputusan
Apabila membuat keputusan terlalu kompleks dan kepentingannya pada tonggak terlalu
berisiko, kerapkalinya tidak pasti apa untuk diputuskan.
- sering ke teknik sokongan keputusan yang tidak formal seperti bertanya kepada rakan-
rakan
- proses membuat keputusan mudah yang dihasilkan model keputusan dgn hanya dua
alternatif, dikenali sebagai Manicheanism
Manicheanism
Manicheanism membahagikan semua/ setiap satu dalam dunia ke dalam diskret (berlainan)
atau polar yang bertentangan seperti baik atau/dan buruk.
72
Decision Science ( DS ) yang juga dikenali Operations Research (OR), Quantitative Analysisi
(QA), dan Management Science (MS) adalah sains membuat keputusan.
Quantitative Analysisi (QA) atau OR/MS adalah aplikasi drp kaedah membuat keputusan kepada
membuat keputusan.
Kuantitatif bermaksud yang pendekatan ini berdasarkan pemodelan matematik. Ianya adalah
pendekatan sains untuk automasi kongsian drp membuat keputusan pengurusan.
7.2 Model Matematik
a) Apakah itu Model?
Model adalah pemisahan atau ringkasan / synopsis drp situasi keputusan dunia nyata.
b) Matematik Sebagai Bahasa Universal Drp Pemodelan
Paling meluas digunakan model-model ialah bahasa percakapan atau dikenali sebagai model
naratif.
Contohnya : laporan verbal, atau penulisan dokumen adalah model tengah/pusat untuk
kesedaran.
Model Verbal adalah terjemahan daripada model mental

- Ianya menjelaskan semua hubungan kefungsian antara pembolehubah dalam laluan
perkataan
- Percakapan dan penulisan dokumen adalah seperti transkrip temu ramah, kajian kes, manual
dan lain-lain model.
- Pembinaan model melibatkan pembahagian yang terbaik drp model verbal.
- Disebabkan drp anekaragam dan batasan manusia drp komunikasi dan kemahiran menulis,
para saintis menggunakan matematik dan logik bagi membolehkan manusia utk menyatakan
dan seterusnya berkomunikasi dgn efektif idea-idea mereka.
- Matematik adalah hanya bahasa yang dikongsi oleh semua manusia tanpa mempedulikan
bangsa, budaya dan jenis jantina.
73
c) Pemodelan
- Pemodelan melibatkan perubahan masalah bisnes ke dalam struktur prototaip yang
bersesuaian seperti model matematik.
- Proses perubahan melibatkan pemprosesan dan pemanipulasian data mentah ke dalam
maklumat yang lebih bermakna
- model matematik diubahkan ke dalam versi elektronik atau model computer
menggunakan sama ada pakej perisian statistic, perisian ramalan, pakej pemodelan atau
perkakasan pengguna akhir seperti Microsoft Excel
- adalah perlu untuk ‘customize’ model-model menggunakan perkakasan dan bahasa
pengaturcaraan seperti C++, Java atau Visual Basic.
d) Peranan Model-
Model-Model Matematik
- Model Matematik digunakan untuk analisis
- nilai drp kekunci pembolehubah atau parameter model boleh diubahkan berulang-ulang
- Perubahan dibuat untuk menunjukkan perubahan dan ketidakpastian dalam sebarang situasi
keputusan seperti pemintaan dan penawaran, system penggiliran, pengeluaran, ekonomi, kos
dan faedah dan sebagainya
- Output atau keputusan daripada menggunakan model masih perlu dianalisis dan dinilai oleh
pembuat keputusan kerana MDDSS bukanlah system pembuatan keputusan, ianya hanya
menyokong proses pembuatan keputusan oleh manusia
e) Pangkalan Model
- keperluan untuk pembuat keputusan akses kepada pelbagai model dan menbantu dalam
membuat keputusan.
74
7.2.1 Klasifikasi Model Matematik
Marakas , 1999:
Jenis-
Jenis-Jenis Model Ciri-
Ciri-Ciri
Simulation - gabungkan ketidakpastian ke dalam strukturnya. Sekurang-
( Simulasi ) kurangnya satu drp pembolehubah adalah tidakpasti dan
dijelaskan oleh beberapa fungsi kemungkinan
- bila membina model stokastik , pembuat keputusan mengagih
nilai input drp satu atau lebih pembolehubah disekitar beberapa
nilai bermakna dan pembolehubah output ambil bentuk drp
pengagihan frekuensi lebih drp nilai set diskret
- teknik pemodelan stokastik termasuklah teori permainan, teori
giliran, pengunduran linear, analisis siri masa, analisis laluan,
dan pengunduran logistic atau analisis logik.
Deterministic - digunakan apabila konteks masalah adalah hibrik (kepelbagaian)
( Ketentuan ) ; yang bermaksud beberapa komponen kontek keputusan adalah
berketentuan, beberapa lagi stokastik, dan beberapa lagi
gabungan kedua-duanya.
- Dibangunkan utk membenarkan kombinasi pelbagai model
- Menguruskan satu atau lebih eksperimen yang menguji pelbagai
keputusan hasil drp kombinasi pemodelan sub-sistem ke dalam
persekitaran dinamik
- Mencontohi reality
- Model simulasi biasa adalah pemodelan pengeluaran,
pengangkutan dan logistic dan ekonomik
Domain Specific - pembolehubah hanya mengambil satu nilai pada sebarang masa
Domain Tertentu / pengambilan
Khusus - model berketentuan termasuklah pengaturcaraan linear,
pengaturcaraan bukan linear, persamaan-perbezaan
Stochastic - set drp teknik pemodelan matematik abstrak dibangunkan untuk
( Stokastik) melayan satu medan tertentu
- Cthnya: model pembekalan dan permintaan adalah model unik
digunakan oleh para ekonomi. Lain-lain domain yang dikenali
sebagai penyelidikan operasi, sosiologi, ekologi, perubatan, dan
meteorology yang dibangunkan dgn teknik pemodelan abstrak
tersendiri.
75
7.2.2 Komponen Drp Model Matematik
Terdiri daripada tiga komponen iaitu:
a. Decision Variables ( Pembolehubah Keputusan )

b. Uncontrollable Variables ( Pembolehubah Tidak
Tidak Dapat Dikawal ) – ‘and’ / ‘or’ parameter.
c. Result ( outcome ) Variables ( Pembolehubah Hasil / Keputusan )
Hubungan
Matematik
Pembolehubah Pembolehubah Pembolehubah Hasil

Keputusan Tidak Dapat Dikawal
Contoh Pembolehubah:
Bidang Pembolehubah Pembolehubah Pembolehubah & Parameter

Keputusan Hasil Tidak Dapat dikawal
Pelaburan Alternatif Keuntungan Kadar inflasi
Kewangan Pelaburan. kesemuanya. Kadar asas.
Amaun Kadar pulangan. Persaingan.
pelaburan. Ganjaran
Jangkamasa perkongsian.
labor. Tahap kecairan
Bila melabur.
Pembuatan Apa yang Kos Kapasiti mesin.
dihasilkan. kesemuanya. Teknologi.
Jumlah hasilan Tahap kualiti. Sifat dan material
Tahap inventori Pekerja Sumber harga
Program pampas Kepuasan.
an.
76
Bidang Pembolehubah Pembolehubah Pembolehubah & Parameter

Keputusan Hasil Tidak Dapat dikawal
Pemilihan kereta Jenis kereta. Bayaran bulanan Kadar cukai
keluarga. Jenama kereta Kadar faedah
Harga pembelian
Jangkamasa
pembayaran.
Institusi
kewangan
Penjadualan Bilangan pelajar Jadual kelas Bilangan dewan kuliah
Kelas Pensyarah Bilangan kelas
Tempat
Masa
a) Pembolehubah Keputusan dan Hasil ( Result & Decision Variables)
Pembolehubah Hasil ( Result Variables ) ialah pembolehubah yang menggambarkan drp

keberkesanan sistem dan pembolehubah keputusan yang menghuraikan arah/haluan alternatif
drp tindakan.
Cth: seseorang memilih kereta, pertamanya membuat keputusan berapa banyak dia perlu
bayar sebulan analisa jenama menentukan untuk bayar RM900 – RM 1200 sebulan tetapi
hanya sanggup bayar 10% drp harga kereta menentukan pilihan Proton Perdana atau Toyota
Altis
b) Parameter atau
atau Pembolehubah Tidak Dapat Dikawal ( Uncontrollable Variables or
Parameter )
ialah faktor-faktor mempengaruhi keputusan pembolehubah, tetapi bukan di bawah

kawalan drp pembuat keputusan
factor-faktor ini boleh jadi tetap ( parameter ) atau berubah-ubah ( pembolehubah )
Cth: kadar faedah pinjaman kereta, adalah tetap tetapi boleh memilih institusi kewangan yang
diingini
77
c) Pembolehubah Hasil Yang Sederhana ( Intermediate Result Variables )
ialah terdapat menggambarkan bahawa keputusan drp hasil yang sederhana

Cth: pengurus perlu memutuskan yuran kursus professional ( pembolehubah hasil)
keputusan pengurus akan mempengaruhi keseluruhan drp pelajar yang mendaftar ( hasil
pertengahan ) yang kemudiannya menentukan keuntungan bersih ( keputusan akhir )
7.3 Analisis Sensitiviti
adalah satu analisis yang dijalankan untuk mencapai kesan bagi perubahan di dalam data
input atau parameter pada pembolehubah hasil.
Cth: Apakah kesan drp perubahan dalam harga petrol dan disel kpd keuntungan bersih runcit.
Analisis Sensitiviti adalah amat penting dlm DSS kerana ianya menyediakan pemahaman yang
terbaik drp model keputusan
Dua jenis analisis sensitiviti :
a. Analisis Sensitiviti Automatik dilaksanakan dalam implementasi model piawaian ORMS (

Operational Research / Management Science ) seperti pengaturcaraan linear
b. Trial and Error ( eksperimen ) belajar drp kesilapan

menggunakan dua jenis eksperimen iaitu ‘what-if’ dan mencari / memperoleh sasaran
Analisis ‘What-
‘What-if’ adalah distrukturkan seperti “ Apa akan berlaku kepada
penyelesaian/jawapan jika pembolehubah input atau andaian atau nilai parameter diubah”
Analisis Mencari Sasaran menghitung nilai-nilai drp input-input yang mustahak untuk
menghasilkan tahap yang diingini ke atas output ( sasaran )
7.4 Deterministic Model ( Model Penentuan ) : break even point ( meleraikan titik yg rata )
Break – Even – Point ( BEPs) ialah titik jumlah jualan di mana jumlah keseluruhan pendapatan
dan Jumlah keseluruhan perbelanjaan ialah sama ; yang di mana terdapat untung tidak juga
hilang
- untuk produk, jenama atau syarikat adalah titik di mana jumlah keseluruhan pendapatan
sama jumlah keseluruhan kos.
78
7.4.1 Spreadsheet Based BEP
7.5 Stochastic Model : Queuing Management ( Pengurusan Bergilir/Berbaris )
- teori pengurusan berbaris adalah penting untuk mencipta jadual, rekabentuk kerja,
pengurusan inventori dsbnya
- teori berbaris : kajian drp menunggu barisan satu drp yang tertua dan paling meluas
digunakan teknik analisis kuantitatif.
7.5.1 Ciri-
Ciri-Ciri Sistem Berbaris
the arrival ( ketibaan ) atau input untuk menunggu system barisan

the waiting line itself ( menunggu barisan sendiri )
the service facility ( kemudahan perkhidmatan )
a) Ciri-
Ciri-Ciri Ketibaan/Kedatangan
Ketibaan/Kedatangan
i. saiz drp penduduk : saiz penduduk dipertimbangkan kepada sama ada unlimited (
tidak terhad ) ; infinite ( tidak tentu ) atau limited ( terhad ) : finite ( terhad ) Cth :
Unlimite kereta yang tiba di pondok rehat lebuhraya PLUS; Limited pengguna
siberkafe terhad kpd bilangan PC
ii. corak kedatangan pada system : pelanggan sama ada tiba di kemudahan
Perkhidmatan mengikut jadual ( Cth: Pensyarat sediakan jadual hanya seorang pelajar
diberi nasihat setiap setengah jam ) atau kedatangan secara rawak. Kekerapan
masalah-masalah giliran, Jumlah kedatangan boleh dianggarkan bagi setiap unit bagi
sesuatu masa boleh dijangkakan oleh pengagihan kemungkinan dikenali sebagai
pengagihan poisson.
poisson
iii. Akhlak atau tingkahlaku kedatangan : Kita perlu membuat anggapan ke arah tingkah
laku orang yang menunggu baris. - perlu mengandaikan bahawa pelanggan tidak
keberatan atau mungkin janji. Balking ( keberatan / tidak mahu tunggu ) , Renege (
seseorang itu menunggu dalam barisan, tetapi beberapa minit kemudian mengambil
keputusan untuk meninggalkan barisan )
b. Ciri-
Ciri-Ciri Menunggu Dalam Barisan
- jarak masa barisan menunggu sama ada terhad atau tidak terhad
- disiplin barisan menunggu ( First-In-First-Out : FIFO ) atau ( First-In-Last-Out) , ianya
bergantung kepada situasi.
79
c. Ciri-
Ciri-Ciri Kemudahan Perkhidmatan
- tatarajah sistem perkhidmatan
- corak drp masa perkhidmatan
i) Contoh tatarajah sistem

sistem perkhidmatan
Tatarajah / Contoh
Konfigurasi
Sistem Saluran Hanya disediakan satu pelayan sahaja. Cth: Kaunter pandu masuk
Tunggal McDonald’s, hanya mempunyai satu kaunter sahaja
Sistem Perkhidmatan Mempunyai banyak saluran , cthnya bank ada banyak kaunter
Multi Saluran
Sistem Fasa Tunggal Gerai ‘Mamak’ yang mana individu tersebut yang mengambil pesanan
dan juga yang memberikan makanan dan mengambil bil
Sistem Multi Fasa Pusat kesihatan, kita harus daftar pada kaunter pendaftaran, dan
kemudiannya menunggu untuk dipanggil oleh jururawat, berjumpa
doctor untuk rawatan, mengambil resit ubat dan seterusnya membayar
bil.
80
ii. Perkhidmatan Semasa Pengedaran
berapa lama seorang doktor diagnosis seorang pesakit atau berapa lama mekanik memasang
radio yang baru di kereta anda, ialah corak ketibaan Pelanggan.
Masa Perkhidmatan ialah disebarkan secara rawak
7.5.2 Contoh Pengedaran Poisson
kemungkinan k kedatangan masanya t :
λ kadar kedatangan unit semasa

t panjangnya tempoh masa
e = 2.7182818
k! = k(k-1)(k-2)(k-3)… (3)(2)(1)
P(X) = kemungkinan daripada kedatangan X
7.5.3 Kos dan Keberkesanan Drp Perkhidmatan
Chase et.al ( 1998) : Objektif asas drp pengurusan barisan menunggu adalah untuk
mengimbangi kos drp barisan menunggu dgn kos untuk menambahkan sumber-sumber yang
lebih.
Cthnya:
Cthnya MobileVending Sdn. Bhd. Membekalkan penjualan perkhidmatan ‘top-up’ untuk
syarikat-syarikat telekomunikasi seperti Maxis, Celcom, Digi dan TmNet kepada universiti-
universiti di sekitar Lembah Kelang di mana pelajar-pelajar boleh membeli kad ‘top-up’
daripada mesin-mesin yang disediakan. Dalam pada itu, pihak syarikat perlu membaiki
masalah secara berterusan. Mesin mengalami masalah purata 5 kali sejam . Kos masalah ialah
RM27/jam bagi setiap mesin dan setiap juruteknik mengambil RM6 sejam. Seorang juruteknik
boleh servis mesin dgn purata 7 mesin sejam, diagihkan dgn banyak dan pasukan dri dua
pekerja boleh membuat 9 mesin sejam. Situasi keputusan pengurusan adalah untuk
mengenalpasti bilangan optimum drp juruteknik untuk servis mesin tersebut.
81
Purata bilangan mesin dalam system ialah
5/ 7-5 = 5/2 = 2.5
Kos kerosakan/ masalah ( 2.5 X RM27) = RM 67.50
Buruh ( 1 juruteknik X RM 6) = RM 6.00
Jumlah = RM 73.50
7.6 Simulasi
- simulasi adalah satu teknik bagi menjalankan ujikaji yang menguji berbagai hasil
daripada kombinasi sub-sistems yang dimodelkan ke dalam persekitaran dinamik.
- Secara umumnya merujuk kepada teknik untuk meniru perkataan nyata secara
matematik, kemudian melakukan ujikaji kepadanya dengan sebuah komputer
7.6.1 Simulasi Monte Carlo
- simulasi ini boleh digunakan apabila satu sistem mengandungi unsur-unsur yang
menunjukkan secara kebetulan dalam tingkah lakunya.
- Asas simulasi ini ialah pengujikajian pada unsur-unsur itu secara kebetulan
( kebarangkalian )melalui pensampelan rawak.
Render & Stair 2000 , lima langkah mudah teknik ‘break down’ :
i. meningkatkan satu pengagihan kemungkinan kpd pembolehubah-pembolehubah

penting.
ii. membina satu pengagihan kemungkinan berganda / kumulatif untuk setiap
pembolehubah dalam langkah i
iii. Menubuhkan jarak/ perbezaan drp bilangan rawak untuk setiap pembolehubah
iv. Menghasilkan bilangan rawak
v. Simulasi sebenarnya satu siri ujian.
7.6.2 Kajian Kes Servis

Servis Kelisa
7.7 Pengurusan Permintaan / Tuntutan : Peramalan
Peramalan ( forecasting) merupakan jangkaan drp nilai pembolehubah( atau set daripada
pembolehubah-pembolehubah ) pada sesetengah titik masa hadapan dalam satu masa.
82
Render & Stair (2000) memastikan kita bahawa latihan peramalan menyediakan satu bantuan
pembuat keputusan dan dalam merancandkan masa depan.
Semua latihan ke atas andaian adalah jika kita yang dapat meramalkan apa masa depan akan
berlaku, kita boleh menyesuaikan tingkah laku kita sekarang yang lebih baik berbanding
sebaliknya dan bila masa depan akan tiba/dating.
Terdapat banyak aplikasi untuk peramalan seperti peramalan permintaan untuk produk,
peramalan maklumat kewangan seperti kadar faedah, kadar tukaran, harga kongsian, dll
enis-
Jenis-Jenis Yang Berbeza Drp Kaedah Peramalan
Kaedah Deskripsi
Kaedah Kualitatif Apabila tiada data yang dibenarkan agar boleh digunakan untuk
meramalkan masa depan ; ini bermakna tiada model matematik
formal. Metodologi ini cuba utk mennerangkan fenomena yang perlu
dikaji tanpa menggunakan kaedah kuantitatif. Cthnya: cerita atau
petikan daripada perbincangan.
Kaedah Regresi / Pendekatan analisis data yang digunakan utk meramalkan satu
Pengunduran pembolehubah melalui pengetahuan satu atau lebih lain-lain
pembolehubah. Analisis Regresi digunakan utk jawapan soalan seperti
“berapa baik yang dapat saya meramalkan nilai-nilai satu
pembolehubah, seperti kekerapan permintaan (Y), oleh mengetahui
nilai-nilai drp pembolehubah lain seperti perbelanjaan ke atas
pemasaran (bajet) dan atau harga keseluruhan jualan (X)?”
Kaedah Pelbagai Di mana Terdapat sejumlah kebergantungan pembolehubah-
Persamaan pembolehubah yang berinteraksi dengan satu sama lain melalui siri
persamaan ( seperti dalam Model Ekonomik )
Kaedah Siri Masa Di mana mempunyai pembolehubah tunggal yang dinamik dan yang
nilai masa hadapan berhubungan dalam beberapa segi kepada nilai
masa lalunya. ( perubahan sepanjang masa )
7.7.1 Causal Forecasting Methods ( Kesan / Akibat Kaedah Peramalan )
- adalah teknik untuk kita bagi menyiasat satu atau lebih persekutuan pembolehubah dgn
pembolehubah yang diramalkan.
83
Cth:
Cth jualan suratkhabat mungkin dikaitkan kpd promosi yang mana adakal bajet pengiklanan
adalah strategi yang baik, harganya yang 20 sen lebih murah drp persaingan terdekat dan
bahkan isu-isu sensasi dan ekonomi. Jualan suratkhabar dipanggil Dependent Variable (
pembolehubah bergantung ) dan pembolehubah yang lain dikenali pembolehubah tidak
bergantung. Oleh itu apabila mendapati pembolehubah dihubungkan, perlulah membina model
statistic untuk meramal kepentingan pembolehubah iaitu Jualan. Kebiasaan model akibat
kaedah peramalan ialah Analisis Pengunduran
7.8 Kelebihan Pemodelan Matematik
a. model boleh menjelaskan kenyataan dengan tepat. Jika diformulakan dgn betul,
model boleh menjadi benar-benar tepat dalam mewakili sistem dunia sebenar
b. model boleh menolong pembuat keputusan merumuskan masalah-masalah
c. model boleh memberi kita pemahaman dan maklumat
d. model boleh menjimatkan masa dan wang dalam membuat keputusan dan
menyelesaikan masalah. Ia selalunya mengurangkan masa, usaha, dan
perbelanjaan untuk menganalisa model
e. model mungkin hanya satu cara untuk menyelesaikan beberapa banyak atau
masalah yang kompleks dalam gaya semasa.
f. Model boleh digunakan untuk komunikasi masalah dan penyelesaian kepada yang
lain. Analisis keputusan boleh berkongsi kerjanya dgn lain-lain analisis keputusan.
Penyelesaian kpd model matematik boleh diberikan kepada pengurus dan para
eksekutif untuk menolong mereka membuat keputusan akhir.
84
GLOSARI
Model Analog : representasi / perwakilan drp satu set hubungan Cth: jangkasuhu atau meter
kelajuan dalam kereta
Simulasi Monte Carlo : Simulasi bahawa pengujian dgn elemen-elemen kebarangkalian drp
system melalui menghasilkan bilangan yang rawak untuk mencipta nilai-nilai untuk
keseluruhan elemen.
Selang/ Jeda Bilangan Rawak : julat drp bilangan rawak yang ditentukan untuk mewakilkan
hasil simulasi yang mungkin.
Bilangan/nombor rawak : bilangan / nombor yang digit/angka dipilih selengkapnya pada

rawak/sembarangan.
Simulasi : teknik analisis kuantitatif yang melibatkan pembinaan model matematik agar
mempersembahkan / mewakili situasi dunia nyata. Model itu kemudiannya diujikajikan dgn
jangkaan impak / kesan drp pelbagai tindakan dan keputusan
Model Simboliok : Perwakilan semua konsep secara matematik
TAJUK 8 : PEMODELAN KEPUTUSAN DGN SPREADSHEET
8.1 Spreadsheet Elektronik ( Lembaran Kerja )
- pengguna taip maklumat di dalam format kolum yang berasaskan struktur drp
spreadsheet perakaunan yang terdiri daripada satu pelapik kolum dan baris
- program aplikasi yang direka untuk memanipulasi data numeric
- cth: data kewangan, stok pertukaran dan rekod masa seperti Lotus 1-2-3, MS-Excell dan
Corel Quattro Pro
- aplikasi yang ideal digunakan untuk analisis data tetapi tidak sesuai untuk pengumpulan
dan pngurusan data.
- Untuk kumpul dan uruskan data, cthnya Oracle Performance Manager Data,IBM Red Brick
Warehouse atau Microsoft Business Solution Analytics
85
a) Why Electronic Spreadsheet as a DSS?
Kekuatan utama menggunakan spreadsheet seperti Excell untuk menghasilkan DSS adalah
sangat istemewa dicipta untuk mengendalikan manipulasi data numeric.
Seperti Penjana DSS , ianya membolehkan untuk intergrasi analisis data dan model analisis (
simulasi atau pengoptimaan ) di dalam buku kerja.
Excell mempunyai nombor / bilangan yang sangat besar drp fungsi yang terbina di dalamnya
untuk kewangan, statistic dan analisis numeric.
Kecekepan ini membolehkan lembaran kerja ini menjadi perkakasan penting, efisien dan
efektif untuk analisis, perancangan dan pemodelan.
Dari segi pedagogi, ianya memberikan peluang untuk melihat aplikasi praktikal untuk benyak
model dan pendekatan penyelesaian yang dipelajari sebelum ini.
8.1.1 Komponen Spreadsheet
Cell :
- ianya diwakilkan seperti antara bahagian drp kolum dan baris di dalam spreadsheet
- pengguna meletakkan data numeric atau teks dalam cell
- pengguna menulis formula menggunakan fungsi-fungsi untuk manipulasi data
- susunatur (layout) spreadsheet adalah sama seperti jadual.
a) Label, Nilai dan Formula
Label adalah di dalam cell A1, A2 dan A3

Nilai Numerik adalah B1 dan B2
Formula adalah B3 ; hasil tolak B2 drp B1
86
Cell Aktif adalah cell yang boleh dimasukkan maklumat yang dihighlight dgn sempadan warna
hitam.
Kombinasi huruf kolum dan nombor baris seperti B2 adalah Rujukan Cell
Garis nipis disekeliling cell dipanggil garisan grid
8.1.2 Data, Graf dan Carta
- berkemampuan membina carta bar dll secara automatic melalui data.
8.1.3 Menambah Formula
- formula boleh ditambahkan secara automatic dan boleh dimanipulasi bagi dihitung
secara automatic.
8.2 Latihan 1 : Simulasi
Langkah 1 : Reka Lembaran awal dan masukkan formula cell

Langkah 2 : Simulasi
Langkah 3 : Keputusan
( untuk latihan seterusnya saya tak translate sebab ianya adalah penggunaan Excell )
Add-
Add-in : program tambahan yang menambahkan arahan kebiasaan drp ciri-ciri biasa ke dalam
Microsoft Office
Add-
Add-in Deskripsi
Analisis ToolPak Menambah kewangan, statistik dan perkakasan dan fungsi analisis
kejuruteraan
Analisis ToolPak Membenarkan pembangun untuk menyiarkan kewangan, statistik
VBA dan perkakasan dan fungsi analisis kejuruteraan menggunakan
Sintaks Analisis ToolPak
Internet Assistant Membenarkan pembangun untuk menyiarkan data Excell kepada
VBA web melalui penggunaan Sintaks Pembantu Internet
Looked Wizard Mencipta formula untuk melihat ke atas data di dalam senarai
melalui penggunaan lain-lain nilai yang diketahui di dalam senarai
Solver Add-in Menghitung penyelesaian kpd scenario ‘what-if’ berdasarkan cell
yang boleh diselaraskan dan cell desakan / sekatan
87
GLOSARI
Pembolehubah Keputusan : Di dalam MDDSS , pembolehubah keputusan adalah faktor

perubahan dalam model yang ditentukan oleh pembuat keputusan. Julat yang mungkin drp
nilai untuk pembolehubah keputusan mengekang pilihan-pilihan drp pembuat keputusan.
Pencarian Sasaran : kebolehan drp permintaan perisian komputer apakah nilai-nilai tetap
pembolehubah2 yang mesti mempunyai pesanan untuk mencapai sasaran yang diingini. Ianya
adalah perkakasan yang menggunakan perhitungan iterative untuk mencari nilai yang
diperlukan dalam satu sel. Penggunaan biasa drp sifat pencarian sasaran dalam lembaran kerja
adalah menghitung kuantiti pecahan sekata
Pengaturcaraan linear : model matematik untuk penyelesaian yang optima drp sumber yang
peruntukan masalah. Adalah model biasa yg digunakan dalam MDDSS
Pangkalan Model : koleksi drp model-model kuantitatif pra-pengaturcaraan yang diuruskan

sebagai unit tunggal ( Cth: statistic, kewangan dan pengoptimuman )
MDDSS ( Model Driven DSS ) : Jenis drp DSS yang menekankan capaian kepada dan manipulasi
drp model. Statistik mudah dan perkakasan analitikal menyediakan paling banyak tahap asas
daripada kefungsiannya. Cth: statistic, kewangan dan pengoptimuman. MDDSS menggunakan
kewangan, statistic, pengoptimuman dan model kepakaran yang kompleks untuk menyediakan
sokongan keputusan. MDDSS menggunakan data dan parameter yang disediakan oleh pembuat
keputusan kpd membantu pembuat keputusan dalam menganalisa situasi, tetapi tidak selalu
data intensif/padat, pangkalan datanya besar yang selalunya tidak diperlukan untuk MDDSS.
Perkakasan Pemodelan : Program perisian yang menolong pembangun/pengguna membina

model matematik dgn cepat. Cth: Spreadsheet dan bahasa perancangan seperti IFPS
Analisis ‘What-
‘What-if’ : kebolehan drp menanya pakej perisian apakah kesan akan terjadi oleh
merubah beberapa data input atau pembolehubah tidak bersandar/ bergantung.
88
TAJUK 9 : INTELLIGENCE DECISION SUPPORT SYSTEM

( Sistem Sokongan Cerdas
Cerdas )
Pengenalan
- kegunaan teknik Kecerdasan Buatan ( Artificial Intelligence : AI ) dalam membuat

keputusan terutamanya apabila melibatkan DSS yang kompleks.
- AI dikaitkan dgn meningkatkan system sokongan keputusan terutamanya melibatkan
sekelompok peraturan, pengetahuan, data dan bentuk yang besar dalam proses
membuat keputusan.
- Ini kerana hanya kepekaran yang diperakui/ disahkan sahaja yang boleh membuat
keputusan
- AI boleh menyimpan pengalaman lalu drp kepakaran dan digunakan dalam pembuatan
keputusan masa depan, dalam pada itu system secara beransur-ansur dapat
menyediakan pembuatan keputusan yang lebih baik.
- AI menyediakan kebolehan penaakulan dan pembelajaran
- Kekuatan AI berkemampuan utk membuat peramalan / jangkaan menuruti kepada data
lampau yang luas.
9.1 Definisi dan Konsep AI (Kecerdasan Buatan ( Artificial Intelligence : AI )
Kecerdasan Buatan ( Artificial Intelligence : AI ) : adalah teknik yang membuat system atau
mesin meniru / mencontohi cara pemikiran manusia.
AI membuatkan system menjadi cerdas seperti mana yang dilakukan oleh manusia
Penyedikan AI
- cuba ditampilkan dengan teknik supaya boleh membuatkan system computer
menyerupai kecerdasan manusia
- mendapatkan secara berterusan ciri-ciri terbaik daripada kecerdasan manusia yang
boleh meniru ke dalam AI
- penyelidikan yang popular adalah robotik
89
Kelebihan AI
- lebih murah drp kecerdasan semulajadi CTH: system pakar diabetes boleh
mengurangkan tugas doktor dalam memberikan nasihat rutin kepada pesakit diabetes.
- Lebih mantap / kekal. Perubahan pekerja pakar akan menyebabkan kemusnahan
kecerdasan asal / kebiasaan dalam syarikat. Menghadapi pekerja baru mungkin tidak
mempunyai kepakaran yang sama.
- Mudah untuk menyalin pakar-pakar. Proses tranformasi drp seorang pakar kepada orang
lain memerlukan masa yang panjang.
- Boleh didokumentasikan – membenarkan proses mengesan aktiviti-aktiviti.
- Kadang-kadang boleh melaksanakan tugas-tugas tertentu lebih cepat drp yang manusia
lakukan.
- Kadang-kadang boleh melakukan/ melaksanakan tugas yang manusia tidak boleh
lakukan.
Mengapakah perlunya elemen-

elemen-elemen AI dalam implementasi DSS?
- komputer direka untuk melaksanakan tugas drp mudah kepada yang lebih komplekated,
berdasarkan keperluan manusia.
- komputer tidak mampu utk belajar drp pengalaman seperti manusia
- Apabila , keputusan dibuat, komputer tidak hanya memikir atau akses sebarang akibat
keluar daripadanya
- Sasaran AI untuk meningkatkan tingkahlaku mesin, oleh itu elemen kecerdasan boleh
ditanamkan ke dalam komputer semasa proses membuat keputusan dan penyelesaian
masalah
- komputer boleh meniru manusia melalui pengambilan ke dalam setiap akuan faktor yang
ditunjukkan kepadanya
- Penambahan AI, computer boleh belajar drp pengalaman seperti manusia dan kriteria ini
akan membantu membuat keputusan yang terbaik.
90
9.1.1 Some
Some AI Fields ( Beberapa Bidang AI )
a) Pemprosesan Bahasa Asal ( NLP : Natural Language Processing )
- teknologi yang digunakan oleh system yang membenarkan pengguna untuk

berkomunikasi dengan computer menggunakan bahasa asal seperti Bahasa Inggeris
- pengguna boleh berkomunikasi dgn computer seperti berkomunikasi dgn individu lain
- NLP dicipta untuk menyelesaikan masalah pengguna dalam menghadapi cara perlakuan
yang sukar dengan pelbagai istilah, sintaks dan arahan yang diperlukan oleh computer
- Kajian NLP dibahagikan kepada 2 bahagian:
i) kaedah penyiasatan ke atas bagaimana computer boleh memahami arahan-arahan

yang diberikan dalam Bahasa Inggeris Standard
ii) mencipta computer yang menghasilkan ouput dalam Bahasa Inggeris yang biasa, oleh
itu manusia boleh memahami arahan-arahannya dengan mudah
b) Speech Recognition ( Pengecaman Pertuturan )

- menyediakan kemampuan computer untuk mengecam dan memahami bahasa pertuturan
yang melibatkan suara
- system mestilah mampu untuk mengecam pertuturan seseorang dan bertindakbalas
kepada arahan suara
- teknologi ini digunakan dalam pelbagai bidang seperti latihan perubatan untuk
membantu manusia yang hilang pendengaran atau apabila menggunakan katalaluan
dalam aplikasi computer, di mana system akan melihat kepada frekuensi sebenar drp
suara pengguna
- pengecaman pertuturan juga digunakan dalam telefon bimbit, di mana hanya perlu
menyebut nama indivudu yang ingin dipanggil.
c) Expert System ( Sistem Pakar )
- system ini menyimpan kepakaran manusia seperti pengetahuan drp kepakaran tertentu.
- System akan berinteraksi dgn pengguna untuk mendapatkan maklumat dan
menyelesaikan masalah berdasarkan ke atas pengetahuan.
- Rekabentuk system pakar yang terbaik ialah ianya boleh meniru proses pemikiran pakar
semasa menyelesaikan masalah spesifik, contohnya MyCIN ( program interaktif yang
mendiagnosis kesan penyakit tertentu, menentukan terapi antimicrobial dan boleh
menerangkan sebabnya dengan terperinci.
91
d) Fuzzy Logic ( Logik Kabur )
- teknik ini membincangkan dgn kesamaran drp fakta.

- Membincangkan dgn ketidakpastian melalui simulasi proses kuantitatif pemikiran
manusia, membenarkan computer untuk tingkah laku yang kurang secara jelas dan logik
lebih daripada mengalami logik asas nilai ‘true’ atau ‘false’
- Selanjutnya drp Boolean true/false
- Ini akan menokok fakta menjadi betul secara sebahagian atau salah sebahagiannya.
e) Neural Computing ( Pengiraan Saraf )
- menyediakan satu system kecerdasan yang menggunakan arkitektur yang meniru

kefungsian otak manusia dalam terma kemampuan memproses melalui
mentransformasikan ke dalam model matematik.
- Keputusan drp perwakilan pengetahuan dan pemprosesan adalah berdasarkan proses
perbandingan yang amat besar lebih drp proses jujukan tradisional
- Mempunyai kemampuan utk mendapatkan semula amaun yang besar drp maklumat dan
untuk mengecam bentuk berdasarkan pengalaman system akan boleh meniru
manusia
- Nilai neural computing adalah fakta kegunaan drp bentuk pengecaman , pembelajaran,
kesilapan kesabaran/toleren, generalisasi, kebolehsesuaian, kemampuan peramalan, dan
interpretasi input yang tidak lengkap.
f) Intelligent Agent ( Agen/Wakil Kecerdasan)
agen program yang akan dibebaskan kepada persekitaran ( seperti rangkaian ) untuk
melakukan tugas tertentu secara automatik.
- kriterianya ialah autonomous ( autonomi ) , ianya bekerja bagi pihak pengguna.
Cth: program anti virus
92
Antivirus program yang dilarikan dalam sistem komputer ; semasa ianya dilarikan ia
menangkap/ mengesan sesuatu.
- agen kecerdasan bersesuaian untuk persekitaran yang melibatkan pertukaran maklumat

atau data yang cepat
- adalah kebanyakannya keterbatasan kritikal drp internet yang sesuai drp berlebihan
maklumat dan ianya memudahkan perdagangan internet.
Penggunaan teknik agen kecerdasan dalam DSS akan membekalkan maklumat terkini, yang
akan menghasilkan keputusan yang baik untuk membuat keputusan. Beberapa lingkungan drp
agen kecerdasan adalah:
i. penemuan dan pengemudian maklumat terutamanya pencarian maklumat daripada

internet
ii. agen kecerdasan digunakan untuk menyokong pengetahuan pekerja semasa
membuat keputusan
iii. pencarian dan penemuan. Tugas yang kompleks dan rutin drp pendapatan maklumat
drp internet akan boleh diwakilkan kepada agen-agen.
iv. Menyebarkan kepakaran domain, di mana agen pakar dalam domain tertentu boleh
berunding di antara mereka sendiri dalam arahan utk membuat keputusan
9.2 Bagaimana AI Digunakan Dalam DSS
Kawasan Yang Penerangan

Mungkin
Menyokong - AI berguna utk menyokong analisis ketidakpastian
Ketidakpastian - Digunakan utk meramalkan keadaan tidak pasti menurut kpd
kepakaran atau amaun yang besar drp data lalu
- Logic fuzzy kepada pengkomputer rangkaian saraf adalah teknik AI
yang berguna utk pakar peramalan ketidakpastian
- Kini, ketidakpastian adalah satu sifat utama drp persekitaran bisnes
moden semasa
- Meramal pembolehubah yang mempengaruhi harga kongsian dalam
pasaran saham yang menggunakan AI untuk analisis ketidakpastian
Menyokong - peranan utama dalam melaksanakan DSS
Antaramuka - penggunaan AI seperti pemproses bahasa asal atau teknologi suara
Pengguna pastinya membuatkan antaramuka lebih mudah dan semulajadi.
- Menambahkan ketepatan mendapatkan data yang berkaitan kepada
isu-isu berisiko tinggi spt jenayah melalui penggunaan ibu jari
- Dlm situasi ini penggunaan bentuk pengecaman adalah penting
93
Kawasan Yang Penerangan

Penerangan
Mungkin
Membuat DSS AI digunakan untuk menyokong pembinaan, penyimpanan dan
Cerdas pengurusan model-model dalam pelbagai model DSS – kaedah ini
akan meningkatkan kemampuan model-model berdasarkan system
pengurusan
Menyokong AI juga boleh digunakan utk menyokong langkah dalam proses
Proses keputusan yang tidak dialamatkan oleh matematik. Cth: melibatkan
Keputusan pelbagai ciri untuk melibatkan data input yang bersesuaian yang
diperlukan oleh kepakaran.
9.3 Sistem Pakar
Kepakaran individu dgn kemahiran atau pengetahuan khusus yang akan memberi
pengetahuannya kepada system dengan itu system akan memikir seperti manusia apabila
membuat keputusan.
9.3.1 Arketektur Umum Sistem Pakar : Sistem Berdasarkan Pengetahuan
- dibahagikan kepada ke dalam 2 persekitaran utama :

i. persekitaran pembangunan
ii. persekitaran perundingan ( consultation )
94
a) Persekitaran Pembangunan
- pengetahuan didapati daripada pakar serentak dgn lain-lain maklumat yang
didokumentasikan akan dipindahkan kepada set peraturan oleh jurutera pengetahuan.
- Peraturan akan disimpan dalam pangkalan pengetahuan
b) Pangkalan Pengetahuan
- mengandungi peraturan drp pakar seperti fakta yang berkaitan kepada masalah domain.
c) Enjin Penyimpulan
- digunakan untuk mentadbir peraturan dalam pangkalan pengetahuan semasa proses
membuat keputusan
- enjin akan tadbir peraturan menuruti kepada fakta yang diberikan oleh pengguna dan akan
keluar dengan rumusan
d) Jurutera Pengetahuan
- individu yang memindahkan pengetahuan daripada pakar dan juga daripada maklumat yang
didokumentasikan ( buku dan artikel) kepada peraturan dan fakta yang akan disimpan dalam
pangkalan pengetahuan
e) Persekitaran Perundingan
- pakar dalam masalah domain spesifik akan membantu bukan pakar atau pengguna sasaran.
- perkhidmatan penjelasan akan menjelaskan dgn lebih lanjut secara terperinci bagaimana
system menghasilkan penyelesaian yang biasa.
- Interaksi antara pengguna akhir dan system akan berlaku melalui antaramuka
f) Proses Pembangunan
- diikuti oleh proses pembangunan prototaip pantas semasa pembangunannya
9.3.2 Aplikasi Sistem Pakar
Aplikasi Penerangan
R1/XCON - dibangunkan oleh John McDermott pada lewat 70’an
- utk menolong dalam mensetkan konfigurasi dalam system computer
VAX di Digital Equipment Corporation
MYCIN - digunakan dipersekiataran perubatan menggunakan bahasa
pemprograman LISP oleh Edward Shortliffe
- mendiagnosis jangkitan dalam penyakit darah
E-Paddy - system diagnosis dan penasihat dibangunkan oleh sekumpulan
penyelidik di UKM
- system yang meliputi penyakit padi dan diagnosis kawalan perosak
ke atas tanaman padi
95
Kategori Generik Drp Sistem Pakar
Kategori Tanda / Kedudukan Masalah

Interpretasi penerangan situasi campur tangan daripada pengamatan
Ramalan membuat kesimpulan yang mungkin kesan drp keadaan yang
diberikan.
Diagnosis sistem penyimpulan salah fungsian daripada pemerhatian
Rekabentuk Menyusun atur objek-objek dibawah desakan
Perancangan Membangunkan perancangan untuk mencapai sasaran
Pengawasan membanding pengamatan untuk pelan, melemahkan
pengecualian
Pembetulan Menetapkan penawar untuk salah fungsian
Baiki Melaksanakan pelan untuk pentadbir menolak penawaran
Arahan/Pengajaran diagnosis, membetulkan dan memeriksa pencapaian.
Kawalan Interpretasi, meramal, membaiki dan mengawal tingkahlaku
sistem
9.4 Machine Learning (ML) Mesin Pembelajaran
- membenarkan mesin-mesin untuk belajar atau memperoleh pengetahuan daripada

pengalaman seperti data historical
- DSS dgn ML meniru keputusan terbaik cadangan manusia menuruti kepada pengalaman
lepas.
- DSS terbaik menyediakan keputusan yang betul dan mempengaruhi keputusan yang
betul untuk pengguna
Terdapat 2 jenis ML;
a). Supervised Learning ( Pembelajaran Yang DiAwasi ) : menunjukkan proses drp pembelajaran
yang meransang pengetahuan daripada set data, yang hasil akhirnya adalah diketahui
b). Unsupervised Learning ( Pembelajaran Yang Tidak DiAwasi ) : digunakan untuk

memperolehi pengetahuan daripada set data, yang hasil akhirnya tidak diketahui.
96
Taksonomi Kaedah Pembelajaran:
a. Pembelajaran Induktif
b. Pemikiran Berasaskan Kes
c. Pengiraan Saraf
d. Algoritma Genetik
e. Kluster ( Pengelompokan )
f. Kaedah Statistik
9.5 Rangkaian Saraf Buatan/Tiruan ( ANN : Artificial Neural Network )
- satu drp teknik-teknik AI yang boleh menyokong membuat keputusan

- datangnya daripada tempoh biological, yang merupakan koleksi drp sel saraf yang
membentuk sel otak manusia
- adalah digunakan dalam bentuk pengecaman, generalisasi dan peramalan
- dilatih melalui memaparkan contoh-contoh data atau data historikal secara berulang.
9.5.1 Komponen
Komponen Asas ANN
- mewakili beberapa saling kaitan perceptron mudah sebagai satu prosedur

mengkomputer selari
- setiap perceptron ( dirujuk kpd ‘nod’ atau ‘neuron’ ) dan hanya boleh dikaitkan dengan
isyarat yang dihantarnya kepada, dan iyarat yang diterimanya drp perceptron lain.
- Setiap perceptron bekerjasama dengan perceptron lain dalam rangkaian yang luas untuk
melaksanakan tugas yang diperlukan
- Cth : di dalam kawasan bisnes, rangkaian saraf boleh digunakan untuk menolong
memutuskan sama ada calon-calon diluluskan untuk pinjaman bank atau ramalan stok
harga pasaran.
a) Perceptron
Perception Tunggal dalam rangkaian sel saraf menerima beberapa isyarat seperti input
daripada perceptron lain yang disambungkan sama seperti menghantar iyaratnya kepada
perceptron lain dalam rangkaian seperti output. Bagi setiap unit input dalam perceptron (
termasuklah biasan) akan menjadi sepadan dengan pemberat (weight )
97
b) Activation Functions ( Pengaktifan Fungsian )
- akan menentukan isyarat output drp sel saraf

- isyarat output dihitung dihantar kepada sel saraf yang lain seperti input
- ouput akhir boleh jadi nombor nyata atau nombor nyata bersama-sama dengan sela
toleransi ( tolerance interval ) : [ 0 – 1 ] ; atau nombor diskret { 0,1 }, atau { -1, +1 }
- Cth: binary threshold function.
c) Peraturan Pembelajaran untuk membiasakan Pemberat
- mestilah dilatih bagi membiasakan pemberat, yang bermakna rangkaian dihitung

pemberatnya , oleh itu output yang diingini adalah seperti menutup output sebenar
- melatih perceptron memerlukan untuk mengubahsuai pemberat setiap masa perhitungan
dilakukan.
d) ANN dan Klasifikasi
e) Perceptron Pelbagai Lapisan
- sekurang-kurangnya 3 lapisan drp sel saraf ( neuron) : lapisan input dgn unit input,
lapisan tengah juga dikenali lapisan tersembunyi, dan lapisan output dgn unit output
- Unit Input mengambil input terus drp persekitaran seperti papan kekunci, pengesan
dsbnya
- Unit output menghantar output terus kepada persekitaran, manakala lapisan tengah atau
lapisan tersembunyi terdiri drp unit tersembunyi dan tidak secara terus disambungkan
kepada persekitaran
- Setiap neuron disambungkan kepada neuron lain dalam lapisan bersebelahan.
98
9.5.2 Contoh-
Contoh-Contoh Aplikasi menggunakan Teknik ANN
- ANN tidak seperti Sistem Pakar DSS

- Adalah teknik drp AI yang ditanam DSS – sebahagian drp model DSS
Beberapa kawasan masalah di mana ANN digunakan:
a. Menangkap (capture) Fakta Tersembunyi atau Bentuk
- popular dalam lombong data ( data mining ) utk meningkatkan proses menjumpai fakta
tersembunyi atau bentuk daripada simpanan data amat besar
- amat berguna kepada organisasi dalam proses membuat keputusan
b. Membuat Ramalan
- ANN juga digunakan untuk membuat ramalan, membuat keputusan menggunakan data mining
dalam pelbagai kawasan / bidang seperti perubatan, bisnes dan pengangkutan
c. Proses Kelulusan
- ANN juga digunakan dalam proses kelulusan aplikasi kad kredit

- Aplikasi ini mampu utk mengesan sebarang penipuan yang akan dilakukan oleh pemegang kad
- Adalah tidak mudah untuk mengesan penipuan kerana maklumat pengguna amat besat disimpan
dalam pangkalan data yang besar
- ANN digunakan utk meningkatkan proses utk mengesan penipuan-penipuan melalui
mendapatkan bentuk tersembunyi dan menilaikannya dgn maklumat yang disimpan dalam
pangkalan data
- ANN amat berupaya dalam mengendalikan data besar
Penggunaan ANN dalam proses kelulusan adalah:
i. digunakan dalam membuat keputusan penilaian aplikasi pinjaman

ii. digunakan untuk menilai personnel dan calon kerja melalui padanan data personel dgn
keperluan kerja dan kriteria pelaksanaan
iii. digunakan pengesahan tandatangan melalui pemadanan dgn tandatangan sebelumnya
d. Kelasifikasi Drp Data Kompleks
- cth: ANN digunakan dalam Projek Genom Manusia untuk menklaskan DNA badan manusia – ANN
digunakan untuk analisis data mengklaskan gen drp jujukan DNA
99
GLOSARI
Artificial Intelligence ( AI ) : cawangan daripada Sains komputer yang cuba atur cara komputer
memberikan respons seolah-olah industri-industri ini pemikiran ; berkebolehan reasoning,
Menyesuaikan kepada situasi yang baru Dan kemahiran baru pembelajaran
Sistem Pakar : satu SISTEM dengan kepakaran penyelesaian masalah yang khusus.Kepakaran itu terdiri
pengetahuan tentang keterangan domain, pemahaman daripada masalah di dalam domain tersebut
dan kemahiran pada penyelesaian daripada beberapa masalah tersebut.Satu sistem pakar ialah suatu
kelas dari program komputer yang dibuat oleh penyelidik-penyelidik di kecerdasan tiruan.
Fuzzy Logic ( Logik Kabur ) : sebahagian drp kecerdasan tiruan dalam mana hubungan logik analisis
komputer yang mana lebih atau kurang kebenarannya ,
berbeza kepada logik yang biasa di mana hubungan adalah lebih rapuh.
ia adalah tambahan drp teknologi system pakar yang mana peraturan-peraturan itu boleh dgn tidak
tepat. Dgn logik fuzzy ( kabur ) ahli-ahli drp set mempunyai darjah drp keahlian yang julat drp 0-100%.
Cth: kenyataan ‘hari ini adalah terang dgn sinaran matahari’ , mungkin 100% betul jika tiada awan , 80%
betul jika terdapat sedikit awan, 50% betul jika berjerubu, dan 0% betul jika hujan sepanjang hari.
Algoritma genetik : adalah satu heuristik yang digunakan untuk mengetahui anggaran penyelesaian
kepada kesukaran untuk menyelesaikan masalah melalui penerapan/ aplikasi daripada prinsip-prinsip
biologi berevolusi dengan komputer sains.
Enjin Penyimpulan adalah sebahagian drp sistem pakar berdasarkan peraturan yang membuat
kesimpulan atau membuat keputusan yang logik. Enjin pembuat kesimpulan cuba memperolehi
jawapan drp pangkalan pengetahuan daripada.Ianya ialah otak sistem pakar yang menyediakan
perkaedahan untuk pemikiran tentang maklumat dalam pangkalan pengetahuan dan bagi membuat
kesimpulan.
Pangkalan Pengetahuan : pengetahuan yang di enkod bagi satu sistem pakar.Dalam sistem pakar
berasaskan peraturan, satu pangkalan pengetahuan biasanya digabung definisi drp sifat-sifat dan
peraturan bersama-sama dengan maklumat kawalan.
Jurutera Pengetahuan : pakar AI yang bertanggungjawab ke atas bidang teknikal dalam membangunkan
suatu sistem pakar.Jurutera Pengetahuan bekerja rapat dengan pakar domain untuk mendapatkan
pengetahuan pakar pangkalan pengetahuan.
Mesin Pembelajaran : keupayaan sebuah mesin untuk memperbaiki prestasinya berdasarkan

keputusan/ hasil yang sebelumnya.
Rangkaian Saraf ( Neural Network ) : rangkaian saraf merupakan pemodelan teknik analitik selepas
proses daripada pembelajaran dalam sistem kognitif dan fungsi neurologi pada otak.Rangkaian saraf
menggunakan satu set data latihan untuk membina peraturan-peraturan yang boleh membuat ramalan
atau pembezaan set data.
100

NOTA Versi BM MODUL CBSS4103 - Bab1 - Bab 9 Sistem Sokongan Keputusan

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

NOTA Versi BM MODUL CBSS4103 - Bab1 - Bab 9 Sistem Sokongan Keputusan

Diunggah oleh

Hak Cipta:

Format Tersedia

CBSS4103 SISTEM SOKONGAN KEPUTUSAN

NOTA CBSS 4103

SEMESTER SEPTEMBER 2007

TAJUK 1 : HUMAN AND MANAGERIAL DECISION-

1.1 Pengenalan Kpd Pembuatan Keputusan

Setiap keputusan dibina oleh:

Membuat Keputusan bermaksud :

Turban, 2005 : Proses daripada kewarasan dikalangan alternatif-alternatif yang dapat

Arsham, H., 2005 : model/contoh/jenis membuat keputusan mungkin membenarkan untuk

Alternatif : keputusan yang wujud boleh di bina / buat

2. Perbezaan antara Decision Whether dan Contingent Decisions?

1.2 Pengurus dan Pembuatan Keputusan

Minztberg, 1980 : pengurus melaksanakan 10 peranan yang boleh diklasifikasikan kpd 3

Spokesperson Menyebarkan maklumat kepada pihak-pihak luar tentang polisi-

Keputusan boleh diklasifikasikan selaras dgn tingkat organisasi

Operational control ( Kawalan Operasi ) dikaitkan dengan keberkesanan

Operational performance ( Pelaksanaan Operasi ) melibatkan pembuatan keputusan hari ke hari

1.3 Proses Pembuatan Keputusan

Simon (1960), proses terdiri daripada tiga fasa : intelligence (kepintaran),

a. sifat semulajadi keputusan mungkin memerlukan pembuat keputusan utk menyediakan

1.3.1 Fasa Intelligence ( Fasa Kecerdasan )

- mulakan fasa kecerdasan dengan mengenalpastinya matlamat organisasi dan objektif

(b) Classify Problem ( Mengkelaskan Masalah )

- utk mengkelaskan masalah ke dalam kategori yang boleh ditakrifkan

(c) Decompose Problem ( Penguraian Masalah )

- utk mengawal masalah yg kompleks, masalah perlu dibahagikan kpd sub-masalah

(d) Establish Problem Ownership ( Buktikan Pemilik Masalah )

Fasa ini berakhir dengan kenyataan masalah formal (formal

- Sekiranya pembuat keputusan organisasinya tidak mampu utk menyelasaikan masalah,

1.3.2 Fasa Reka Bentuk

- melibatkan membangunkan dan menganalisis haluan yg boleh berlaku daripada aksi

a. Bina Model Sistem

Model Sistem : memudahkan gambaran atau memisahkan sistem atau masalah

i. Keputusan Berubah ( Decision Variables ) : menjelaskan alternatif-alternatif pembuat

Proses pemodelan akan menentukan pembolehubah dan mengukuhkan hubungan di antara

menentukan criteria dlm menerima pendekatan penyelesaian

d. Meramal dan Mengukur Hasil

1.3.3 Fasa Pilihan :

Mereka bentuk DSS yang berjaya;

Mengkelaskan bentuk keputusan menggunakan dua bahagian komponen iaitu Kerumitan

1.5 Keberkesanan Keputusan : merujuk kepada keberhasilan dalam menghasilkan keputusan

Decision Forces ( Daya / kuasa Keputusan ):

(a) Personal and Emotional Forces ( Daya Emosi dan Personal )

- terdiri drp perasaan, kesihatan, keselamatan, penghargaan, kekecewaan, kebimbangan,

(b) Economic/Environmental Forces ( Daya Persekitaran / Ekonomi )

(d) Contextual and Emergent Forces ( Kuasa Baru dan Mengikut

Utk memperoleh keputusan yg efektif, pembuat keputusan mestilah mengimbangi kuasa-

(i) Tradition and Bias ( Tradisi dan Berat sebelah )

(ii) Lack of Knowledge ( Kekurangan Pengetahuan )

Unstructured ( Tidak Berstruktur ) : keputusan bermatlamat pada masalah-masalah kelihatan

Semi-structured ( Semi Berstruktur ): Penyelesai keputusan kombinasi drp masalah berstruktur

1.7 Proses Pembuatan Keputusan vs Sokongan DSS

meneroka perspektif yang berbagai daripada konteks keputusan

Penerangan Sokongan DSS:

(a) Menyokong kpd Fasa Kecerdasan

• mengenalpasti masalah dan peluang

(b) Menyokong kepada Fasa Reka bentuk

• menghasilkan alternatif / pilihan

(c) Menyokong kpd Fasa Pilihan

Untuk mengenalpasti alternatif / pilihan yang memuaskan

2.1 : Konsep DSS

Moore dan Chang (1980):

Bonczek et al. (1980) :