TUGAS INDIVIDU MATA KULIAH

SISTEM PENUNJANG KEPUTUSAN DAN INFORMASI

EKSEKUTIF

Review Buku
REVIEW DECISION SUPPORT AND BUSINESS INTELLIGENCE SYSTEM 9th
Edition; Chapter II, III
By Efrain Turban, Ramesh Sharda, Dursun Delen
&
REVIEW MANAGEMENT INFORMATION SYSTEM 10 Edition; Chapter 10
By James A. OBrien, George M. Marakas

Oleh:

Bayu Indrayana P056120052.41E

PROGRAM PASCASARJANA MANAJEMEN DAN BISNIS

INSTITUT PERTANIAN BOGOR
2013
 DAFTAR ISI

REVIEW DECISION SUPPORT AND BUSINESS INTELLIGENCE SYSTEM 9th

Edition ................................................................................................................................... 1
BAB II Pembuatan Keputusan, Sistem, Pemodelan, dan Dukungan .............................. 1
(Decision Support, Systems, Modeling, and Support) .......................................................... 1
2.1 Pendahuluan dan Definisi ........................................................................................ 1
2.2 Model Keputusan ..................................................................................................... 2
2.3 Fase Proses Pembuatan Keputusan .......................................................................... 4
2.4 Pembuatan Keputusan: Fase intelijen ...................................................................... 4
2.5 Pembuatan Keputusan: Fase Disain ......................................................................... 4
2.6 Pembuatan Keputusan: Fase Pemilihan ................................................................... 5
2.7 Pembuatan Keputusan: Fase Implementasi ............................................................. 5
2.8 Bagaimana Keputusan Didukung ............................................................................ 5
BAB III Pendukung Keputusan Konsep Sistem , Metodologi , dan Teknologi : An
Overview ................................................................................................................................ 8
(Decision Support Systems, Concept, Methodologies, and Technologies: An Ovweview) . 8
3.1 Konfigurasi DSS ...................................................................................................... 8
3.2 Deskripsi DSS .......................................................................................................... 9
3.3 Karakteristik DSS dan Kemampuan ...................................................................... 10
3.4 Komponen DSS ..................................................................................................... 14
3.5 Data manajemen subsistem .................................................................................... 16
3.6 Model Manajemen subsistem ................................................................................ 18
3.7 User Interface (Dialog) Subsystem ........................................................................ 19
3.8 Knowledge-Based Management Subsystem. .......................................................... 22
3.9 Pengguna DSS ....................................................................................................... 22
3.10 Perangkat keras DSS .............................................................................................. 23
3.11 DSS Modeling Language: Planners Lab ................................................................ 23
REVIEW MANAGEMENT INFORMATION SYSTEM 10 Edition By James A.
OBrien, George M. Marakas............................................................................................ 25
BAB 10 SUPPORTING DECISION MAKING............................................................... 25
A. PENDUKUNG KEPUTUSAN DALAM BISNIS .................................................... 25

ii
 10.1 Kualitas Informasi .............................................................................................. 27
10.2 Struktur Keputusan ............................................................................................. 27
10.3 Tren Pendukung Keputusan ............................................................................... 29
10.4 Sistem Informasi Manajemen............................................................................. 30
10.5 Pemrosesan Analisis Online ............................................................................... 31
10.6 Sistem Pendukung Keputusan ............................................................................ 32
10.7 Komponen DSS .................................................................................................. 33
10.8 Sistem Visualisasi dan Informasi Geografis ...................................................... 34
10.9 Penggunaan Sistem Pendukung Keputusan ....................................................... 34
10.10 Analisis Jika-Maka ......................................................................................... 34
10.11 Analisis Sensitivitas........................................................................................ 35
10.12 Analisis Pencarian Sasaran ............................................................................. 35
10.13 Analisis Optimisasi ......................................................................................... 36
10.14 Sistem Informasi Eksekutif ............................................................................ 36
10.15 Sistem Manajemen Pengetahuan .................................................................... 36
B. KECERDASAN BUATAN DAN TEKNOLOGI DALAM BISNIS ....................... 36
10.16 Ruang Lingkup Kecerdasan Buatan ............................................................... 37
10.17 Sistem Pakar (Expert System) ........................................................................ 39
10.18 Pengembangan Sistem Pakar .......................................................................... 40
10.19 Jaringan Saraf Tiruan (Neural Network) ........................................................ 40
10.20 Logika Fuzzy .................................................................................................. 41
10.21 Algoritma Genetika ........................................................................................ 41
10.22 Realita Virtual ................................................................................................ 41

iii
 REVIEW DECISION SUPPORT AND BUSINESS INTELLIGENCE SYSTEM 9th
Edition
By Efrain Turban, Ramesh Sharda, Dursun Delen

BAB II Pembuatan Keputusan, Sistem, Pemodelan, dan Dukungan

(Decision Support, Systems, Modeling, and Support)

Tujuan Pembelajaran untuk Bab 2

1. Memahami dasar konseptual pembuatan keputusan
2. Memahami empat fase Simon pengambilan keputusan : inteligensi, desain , pilihan ,
dan implementation
3. Memahami konsep rasionalitas dan dampaknya terhadap pembuat keputusan
4. Memahami pembuatan, definisi , dan kemampuan dari Decision Support Systems
keputusan ( DSS ) dan business intelligence (BI)
5. Menggambarkan komponen DSS dan level teknologi
6. Menggambarkan berbagai jenis DSS dan menjelaskan penggunaannya
7. Menjelaskan pentingnya database dan database manajemen
8. Menjelaskan pentingnya model dan model manajemen

2.1 Pendahuluan dan Definisi

Lingkungan bisnis yang cepat berubah sering membutuhkan keputusan cepat, yang
sebenarnya bisa merugikan kualitas keputusan. Biaya tinggi dan waktu yang lama dalam
mengumpulkan informasi serta menganalisis masalah. Sulitnya menentukan kapan harus
berhenti dan membuat keputusan, mungkin kurangnya informasi yang cukup untuk
membuat keputusan cerdas, dan sebaliknya kemungkinan ketersediaan terlalu banyaknya
informasi (information overload).

Aspek dari pembuatan keputusan yang penting untuk dimengerti agar dapat
mengembangkan dukungan komputer yang efektif meliputi hal berikut ini:
a. Karakteristik dari pembuatan keputusan, seperti groupthink, experimentation, dan
information overload.
b. Decision styles dari para pembuat keputusan.
c. Tujuan dari para pembuat keputusan.
d. Disiplin keilmuan pendukung, gaya dan bagaimana mereka berhubungan dengan
karakteristik pribadi dari pembuat keputusan, dan sifat keterlibatan kelompok dalam
keputusan.
e. Rasionalitas pembuat keputusan. Seorang pembuat keputusan seharusnya tidak
hanya menerapkan alat teknologi informasi secara sporadis. Sebaliknya, pembuat

1
 keputusan mendapat dukungan melalui pendekatan rasional yang menyederhanakan
realitas dan menyediakan cara yang relatif cepat dan murah mempertimbangkan
berbagai program alternatif tindakan untuk tiba di terbaik atau solusi yang baik
untuk masalah ini.

Meidentifikasi persamaan dan perbedaan antara membuat keputusan individu versus

kelompok dijelaskan sebagai berikut:
a. Pengambil keputusan individu membutuhkan akses data dan para ahli yang dapat
memberikan saran, sementara basis kelompok membutuhkan alat kolaborasi dalam
berkomunikasi satu dengan yang lainnya.
b. Seringnya pertentangan tujuan dalam pengaturan pengambilan keputusan kelompok,
tetapi tidak dalam basis individu.
c. Kelompok dapat menjadi ukuran variabel, mungkin termasuk orang-orang dari
departemen yang berbeda, atau bahkan dari organisasi yang berbeda. Individu
dalam berkolaborasi mungkin memiliki gaya kognitif, tipe kepribadian, dan gaya
pengambilan keputusan yang berbeda. Beberapa friksi terjadi, sedangkan hal lain
dapat saling membantu.
d. Konsensus dapat menjadi masalah politik yang sulit dalam pengambilan keputusan
kelompok, yang tidak menjadi masalah dalam pengambilan keputusan individu.

Untuk alasan tersebut, pembuatan keputusan kelompok dapat lebih rumit daripada
membuat keputusan individu.

Dalam perbedaan konsep antara pengambilan keputusan dan pemecahan masalah,

beberapa orang menganggap pengambilan keputusan sebagai tiga langkah pertama dalam
pemecahan masalah. Sedangkan pihak lainnya menggunakan istilah secara bergantian.
Mereka yang membedakan menganggap bahwa pengambilan keputusan merupakan proses
pembuatan rekomendasi, sedangkan pemecahan masalah meliputi pelaksanaan rekomendasi
dan mungkin memantau dampaknya untuk menentukan apakah atau tidak masalah telah
dipecahkan. Sebagian ahli pada subjek tersebut tidak setuju untuk membedakan antara dua
konsep itu.
Gaya pengambilan keputusan adalah cara dimana seorang pengambil keputusan
berpikir dan bereaksi terhadap masalah. Hal ini penting untuk mempertimbangkan karena
gaya keputusan yang berbeda membutuhkan berbagai jenis dukungan.

2.2 Model Keputusan

Kategori model yang dapat berguna dalam bisnis meliputi model ikonik (skala, fisik),
model analog, model mental, dan model matematik (kuantitatif). Keuntungan model
matematika dalam pembuatan keputusan adalah sebagai berikut di bawah ini,

2
a. Model manipulasi (mengubah variabel keputusan atau lingkungan) jauh lebih
mudah daripada memanipulasi sistem nyata. Eksperimentasi adalah mudah dan
tidak mengganggu operasi harian organisasi. Matematika model menggambarkan
parameter mereka dalam bentuk angka-angka di atas kertas atau data dalam
komputer, yang dapat diubah dengan mudah tanpa mempengaruhi operasi dari
sistem nyata.
b. Model memungkinkan kompresi waktu. Tahun beroperasi dapat disimulasikan
dalam hitungan menit atau detik waktu komputer. Bagian kedua dari pernyataan ini
adalah khusus tentang model matematika. Namun, jenis lain dari model
memungkinkan kompresi waktu juga. Sebagai contoh, sebuah model mental yang
mengatakan "jika aku makan makanan ini, saya akan mendapatkan reaksi alergi"
mengarah ke keputusan untuk menghindarinya jauh lebih cepat, serta lebih
menyakitkan, selain itu akan mencicipi.
c. Biaya analisis pemodelan jauh lebih sedikit daripada biaya percobaan serupa yang
dilakukan pada sistem nyata. Hal ini karena model ini biasanya lebih murah
daripada sistem nyata, kompresi waktu mengurangi biaya waktu-terkait seperti
personel, dan bisnis tidak menjalankan risiko operasi gangguan sementara alternatif
diselidiki dalam model.
d. Biaya rendah selama percobaan trial-and-error jika model yang digunakan. Hal ini
karena kesalahan hanya mempengaruhi model sja, bukan sistem yang berjalan.
e. Lingkungan bisnis melibatkan ketidakpastian. Dengan pemodelan, manajer dapat
memperkirakan risiko dari tindakan-tindakan tertentu. Model matematika
memungkinkan pengambil keputusan untuk memvariasikan parameter seperti
tingkat inflasi, harga minyak atau pertumbuhan permintaan; untuk mencerminkan
semua skenario masa depan yang menarik.
f. Model matematika memungkinkan analisis yang sangat besar, kadang-kadang tak
terbatas, jumlah solusi yang mungkin. Bahkan dalam masalah sederhana, manajer
sering memiliki sejumlah besar alternatif dari yang untuk memilih. Manfaat ini
secara eksplisit tentang model matematika.
g. Model meningkatkan dan memperkuat pembelajaran dan pelatihan. Pengoperasian
model matematika dapat diamati dan dikaji, variabel berubah untuk melihat efek
dari perubahan tersebut, dan kesalahan sengaja dibuat untuk belajar bagaimana
memperbaikinya.
h. Model dan metode solusi yang tersedia melalui Web. Kebanyakan model yang
tersedia melalui Web adalah model matematika.
i. Ada banyak applet Java dan program web lainnya yang siap memecahkan model.
Hal ini berlaku dari model matematika, tetapi umumnya bukan dari jenis lain.

3
2.3 Fase Proses Pembuatan Keputusan

Empat fase Simon (1977) mengenai pengambilan keputusan adalah intelijen, desain,
pemilihan, dan implementasi. Fase intelijen meliputi pengumpulan informasi dengan
memeriksa realitas, kemudian mengidentifikasi dan mendefinisikan masalah. Pada fase
ini kepemilikan masalah juga harus terbentuk. Desain terdiri dari penentuan alternatif
dan evaluasi. Jika evaluasi memerlukan pembangunan model, maka dilakukan pada fase
ini juga. Fase pemilihan meliputi pemilihan solusi tentatif dan menguji validitasnya.
Fase implementasi keputusan menjalankan solusi yang terpilih.

Masalah yang yang terjadi sepanjang proses pembuatan keputusan adalah perbedaan
negatif yang terjadi diantara para pembuat keputusan. Hal ini dapat diakibatkan dari
perubahan dalam ekspektasi pembuat keputusan atau dari perubahan situasi.

2.4 Pembuatan Keputusan: Fase Intelijen

Masalah timbul dari ketidakpuasan terhadap sesuatu hal yang terjadi. Ini merupakan
perbedaan atau kesenjangan antara apa yang diinginkan dengan apa yang terjadi. Gejala
adalah bagaimana masalah memanifestasikan dirinya. Contoh bisnis: harga tinggi
(masalah) dan tingkat persediaan yang belum terjual tinggi (gejala). Lain adalah varians
kualitas pada produk (gejala) dan buruk dikalibrasi atau usang manufaktur peralatan
(masalah).

Klasifikasi masalah memungkinkan pengambil keputusan untuk menggunakan alat-

alat yang telah dikembangkan untuk menangani masalah dalam kategori tersebut,
bahkan mungkin termasuk pendekatan solusi standar.
Dekomposisi masalah berarti membagi masalah yang kompleks menjadi bagian
yang lebih detil. Penetapan kepemilikan masalah (problem ownership) sangat penting
dalam proses pengambilan keputusan. Pemecahan masalah tidak dapat diselesaikan
sampai tanggung jawab kepemilikan ditetapkan.

2.5 Pembuatan Keputusan: Fase Desain

Optimasi mengacu pada yang "terbaik". Untuk mencapai itu, semua alternatif harus
dipertimbangkan, dan yang optimal harus menjadi yang terbaik. Suboptimisasi adalah
optimalisasi subsistem, tanpa mempertimbangkan dampaknya terhadap bagian lain dari
sistem secara keseluruhan. Hal yang optimal dapat terjadi untuk bagian dari sistem
(atau organisasi), mungkin tidak untuk seluruh sistem (atau organisasi).

4
 Dalam pengambilan keputusan terdapat dua pendakatan yaitu pendekatan normatif
dan deskriptif. Pendekatan normatif menggunakan model mengenai apa yang
seharusnya dilakukan. Model-model preskriptif sering dikembangkan dengan
memanfaatkan metode optimasi. Pendekatan deskriptif menggunakan model yang
memungkin seorang pembuat keputusan melakuan skenario what-if. Ini biasanya
merupakan model simulasi.
Manusia pada umumnya memiliki keterbatasan yang mencegah dari hal-hal yang
benar-benar rasional. Skala evaluasi individu untuk biaya dan manfaat dari keputusan
mungkin nonlinier dan mungkin tidak mengikuti orang-orang dari organisasi.
Karakteristik individu dapat mengakibatkan terbatasnya rasionalitas.
Skenario adalah pernyataan asumsi tentang lingkungan operasi dari sistem tertentu
dalam waktu tertentu. Beberapa kesalahan dalam pengambilan keputusan dapat
dikaitkan dengan gagasan pengambilan keputusan berdasarkan intuisi. Secara umum,
orang memiliki kecenderungan untuk mengukur ketidakpastian dan risiko buruk.

2.6 Pembuatan Keputusan: Fase Pemilihan

Sebuah prinsip pilihan adalah kriteria yang digunakan untuk menggambarkan

penerimaan pendekatan solusi. Dengan kata lain, itu adalah dasar untuk memutuskan
apakah satu pendekatan atau yang lain lebih unggul. Fase pemilihan merupakan titik
waktu ketika keputusan benar-benar dibuat. Analisis sensitivitas menentukan
bagaimana alternatif merespon perubahan kecil dalam parameter input.

2.7 Pembuatan Keputusan: Fase Implementasi

Implementasi didefinisikan sebagai awal dari sebuah tatanan yang baru, pengenalan
perubahan, menempatkan solusi yang direkomendasikan untuk dilaksanakan. Sistem
pendukung keputusan (SPK) mendukung pelaksanaan keputusan melalui komunikasi,
penjelasan, dan pembenaran.

2.8 Bagaimana Keputusan Didukung

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

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

adalah kemampuan untuk memindai sumber informasi eksternal dan peluang serta
masalah internal kemudian menafsirkan hasil. Dukungan terhadap keputusan
bisnis dapat menggunakan teknologi intelijen berupa data mining dan OLAP untuk
mengidentifikasi hubungan antara kegiatan dan faktor lainnya. Sistem informasi

5
 geografis ( GIS ) dapat dimanfaatkan baik sebagai berdiri sendiri atau terintegrasi
dengan sistem ini, sehingga pengambil keputusan dapat menentukan peluang dan
masalah dalam arti spasial.
b. Tahap desain: Tahap ini menghasilkan program alternatif tindakan, menyepakati
kriteria pilihan dan bobot mereka, dan peramalan konsekuensi dari berbagai
alternatif. Beberapa kegiatan ini dapat menggunakan model standar seperti model
keuangan dan peramalan. Entah model standar atau khusus dapat menghasilkan
alternatif untuk masalah terstruktur. OLAP dan perangkat lunak data mining
berguna dalam mengidentifikasi hubungan untuk digunakan dalam model tersebut.
Sebuah sistem pakar dapat membantu dengan metode kualitatif serta dengan
keahlian yang dibutuhkan dalam memilih analisis kuantitatif dan model
peramalan.
c. Fase Pemilihan : Selain menyediakan model yang cepat mengidentifikasi alternatif
terbaik atau cukup baik, SPK dapat mendukung tahap pilihan melalui what-if
dan tujuan mencari analisis. Skenario yang berbeda dapat diuji untuk opsi yang
dipilih untuk memperkuat keputusan akhir. Sebuah sistem manajemen
pengetahuan membantu pengalaman masa lalu mengidentifikasi serupa, CRM,
ERP, dan sistem SCM dapat menguji dampak dari setiap pilihan. Jika sebuah
kelompok membuat keputusan, sistem pendukung kelompok dapat memberikan
dukungan untuk mengarah pada konsensus .
d. Fase Implementasi : SPK dapat digunakan dalam pelaksanaan kegiatan seperti
komunikasi keputusan, penjelasan, dan pembenaran. Semua tahapan proses
pengambilan keputusan dapat didukung oleh membaiknya komunikasi dengan
komputasi kolaboratif melalui GSS dan KMS. Sistem komputerisasi dapat
memfasilitasi komunikasi dengan membantu orang menjelaskan dan
membenarkan saran dan pendapat mereka .

Pelaksanaan Keputusan ini juga dapat didukung oleh sistem pakar yang dapat
digunakan sebagai sistem penasehat mengenai masalah pelaksanaan seperti penanganan
resistensi terhadap perubahan.

Teknologi baru dapat memberikan dukungan pengambilan keputusan. Dengan

perkembangan mobile commerce, lebih banyak perangkat personal (personal digital
assistant, ponsel, komputer tablet, komputer laptop) dapat mengakses sumber-sumber
informasi, dan pengguna dapat merespon sistem dengan informasi terkini, upaya
kolaborasi, dan keputusan. Hal ini dapat membantu penjual, misalnya, menjadi lebih efektif
dengan mengakses CRM mereka saat di jalan. Akses konstan ke data perusahaan,
persediaan dan sebaliknya, hanya bisa membantu mereka dalam pekerjaan mereka.
Perangkat nirkabel yang mengambil kepentingan yang lebih besar dalam perusahaan,

6
umumnya dengan mengakses server Web khusus yang menyediakan data dan komunikasi
langsung ke perangkat m-commerce.

7
 BAB III Pendukung Keputusan Konsep Sistem , Metodologi , dan Teknologi : An
Overview
(Decision Support Systems, Concept, Methodologies, and Technologies: An Ovweview)

Tujuan Pembelajaran untuk Bab 3

1. Memahami kemungkinan sistem pendukung keputusan ( DSS ) konfigurasi

2. Memahami perbedaan utama dan persamaan antara DSS dan intelijen bisnis ( BI )
sistem
3. Jelaskan karakteristik dan kemampuan DSS
4. Memahami definisi penting dari DSS
5. Memahami komponen DSS dan bagaimana mereka mengintegrasikan
6. Menjelaskan komponen dan struktur masing-masing komponen DSS : subsistem
manajemen data , subsistem manajemen model, user interface ( dialog ) subsistem ,
subsistem manajemen berbasis pengetahuan , dan pengguna
7. Jelaskan dampak internet pada DSS dan sebaliknya
8. Jelaskan peran unik pengguna dalam DSS dibandingkan dengan sistem informasi
manajemen ( MIS )
9. Jelaskan hardware DSS dan platform perangkat lunak
10. Memahami klasifikasi DSS penting
11. Menjadi akrab dengan beberapa area aplikasi DSS dan aplikasi
12. Memahami penting , masalah DSS saat ini

3.1 Konfigurasi DSS

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

2. Data mengacu pada informasi yang dibutuhkan untuk membuat keputusan ,
biasanya disimpan dalam database , dan bagaimana data tersebut diatur dan dikelola
oleh DBMS .
3. Model mengacu pada model yang digunakan untuk menganalisis data dan
memprediksi hasil keputusan , serta perangkat lunak yang digunakan untuk
mengelola penggunaan model dalam DSS .
4. User interface mengacu pada cara seorang manajer atau pengetahuan pekerja dapat
menggunakan sistem untuk mendukung pengambilan keputusan nya membuat
kebutuhan tanpa harus menjadi ahli dalam teknologi .

8
 Gambar 1 Konfigurasi DSS
5. Data subjektif dapat dimanfaatkan dalam DSS dalam terang situasi yang
digambarkan dalam contoh sketsa pembukaan . Data subyektif dapat dimanfaatkan
dengan menggunakan " apa - jika" skenario untuk menguji dampak dari nilai-nilai .
6. Model memainkan peran kunci dalam DSS . Paket spreadsheet seperti Excel
termasuk built -in model untuk situasi umum , terutama keuangan . Misalnya,
Model Excel pembayaran hipotek dapat memberitahu pembeli rumah potensial apa
pembayaran bulanan akan untuk hipotek dari pokok yang diberikan , istilah , dan
tingkat suku bunga . Jika angka ini terlalu tinggi pembeli kemudian dapat
menemukan rumah lebih murah atau lebih besar uang muka , memotong biaya lain
untuk membelinya , mempertimbangkan memperluas pembayaran selama jangka
panjang , atau mungkin mengeksplorasi pilihan lain .
7. Rumus Excel juga memungkinkan pengguna untuk membuat berbagai macam
model . Sebagai contoh, formula mungkin berhubungan pendapatan perusahaan di
tahun n untuk pengeluaran pemasaran pada tahun n - 1 dan pengeluaran R & D di
tahun n - 1 dan n - 2 . Menggunakan model keuangan tersebut bisa marah
kecenderungan manajemen untuk menangani penurunan pendapatan dengan
memotong ini berlebihan .

3.2 Deskripsi DSS

Sebuah sistem identifikasi untuk dukungan manajer mengambil keputusan di

semistructured dan tidak terstruktur di suatu situasi. "Sebuah sistem informasi yang tujuan
utamanya adalah untuk mendukung pekerja pengetahuan membuat keputusan nonstructured

9
pada area spesifik. Definisi ini lebih dekat dengan yang pertama, tetapi membutuhkan DSS
untuk memiliki area aplikasi spesifik. Hal ini tidak memerlukan keputusan untuk menjadi
manajerial atau masalah menjadi masalah manajemen. Secara eksplisit tidak termasuk
sistem yang menyediakan beberapa pendukung keputusan sebagai - produk dengan tujuan
utama mereka .

Pendekatan DSS (atau metodologi) untuk mendukung pengambilan keputusan

Menggunakan interaktif, fleksibel, beradaptasi mampu-komputer sistem informasi

berbasis (CBIS)
Dikembangkan oleh end user untuk mendukung solusi untuk manajemen
nonstructured tertentu problem
Menggunakan data, model dan pengetahuan bersama dengan (sering grafis, web-
based) user friendly antarmuka
Menggabungkan wawasan pembuat keputusan sendiri
Mendukung semua fase pengambilan keputusan
Dapat digunakan oleh pengguna tunggal atau oleh banyak

3.3 Karakteristik DSS dan Kemampuan

1. karakteristik kunci dan kemampuan DSS ditunjukkan pada Gambar dan diperkuat
dalam teks di bawah ini :

Gambar 2 Kunci karakteristik dan kemampuan dari DSS

10
 Dukungan untuk (terutama) situasi semiterstruktur dan tidak terstruktur ,
menggabungkan penilaian manusia dengan informasi yang terkomputerisasi .
Dukungan untuk semua tingkatan manajerial , dari eksekutif atas ke manajer lini .
Dukungan untuk individu dan kelompok .
Dukungan untuk keputusan saling tergantung dan / atau berurutan .
Mendukung semua empat fase pengambilan keputusan : inteligensi, desain , pilihan,
dan implementasi .
Dukungan berbagai proses pengambilan keputusan dan gaya.
Pengguna dapat menambah, menghapus, menggabungkan, mengubah, atau
mengatur ulang elemen dasar, atau memodifikasi mereka untuk memecahkan,
masalah serupa lainnya .
User-friendly interface. (Aplikasi DSS Paling baru menggunakan antarmuka
berbasis web. )
Meningkatkan efektifitas pengambilan keputusan (akurasi , ketepatan waktu ,
kualitas ) daripada efisiensi.
Pembuat Keputusan mengontrol semua langkah dari proses pengambilan keputusan
dalam memecahkan suatu masalah .
Pengguna akhir dapat mengembangkan dan memodifikasi DSS sederhana dengan
sendirinya, DSS yang lebih besar memerlukan IS spesialis .
Model umumnya digunakan untuk memungkinkan bereksperimen dengan strategi
yang berbeda .
Akses ke berbagai sumber data, format , dan jenis , termasuk GIS , multimedia , dan
berorientasi objek.
Digunakan oleh pengambil keputusan individu atau didistribusikan di seluruh satu
atau lebih organisasi
2. Jenis DSS dapat pengguna akhir berkembang pada spreadsheet, Yang sederhana
mencerminkan keterbatasan spreadsheet sebagai alat pembangunan DSS dan
keterbatasan pengguna akhir yang khas dalam mengembangkan sistem informasi yang
kompleks.
3. Penting untuk memasukkan model dalam DSS, Pemodelan kemampuan DSS , yang
adalah apa yang membedakan DSS dari MSS lainnya , diperlukan untuk mengaktifkan
bereksperimen dengan keputusan yang berbeda di bawah konfigurasi yang berbeda dan
asumsi.
Bisnis analisis menyiratkan penggunaan model dan data untuk meningkatkan
organisasi kinerja dan / atau postur yang kompetitif
Web analytics berarti menggunakan analisis bisnis informasi web real-time untuk
membantu dalam pengambilan keputusan, sering berhubungan dengan e-Commerce

11
 Predictive analytics menjelaskan bisnis metode analisis masalah peramalan dan
peluang bukan hanya melaporkan mereka sebagai mereka terjadi

DSS Classifications
Lainnya DSS Kategori
DSS institusional dan ad-hoc
Pribadi, kelompok, dan organisasi dukungan
Sistem pendukung individu versus kelompok sistem pendukung (GSS)
Sistem custom-made dibandingkan siap pakai sistem

DSS Classifications
Holsapple dan Whinston itu Klasifikasi
1. DSS berorientasi teks
2. DSS berorientasi basis data.
3. DSS berorientasi spreadsheet
4. DSS berorientasi solver
5. DSS berorientasi aturan (termasuk yang paling berbasis pengetahuan DSS,
data mining, manajemen, dan ES aplikasi)
6. Senyawa DSS

1. Klasifikasi DSS dari SIGDSS AIS .

Komunikasi - driven dan kelompok DSS ( GSS )
Data-driven DSS
DSS Dokumen -driven
DSS Pengetahuan - driven, data mining , dan aplikasi manajemen ES

12
 DSS Model -driven
DSS Compound , hibrida yang menggabungkan dua atau lebih kategori ini

2. Dokumen -driven DSS .

Sebuah DSS dokumen -driven bergantung pada pengetahuan coding , analisis ,
pencarian , dan pengambilan keputusan untuk dukungan . Ini mencakup semua DSS
berbasis teks dan paling KMS . DSS Dokumen -driven memiliki penekanan minimal
pada model matematika .

3. Daftar dan membandingkan Holsapple dan Whinston klasifikasi dengan mereka yang
SIGDSS AIS. H & W klasifikasi map mudah ke orang-orang dari SIGDSS AIS ,
sebagai berikut :
DSS berorientasi teks H & W adalah sama seperti AIS SIGDSS dokumen -driven
DSS .
DSS database berorientasi H & W adalah AIS SIGDSS data-driven DSS .
DSS spreadsheet berorientasi H & W umumnya bentuk lain dari AIS DSS model-
driven , di mana fasilitas spreadsheet yang digunakan untuk membuat dan
mengelola model . Karena paket seperti Excel dapat mencakup DBMS dasar atau
dapat mudah antarmuka dengan satu , mereka dapat menangani beberapa sifat SIA
SIGDSS DSS berorientasi database terutama manipulasi pengetahuan deskriptif .
DSS berorientasi solver H & W memetakan langsung ke AIS model-driven DSS .
DSS aturan berorientasi H & W termasuk SIGDSS paling AIS berbasis
pengetahuan DSS , data mining , dan aplikasi manajemen ES .
H & W senyawa DSS mengintegrasikan dua atau lebih dari mereka dikutip di atas
dan sesuai dengan konsep SIGDSS AIS sama.

4. kemampuan DSS institusional dan DSS ad hoc .

Sebuah DSS institusional direncanakan dan dikembangkan untuk menangani keputusan
yang berulang . Ini harus memiliki fleksibilitas untuk berurusan dengan keputusan
manifestasi yang berbeda , dengan data yang berbeda , dari waktu ke waktu . DSS
tersebut cenderung digunakan pada kontrol manajerial dan tingkat operasional.
Sebuah hoc DSS ad dikembangkan untuk menangani masalah satu kali . Masalah
tersebut biasanya muncul di tingkat pengendalian strategis dan manajemen . Seperti
DSS tidak perlu memiliki derajat yang sama fleksibilitas sebagai DSS institusional
untuk mengatasi variasi dalam masalah. Namun, masalah yang tidak diharapkan terjadi
masih sering melakukannya , atau ternyata DSS diterapkan untuk masalah lain juga .

5. Mendefinisikan istilah siap pakai DSS .

13
 Sebuah DSS siap pakai merupakan produk software DSS dirancang untuk digunakan ,
dengan sedikit modifikasi, oleh beberapa organisasi yang memiliki keputusan
sebanding membuat kebutuhan. DSS tersebut sering dirancang untuk industri tertentu
(misalnya, rumah sakit) atau area fungsional (misalnya , keuangan).

3.4 Komponen DSS

Gambar 3 Skematik DSS

1. Komponen utama adalah: pengelolaan data , model manajemen , antarmuka pengguna
dan basis pengetahuan .
Manajemen data mencakup sistem manajemen database dan satu atau lebih
database.
Manajemen Model meliputi model dan sistem manajemen mereka.
User interface mencakup bi-directional komunikasi manusia-komputer dan
manajemen.
Pengetahuan dasar mencakup peningkatan kecerdasan buatan untuk komponen
lainnya.

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

14
 sistem manajemen database ( DBMS ): Data biasanya disimpan pada server
diakses melalui Web.
Model dasar sistem manajemen ( MBMS ) : Model dapat disimpan dan diakses
secara eksternal melalui Web. Model juga dapat dikembangkan untuk berjalan
pada server aplikasi, yang juga diakses melalui Web.
User interface sistem dialog : Web browser memberikan, konsisten antarmuka
pengguna grafis akrab ( GUI ) struktur.
sistem manajemen berbasis pengetahuan ( KBMS ) : Banyak metode AI telah
diimplementasikan dalam sistem berbasis Web, membuat mereka mudah untuk
mengintegrasikan dengan komponen DSS lainnya.

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

komponen lain dalam cara:
teknik kecerdasan buatan dapat membantu pengguna dalam menggunakan
komponen lain
metode AI dapat membantu secara langsung dalam pengambilan keputusan ,
misalnya melalui penalaran simbolik.
metode AI juga dapat mengaktifkan pengambilan keputusan otomatis untuk
masalah yang cukup terstruktur.
Alat seperti sistem pakar dan jaringan saraf dapat lebih akurat daripada
metode lain.

4. Menjelaskan struktur dasar DSS dan komponennya.

User interface ( UI ) menghubungkan pengguna ke komponen sistem lainnya .
Bbasis pengetahuan subsistem , selain yang terhubung ke pengguna melalui
UI, mungkin juga terhubung ke sistem manajemen database untuk
memperoleh data yang dibutuhkan , untuk model eksternal , dan basis
pengetahuan organisasi .
Model manajemen subsistem manajemen link data ke model .
Manajemen data, selain koneksi ke manajemen model dan subsistem berbasis
pengetahuan telah disebutkan, menghubungkan ke sumber data internal dan
eksternal .
Model dikendalikan oleh subsistem model manajemen, dapat mengendalikan
atau dikendalikan oleh subsistem berbasis pengetahuan, dan berkomunikasi
dengan pengguna melalui UI .
Seluruh DSS dapat berkomunikasi dengan sistem lain dan jaringan jika
diperlukan.

15
3.5 Data manajemen subsistem

1. DSS umumnya meliputi database sendiri, DSS besar umumnya memiliki database
mereka sendiri untuk tiga alasan :
DSS mungkin harus mengintegrasikan data dari berbagai sumber , yang masing-
masing database yang terpisah dan yang tidak dapat digabungkan secara langsung .
Struktur database yang terbaik untuk data statis digunakan untuk analisis , dengan
pertanyaan jarang terjadi, tetapi kompleks, mungkin tidak cocok untuk data dinamis
yang digunakan untuk pemrosesan transaksi dengan sering tapi sederhana query dan
update , dan sebaliknya .
Berbagi satu database untuk kedua penggunaan dapat menyebabkan masalah kinerja
pada beban puncak kali. Memisahkan dari bagian dari komunitas pengguna
mungkin lebih ekonomis daripada upgrade perangkat keras yang akan diperlukan .

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

Kemiripan : Semua jenis ini bisa dalam catatan / lapangan file bentuk - terstruktur , file
teks, atau multimedia dari berbagai jenis. Semua bisa obyektif atau subyektif. Semua,
atau bisa juga, dikelola oleh subjek DBMS untuk kontrol akses yang sesuai. Semua
dapat digunakan untuk mendukung berbagai keputusan. Dan semuanya dapat diakses
melalui antarmuka Web-seperti , bahkan jika mereka tidak diakses melalui Web.

Perbedaan : Data internal berasal dari sendiri sistem pemrosesan transaksi organisasi,
sedangkan data eksternal berasal dari luar . Data internal biasanya diakses melalui
intranet sedangkan data eksternal diakses melalui Internet , meskipun alat ( s )
digunakan dan antarmuka pengguna mungkin mirip atau identik . (Data pribadi subset
dari data internal, tunduk pada pembatasan akses yang melampaui keamanan data
perusahaan normal. )

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

Query fasilitas : Menerima permintaan data dari komponen DSS lain, menentukan
bagaimana permintaan tersebut dapat dipenuhi , merumuskan basis data akses untuk
mengisi mereka , dan mengembalikan hasilnya ke penerbit .
Direktori : Tujuan utama dari direktori , dan definisi data yang dikandungnya,
adalah untuk menjawab pertanyaan tentang ketersediaan item data , sumber , dan
maknanya . Hal ini juga berisi aturan akses bahwa akses pengguna control untuk
kolom atau baris dari tabel database tertentu.
Data: Ini adalah isi sebenarnya dari database .

16
4. Fungsi utama ( kemampuan ) dari DBMS Seperti terdaftar dan dibahas dalam bagian
ini , tiga fungsi dasar adalah penyimpanan, pencarian , dan kontrol . DBMS mengelola
database untuk mengatur , ekstrak / mengakses, mengubah, menghapus , dan data
katalog.

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

menyaring mereka, meringkas, kondensasi dan reorganisasi data untuk memuat ke
dalam database DSS seperti data warehouse .

6. Fungsi dari fasilitas query Dalam membangun dan menggunakan DSS , itu sering perlu
untuk mengakses, memanipulasi, dan data query. Fasilitas permintaan melakukan
tugas-tugas. Ia menerima permintaan data dari komponen DSS lain, menentukan
bagaimana permintaan dapat dipenuhi ( konsultasi direktori data jika diperlukan ),
merumuskan permintaan rinci, dan mengembalikan hasilnya ke penerbit permintaan .

7. Fungsi dari direktori Ini adalah katalog dari semua data dalam database . Ini mencakup
definisi data dan informasi lainnya yang diperlukan untuk memfasilitasi dan
mengontrol akses ke data melalui DMBS .

17
 Gambar 4 Struktur Data Manajemen Subsistem

3.6 Model Manajemen subsistem

Gambar 5 Struktur Model Manajemen Subsistem

1. Model diklasifikasikan sebagai strategis, taktis , atau operasional .
Tujuan dari klasifikasi ini adalah untuk menunjukkan pentingnya keputusan tersebut
dan menunjukkan apa tingkat manajerial bertanggung jawab untuk pelaksanaannya .
Mengetahui jenis model juga memungkinkan orang untuk menarik kesimpulan tentang
struktur kemungkinan dan komunitas pengguna tanpa mengetahui lebih banyak tentang
hal itu.

Model strategis mendukung perencanaan manajemen puncak strategis, misalnya,

pemeriksaan akuisisi, diversifikasi, dan merger .

Model taktis mendukung manajemen terutama tengah dalam alokasi sumber daya dan
terkendali. Misalnya, membuat-atau- membeli keputusan atau merancang rencana
promosi besar.

18
 Model Operasional mendukung manajer menengah dan supervisor dalam sangat
keputusan jangka pendek, misalnya, menilai dampak kemungkinan jadwal alternatif
pekerjaan harian dan mingguan .

2. Beberapa fungsi utama dari MBMS.

Lihat kemas Teks : Wawasan Teknologi 3.6 di Bagian 3.7 , untuk daftar . Ini sejajar
dengan sistem manajemen database dalam fungsi dengan menyediakan kemampuan
sebanding dengan model manajemen .

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

DBMS mencakup database yang berisi data yang relevan dan dikelola oleh
perangkat lunak manajemen database melalui kamus data , didukung oleh permintaan
dan pelaporan fasilitas. Informasi ini diambil dari sumber data internal maupun
eksternal.
Sejalan dengan itu, MBMS meliputi statistik, ilmu manajemen , atau model kuantitatif
lainnya yang memberikan kemampuan analitis sistem, dan model manajemen untuk
mengkoordinasikan penggunaannya . Ini berisi model direktori yang sejajar dengan
direktori data dari DBMS . Pelaksanaannya Model , integrasi, dan fasilitas pengolahan
perintah sesuai dengan permintaan dan pelaporan fasilitas DBMS dalam yang
memungkinkan pengguna untuk mengakses model apa pun kebutuhan mereka
meminta.

4. Pemilihan model untuk DSS sulit

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

5. Komponen pengetahuan membantu dalam pemilihan model

Sebuah komponen pengetahuan dapat membantu dalam pemilihan model dengan
menangkap pengetahuan para ahli manusia untuk penerapan model yang berbeda
dalam situasi yang berbeda , membuatnya tersedia untuk orang-orang yang memiliki
keahlian lebih di daerah ini .

3.7 User Interface (Dialog) Subsystem

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

a. Data Management. Termasuk database, yang mengandung data yang relevan untuk
berbagai situasi dan diatur oleh software yang disebut Database Management
Systems (DBMS).

19
 b. Model Management. Melibatkan model finansial, statistikal, management science,
atau berbagai model kuantitatif lainnya, sehingga dapat memberikan ke sistem suatu
kemampuan analitis, dan manajemen software yang diperlukan.
c. Communication (dialog subsystem). User dapat berkomunikasi dan memberikan
perintah pada DSS melalui subsistem ini. Ini berarti menyediakan antarmuka.
d. Knowledge Management. Subsistem optional ini dapat mendukung subsistem lain
atau bertindak sebagai komponen yang berdiri sendiri.
Pada bagian ini dijelaskan bahwa sebuah antarmuka pengguna mencakup semua aspek
komunikasi antara user dan Decision Support System (DSS) atau Management Support
System (MSS). Tujuan mendasarnya adalah untuk mempermudah pengguna dalam
mendapatkan bantuan keputusan dari DSS.
Proses antarmuka pengguna mengacu pada aliran informasi (a) dari pengguna ke sistem
dan (b) dari sistem ke pengguna. Hal ini ditangani oleh User Interface Management System
(UIMS). UIMS memproses perintah pengguna, mengeluarkannya dalam bahasa action
apapun yang dibutuhkan, dan mengirimkannya ke data dan subsistem model manajemen.
Di arah sebaliknya, menyajikan informasi dari subsistem kepada pengguna. Selebihnya,
bahasa action didasarkan pada Web atau sistem operasi konsep GUI. Hal ini juga dapat
menggabungkan kemampuan pengolahan bahasa alami.

20
 Gambar 6 Skema Sistem Antarmuka Pengguna
Perangkat dalam web biasanya digunakan didalam antarmuka pengguna karena
perangkat tersebut telah menjadi sarana standar bagi para pengguna untuk terhubung ke
berbagai jenis perangkat lunak. Perangkat ini memungkinkan pengguna untuk mengakses
baik internal (intranet) dan situs eksternal (Internet, extranet), tersedia untuk berbagai
perangkat mulai dari ukuran komputer sampai ke ponsel, platform-independen di tingkat
laptop/komputer (Windows, Mac OS, Linux) dan juga didukung oleh berbagai macam alat
pemecahan masalah lainnya.
Beberapa perkembangan baru dalam antarmuka pengguna adalah pengenalan suara,
interpretasi gerakan, input otomatis (misalnya, chip RFID, jaringan sensor), output suara,
dan virtual reality.
Dijelaskan pula bahwa empat perkembangan baru dalam DSS, selain perkembangan
pada user interface adalah memperbaharui alat atau perangkat Web, pemrosesan paralel
untuk meningkatkan skalabilitas, mesin pencari yang lebih baik sebagai salah satu wujud
dari peningkatan AI, solusi DSS siap pakai untuk segmen pasar tertentu, peningkatan
integrasi dengan komponen yang beragam seperti GIS.

21
3.8 Knowledge-Based Management Subsystem.

Berbagai alat berbasis pengetahuan yang didalamnya memiliki sistem manajemen

berbasis pengetahuan ini dapat mencakup sistem pakar, Neural networks, agen cerdas,
logika fuzzy, dan penalaran berbasis kasus.

Sistem pakar, jaringan saraf dan agen cerdas adalah perangkat lunak. Sedangkan logika
fuzzy dan penalaran berbasis kasus, sebaliknya, dapat dianggap konsep yang berguna, yang
dapat dimasukkan ke dalam alat dari jenis apa pun.
Komponen berbasis pengetahuan dapat menyediakan keahlian yang dibutuhkan untuk
memecahkan beberapa aspek dari masalah keputusan atau memberikan pengetahuan untuk
meningkatkan operasi komponen DSS lainnya. Sebagai contoh dalam buku tersebut
manfaat pertama komponen berbasis pengetahuan adalah, sistem pakar dapat memasukkan
aturan untuk membantu memilih jalur terbaik untuk pesawat sehingga tiba di sebuah
pangkalan perawatan sebelum layanan 400 jam nya habis, menghilangkan kebutuhan untuk
penerbangan yang tidak produktif. Sebagai contoh manfaat kedua, sistem pakar bisa
mengetahui urutan terbaik untuk mengolah akses basis data dari query yang kompleks.

3.9 Pengguna DSS

Dua kelas umum dari pengguna DSS diantaranya adalah Manajer yang dibebankan oleh
organisasi dengan bantuan DSS dirancang untuk membantu memecahkan masalah, dan
spesialis staf, yang membantu mereka menggunakan aspek DSS yang berada di luar
kemampuan teknis mereka atau yang membutuhkan waktu mereka lebih banyak.

Empat jenis perantara didalam DSS diantaranya adalah:

Asisten Staf yang memiliki pengetahuan khusus tentang masalah manajemen dan
beberapa pengalaman dengan teknologi pendukung keputusan.
Pengguna alat ahli terampil dalam penerapan satu atau lebih jenis alat pemecahan
masalah khusus. Seorang pengguna alat ahli melakukan tugas-tugas yang pemecah
masalah tidak memiliki keterampilan atau pelatihan untuk melakukannya.
Analis bisnis yang memiliki pengetahuan umum didalam aplikasi, berlatar
belakang pendidikan administrasi bisnis formal (tidak dalam ilmu komputer), dan
keterampilan yang cukup dalam menggunakan DSS dan alat konstruksi. Mereka
biasanya melakukan tugas-tugas seorang manajer.
Fasilitator (dalam GSS) mengendalikan dan mengkoordinasikan penggunaan
perangkat lunak untuk mendukung pekerjaan orang yang bekerja dalam kelompok.
Fasilitator juga bertanggung jawab untuk pelaksanaan sesi workgroup.

22
Sebagian besar pengguna biasanya sangat mahir dalam pola penggunaan DSS mereka hal
ini dikarenakan sebagian besar nilai dari suatu DSS adalah pada kemampuannya untuk
mencoba berbagai kombinasi parameter dan membuat penyelidikan secara rinci. Hal ini
secara inheren menunjukan proses interaktif yang bekerja lebih baik di bawah kontrol
langsung dari pengguna.

3.10 Perangkat keras DSS

Hardware yang digunakan didalam DSS biasanya adalah setiap personal computer (PC),
apakah itu menjalankan Windows, Mac OS atau Linux, yang mendukung web browser
dapat terhubung ke DSS berbasis Web. Selain itu perangkat mobile termasuk laptop yang
menggunakan OS apapun seperti pada PC, PDA (biasanya menjalankan Windows CE atau
Palm OS saat ini) dan ponsel.

Hardware DSS dan pilihan perangkat lunak sering didasarkan pada sistem dari
perusahaan yang sudah ada hal ini terjadi karena sebagian MSS, termasuk DSS, biasanya
menggunakan hardware standar. Mereka biasanya tidak membenarkan akuisisi sistem baru
dioptimalkan untuk kebutuhan mereka. Akuisisi baru terbatas pada hardware DSS spesifik
dan perangkat lunak, seperti penyimpanan untuk gudang data atau paket perangkat lunak
peramalan.
DSS itu sendiri dapat berjalan pada sistem klien, pada server (general purpose atau
server aplikasi khusus) atau mainframe. Model yang kompleks biasanya berjalan di
hardware yang cepat, yang sebagian besar PC tidak memilikinya.
3.11 DSS Modeling Language: Planners Lab

DSS dapat dikembangkan dengan bahasa pemrograman tradisional atau spreadsheet.

Untuk mengembangkan bahasa pemrograman tersebut contohnya adalah Java
membutuhkan programmer yang handal.

Pada masa awal DSS, satu produk perangkat lunak yang sangat sukses adalah Sistem
Perencanaan Keuangan Interaktif (IFPS) dari Execucom Sistem Corporation di Austin,
Texas. IFPS merupakan software yang handal untuk perencanaan keuangan. Lebih dari
1500 perusahaan sawasta dan pemerintahan serta 250 universitas di Amerika menggunakan
IFPS.
Planners Lab adalah salah satu perangkat lunak yang digunakan untuk membuat dan
membangun DSS. Planers Lab memiliki beberapa keunggulan dibandingkan dengan
software yang lain diantaranya adalah (1) mudah dalam membangun model berorientasi
aljabar, dan (2) sangat mudah memvisualisasikan keluaran model.

23
Perbandingan spreadsheet dengan Planners Lab disajikan dalam tabel berikut:
Spreadsheet Planners Lab

Mendukung Visualisasi menggunakan Memiliki antarmuka yang

grafik seperti bar, grafik garis dikembangkan untuk mendukung
interaksi animasi.

Goal Seek dan What if analysis dapat Memiliki fitur yang mudah untuk
dilakukan mensimulasikan dan
memvisualisasikan menggunakan
berbagai jenis grafik seperti What If,
Goal Seek, grafik batang dll

Pengguna tidak dapat melihat fungsi Antarmuka visualisasi intuitif

yang dilakukan dalam spreadsheet memungkinkan pengguna akhir untuk
menguji dan memahami asumsi.
Tabel 1. Perbandingan Spreadsheet dengan Planners Lab
3.14. Resources, Links, and the Teradata University Network Connection
Dalam sub-chapter ini memberikan informasi tentang keberadaan Teradata Iniversity
Network Connection yang meberikan banyak informasi dan kasus yang meggunakan atau
memanfaatkan DSS.

24
 REVIEW MANAGEMENT INFORMATION SYSTEM 10 Edition By James A.
OBrien, George M. Marakas

BAB 10 SUPPORTING DECISION MAKING

Tujuan Pembelajaran
1. Mengidentifikasi perubahan yang terjadi dalam bentuk dan penggunaan pendukung
keputusan dalam bisnis.
2. Mengidentifikasi peran dan pelaporan alternatif sistem informasi manajemen.
3. Menjelaskan bagaimana pengolahan analisis online dapat memenuhi kebutuhan
informasi kunci dari manajer.
4. Menjelaskan dukungan konsep sistem pengambilan keputusan dan bagaimana hal
itu berbeda dari manajemen tradisional infor-sistem informasi.
5. Menjelaskan bagaimana sistem informasi berikut dapat mendukung kebutuhan
informasi eksekutif, manajer, dan profesional bisnis:
a. Sistem informasi eksekutif
b. Informasi perusahaan portal
c. Sistem manajemen pengetahuan
6. Identifikasi bagaimana saraf jaringan, logika fuzzy, genetik algoritma, virtual
reality, dan agen cerdas dapat digunakan dalam bisnis.
7. Berikan contoh dari beberapa sistem pakar cara dapatdigunakan dalam situasi
pengambilan keputusan bisnis.

A. PENDUKUNG KEPUTUSAN DALAM BISNIS

Agar sukses dalam bisnis saat ini, perusahaan membutuhkan sistem informasi yang
dapat mendukung kebutuhan pengambilan keputusan dan berbagai informasi dari manajer
dan praktisi bisnis. Internet, intranet dan teknoilogi informasi lainnya yang berbasis Web
dalam mendukung aktivitas pengambilan keputusan dari setiap manajer dan pekerja yang
berpengetahuan dalam bisnis. Infromasi, Keputusan, dan Manajemen

Jenis informasi yang dibutuhkan oleh pengambil keputusan di dalam suatu perusahaan
berhubungan langsung dengan tingkat pengambilan keputusan manajemen dan jumlah
struktur dalam situasi keputusan yang mereka hadapi. Kerangka kerja Piramidal
Manajerial klasik masih dapat diterapkan saat ini padaorganisasi yang dirampingkan dan
didatarkan atau struktur organisasi nonhierarkis. Tingkat pengambilan keputusan
manajemen masih ada, namun ukuran, bentuk, dan pesertanya terus berubah seiring dengan
evolusi struktur organisasi saat ini. Jadi, tingkat pengambilan keputusan manajemen yang
harus didukung oleh teknologi infomasi dalam organisasi yang sukses adalah:

25
Gambar 1 Diagram Kebutuhan informasi para pengambil keputusan

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

yang terdiri dari CEO dan eksekutif atas mengembangkan tujuan umum
organisasi, strategi, kebijakan, dan tujuan sebagai bagian dari proses
perencanaan strategis. Mereka juga mengawasi kinerja strategis
organisasi dan arah keseluruhannya dalam lingkungan politik, ekonomi,
dan bisnis yang kompetitif.
b) Manajemen Taktis. Semakin banyak praktisi bisnis dalam tim mandiri
serta manajer unit bisnis yang mengembangkan rencana jangka pendek
dan jangka menengah, jadwal, dan anggaran serta menentukan kebijakan,
prosedur, dan tujuan bisnis untuk subunit mereka di perusahaan. Mereka
juga mengalokasikan sumber daya dan mengawasi kinerja sub unit
organisasi mereka, termasuk departemen, divisi, tim proses, tim proyek,
dan kelompok kerja lainnya.
c) Manajemen Operasional. Anggota tim mandiri atau manajer operasional
mengembangkan rencana jangka pendek seperti jadwal produksi
mingguan. Mereka mengarahkan penggunaan sumebr daya dan kinerja
tugas berdasarkan prosedur dan sesuai dengan anggaran dan jadwal yang
mereka tetapkan untuk tim tersebut dan kelompok kerja di organisasi.

26
10.1 Kualitas Informasi

Apa karateristik yang akan membuat produk informasi bernilai dan bermanfaat bagi
Anda? Salah satu cara untuk menjawab pertanyaan penting ini adalah dengan menguji
karateristik atau atribut Kualitas Informasi. Informasi yang kuno, tidak akurat, atau sulit
dipahami tidak akan sangat berarti, berguna atau bernilai bagi Anda dan praktisi bisnis
lainnya. Kita memerlukan informasi berkualitas tinggi, yaitu produk informasi yang
memiliki karateristik, atribut, atau kualitas yang membuat informasi lebih bernilai.
Informasi perlu dipandang memiliki tiga dimensi: waktu, isi, dan bentuk. Gambar dibawah
ini meringkas atribut yang penting dari kualitas informasi dan mengelompokkannya ke
dalam tiga dimensi tersebut.

Gambar 2 Atribut yang harus ada dalam informasi produk berkualitas tinggi

10.2 Struktur Keputusan

Keputusan yang dibuat pada tingkat manajemen operasional cenderung lebih terstruktur,
sedangkan keputusan pada tingkat taktis lebih semiterstruktur, dan keputusan pada tingkat
strategis lebih tak terstruktur. Keputusan yang terstruktur melibatkan situsi di mana
prosedur yang diikuti ketika keputusan diperlukan, dapat disebutkan lebih awal. Keputusan
tak terstruktur melibatkan situasi keputusan di mana tidak mungkin menentukan lebih awal
mengenai prosedur keputusan yang harus diikuti. Akan tetapi, kebanyakan keputusan
bersifat semiterstruktur.

Contoh struktur keputusan dan tingkat manajemen.

27
 Maksudnya, beberapa prosedur keputusan dapat ditentukan, namun tidak cukup untuk
mengarah ke suatu keputusan yang direkomendasikan. Misalnya, keputusan mengenai
peluncuran layanan e-commerce yang baru atau membuat perubahan besar mengnai
tunjangan karyawan akan berada pada jangkuan tak terstruktur hinggan semiterstruktur.
Gambar berikut menyediakan berbagai contoh keputusan bisnis menurut jenis terstruktur
keputusan dan tingkat manajemen.

Perbedaan utama dalam keputusan kemampuan dukungan informasi manajemen sistem

dan keputusan mendukung sistem.

Dengan demikian, sistem informasi harus dirancang untuk menghasilkan berbagai

produk informasi untuk memenuhi kebutuhan pengambil keputusan yang berubah-ubah di
dalam organisasi. Misalnya, pengambil keputusan pada tingkat manajemen strategis dapat
menggunakan sistem keputusan (detection support system-DSS) untuk mendapatkan
laporan yang tak terjadwal, adalah hoc, dan lebih ringkas, peramalan, dan kecerdasan
eksternal untuk mendukung perencanaan mereka yang lebih tak terstruktur dan tanggung
jawab pembuatan kebijakan. Di sisi lain, pengambil keputusan pada tingkat manajemen
operasional dapat bergantung pada sistem informasi manajemen untuk menyediakan

28
laporan internal yang telah ditentukan sebelumnya dengan penekan pada perbandingan data
yang lama dan yang sekarang guna mendukung tanggung jawab mereka yang lebih
terstruktur untuk operasional sehari-hari.

10.3 Tren Pendukung Keputusan

Penggunaan sistem informasi untuk mendukung pengambilan keputusan bisnis telah

menjadi salah satu tujuan utama dari penggunan teknologi. Akan tetapi, selama tahun 1990-
an, baik peneliti akademik maupun praktisi bisnis melaporkan bahwa fokus manajerial
tradisional yang berasal dari sistem informasi manajemen yang klasik (1960-an), sistem
pendukung keputusan (1970-an), sistem informasi eksekutif (1980) terus meluas.
Kecepatan perkembangan teknologi informasi seperti hardware komputer, dan paket
software DSS/EIS membuat pendukung keputusan tersedia bagi manajemen tingkat bawah,
serta bagi individu nonmanajerial dan tim mandiri dari praktisi bisnis. Tren ini telah
mengalami percepatan seiring dengan pertumbuhan yang sangat cepat dari Internet serta
intranet dan ekstranet dari perusahaan yang menggunakan Internet dan
pemilikkepentingannya. Inisiatif e-business dan ecommerce yang sedang
diimplementasikan oleh banyak perusahaan juga memperluas ekspektasi serta penggunaan
informasi dan pendukung keputusan dari karyawan, manajer, pelanggan, pemasok, dan
mitra bisnis lainnya.

Semua pemilik kepentingan dalam bisnis mengharapkan akses yang mudah dan instan ke
informasi dan analisis data mandiri berbasis Web yang proaktif dan pribadi untuk
mendukung persyaratan pengambilan keputusan dari semua konstituen mereka. Jadi,
pertumbuhan ekstranet dan intrnet korporat, serta Internet, telah mempercepat
pengembangan dan penggunaan pengiriman informasi kelas eksekutif dan alat software
pendukung keputusan oleh manajemen dari tingkat yang lebih rendah dan oleh individu dan
tim praktisi bisnis. Selain itu, ekspansi yang dramatis ini telah membuka pintu ke
penggunaan alat seperti kecerdasan bisnis (business intellegence-BI) oleh pemasok,
pelanggan, dan pemilik kepentingan bisnis lainnya dari suatu perusahaan untuk manajemen
hubungan pelanggan, manajemen rantai pasokan, dan aplikasi e-business lainnya. Beberapa
teknologi informasi utama yang dibuat secara khusus, pribadi, dan berbasis Web untuk
menyediakan infomasi bisnis utama dan alat analisis untuk manajer, praktisi bisnis, dan
pemilik kepentingan bisnis.

29
 Gambar 3 Bisnis intelejen aplikasi didasarkan pada personalisasi dan Web informasi

10.4 Sistem Informasi Manajemen

Sistem Informasi Manajemen adalah jenis awal dari sistem informasi yang
dikembangkan untuk mendukung pengambilan keputusan manajerial . SIM mengahsilkan
prosuk informasi yang mendukung banyak kebutuhan pengambilan keputusan harian dari
para manajer dan praktisi bisnis. Manajer dan pengambilan keputusan bisnis lainnya
menggunakan SIM untuk memeproleh informasi mengenai tempat kerja mereka yang
berjaringan yang mendukung aktivitas pengambilan keputusan mereka. Informasi ini dapat
berbentuk laporan periodik, pengecualian, dan permintaan. Browser Web, program aplikasi,
dan software manajemen database menyediakan akses ke informasi di intranet dan database
operasional lainnya di dalam organisasi. Database operasional dipertahankan oleh sistem
pemrosesan informasi. Data mengenai lingkungan bisnis diperoleh dari Intranet atau
database ekstranet jika diperlukan. Alternatif Pelaporan Manajemen SIM menyediakan
berbagai produk informasi bagi para manajer. Ada empat alternatif pelaporan utama yang
disediakan oleh sistem ini yaitu:

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

tradisional penyediaan informasi bagi manajer dengan menggunakan format yang
telah ditentukan dan menyediakan informasi secara rutin kepada manajer. Contoh
laporan terjadwal secara periodik adalah laporan analisis penjualan harian dan
mingguan dan laporan keuangan bulanan.
b) Laporan Pengecualian (Exeption Reports). Dalam beberapa kasus, laporan dibuat
hanya jika terjadi kondisi pengecualian. Dalam kasus lainnya, laporan dibuat secara
periodik namun hanya berisi informasi mengenai kondisi pengecualian tersebut.
Misalnya, manajer kredit dapat diberi laporan yang hanya berisi informasi mengenai
pelanggan yang melewati batas kreditnya. Pelaporan pengecualian mengurangi

30
 kelebihan informasi, sehingga tidak perlu memberikan seluruh laporan aktivitas
bisnis secara rinci bagi pengambil keputusan.
c) Laporan Permintaan dan Tanggapan (Demand reports and Renponses).
Informasi tersedia kapanpun manajer menginginkannya. Misalnya, browser Web
dan bahasa permintaan DBMS serta penghasil laporan (reports generator)
memungkinkan manajer di tempat kerja komputer untuk memperoleh tanggapan
langsung atau menemukan dan mendapatkan laporan tertentu sebagai hasil dari
permintaan informasi yang mereka butuhkan. Jadi, manajer tidak harus menunggu
laporan periodik untuk tiba sesuai yang dijadwalkan.
d) Pelaporan Dorong (Push Reporting). Informasi didorong ke manajer di tempat
kerja berjaringan. Jadi, banyak perusahaan sedang menggunakan software penyiaran
Web (webcasting) untuk menyiarkan laporan secara selektif dan informasi lainnya
ke komputer berjaringan milik para manajer atau pakar melalui intranet perusahaan

10.5 Pemrosesan Analisis Online

Pemrosesan Analisis Online atau Online Analytical Processing-OLAP memungkinkan

manajer dan analis secara interakfit menguji dan memanipulasi sejumlah besar data yang
rinci danterkonsolidasi dari banyak perspektif. OLAP mencakup analisis hubungan yang
rumit antara ribuan atau bahkan jutaan data yang disimpan dalam data mart, gudang data,
dan database Multidimensi lainnya untuk menemukan pola, tren, dan kondisi pengecualian.
Sesi OLAP dilakukan secara online dan langsung, dengan respons yang cepat ke
permintaan manajer dan analis, sehingga proses analisis atau pengambilan keputusan tidak
terganggu. Pemrosesan analitis online melibatkan beberapa operasional analitis dasar,
termasuk konsolidasi, drill down (penggalian), slicing and dicing (pengirisan dan
pemotongan)

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

pengumpulan sederhana atau pengelompokan yang rumit dengan melibatkan data
yang saling berhubungan. Misalnya data kantor penjualan dapat dikumpulkan ke
wilayah, dan wilayah ke regional.
b) Penggalian. OLAP dapat bergerak ke arah kebalikan dan secara otomatis
menampilkan rincian data yang telah dikonsolidasikan. Ini disebut penggalian.
Misalnya, penjualan menurut prduk individual atau staf penjualan yang
menghasilkan total penjualan regional dapat dengan mudah diakses.
c) Pengirisan dan Pemotongan. Pengirisan dan pemotongan merujuk pada
kemampuan untuk melihat database dari penjualan dapat menunjukkan semua
penjualan dari satu jenis prosuk secara regional. Irisan yang lain dapat menunjukkan
semua penjualan menurut saluran penjualan dari setiap produk. Pengirisan dan

31
 pemotongan sering dilakukan sejalan dengan sumbu waktu untuk menganalisis tren
dan menemukan pola berbasis waktu pada data.

Gambar 4 Pengolahan analisis online mungkin membutuhkan penggunaan server khusus

dan database multidimensi.

10.6 Sistem Pendukung Keputusan

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

berbasis komputer yang menyediakan dukungan informasi yang inetraktif bagi manajer dan
praktisi bisnis selama proses pengambilan keputusan. Sistem pendukung keputusan
menggunakan:

1. Model analitis
2. Database khusus
3. Penilaian dan pandangan pembuat keputusan
4. Proses pemodelan berbasis komputer yang interaktif untuk mendukung pembuatan
keputusan bisnis yang semiterstruktur dan tak terstruktur.

Sistem DSS didesain sebagai sistem respons cepat dan ad hoc yang diawali dan
dikendalikan oleh pengambil keputusan bisnis. Sistem pendukung keputusan dapat secara
langsung mendukung jenis keputusan khusus dan gaya pengambilan keputusan pribadi
serta kebutuhan eksekutif, manajer, dan praktisi bisnis secara individual.

32
10.7 Komponen DSS

Berbeda dengan SIM, Sistem Pendukung Keputusan bergantung pada Model Bases
(basis model) dan database sebagai sumber daya sistem yang vital. Basis model dss adalah
komponen software yang trdiri dari model-odel yang digunakan dalam rutinitas
komputasional dan analitis yang secara matematis menyatakan hubungan antarvariabel.
DSS dapat mencakup model pemrograman linear, model peramalan regresi ganda, dan
model nilai sekarang penganggaran modal. Modelmodel seperti ini dapat disimpan dalam
bentuk Template atau model Spreadsheet, atau program statistik dan matematis serta modul
program.

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

Paket software DSS dapat mengombinasikan komponen model untuk membuat model
terpadu yang mendukung jenis keputusan tertentu. Software DSS biasanya terdiri atas
rutinitas pemodelan analitis yang telah dibangun dan juga memungkinkan Anda untuk
membangun odel Anda. Banyak paket DSS yang saat ini tersedia dalam mikrokomputer
dan versi berbasis Web. Tentu saja, paket Spreasheet elektronik juga menyediakan
beberapa bangunan model spreasheet dan pemodelan analitis yang ditawarkan oleh
software DSS yang berdaya lebih tinggi.

33
10.8 Sistem Visualisasi dan Informasi Geografis

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

Visualization System-DVS (sistem visalisasi data) adalah kategori khusus dari DSS yang
memadukan grafis komputer dengan fitur DSS lainnya. Sistem informasi geografis adalah
DSS yang menggunakan database geografis untuk membuat dan menampilkan peta dan
tampilan grafis lainnya yang mendukung keputusan mengenai distribusi geografis orang-
orang an sumber daya lainnya. Banyak perusahaan yang menggunakan teknlogi GIS
bersama dengan Global Positioning System-GPS (sistem penempatan global) untuk
membantu mereka memilih lokasi toko ritel yang baru, mengoptimakan rute disribusi, atau
menganalisis demografi pasar sasaran mereka. Aplikasi bisnis seperti penambangan data
biasanya menggunakan grafik inetraktif yang memungkinkan pemakai menggali data
secara langsng dan memanipulasi data model bisnis untuk membantu menjelaskan
maknanya untuk pengambilan keputusan bisnis.

10.9 Penggunaan Sistem Pendukung Keputusan

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

proses Analytical Modelling (pemodelan analitis) yang interaktif. Misalnya, penggunaan
paket software DSS untuk pendukung keputusan dapat menghasilkan berbagai tampilan
sebagai respons terhadap alternatif perubahan jika-maka yang dimasukkan oleh manajer.
Hal ini berbeda dari respons permintaan dari sistem informasi manajemen, karena
pengambil keputusan tidak meminta infomasi yang telah ditentukan sebelumnya.
Sebaliknya, mereka mengeksplorasi alternatif yang memungkinkan. Jadi, mereka tidak
perlu menentukan kebutuhan informasi mereka di depan. Melainkan, mereka menggunakan
DSS untuk menemukan informasi yang mereka butuhkan untuk membantu mereka
membuat keputusan. Itu adalah inti dari konsep sistem pendukung keputusan. Penggunaan
sistem pendukung keputusan melibatkan empat jenis dasar aktivitas pemodelan analitis:

1. Analisi jika-maka
2. Analisis sensitivitas
3. Analisis pencarian sasaran
4. Analisis optimisasi
10.10 Analisis Jika-Maka

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

variabel, atau hubungan antarvariabel, dan mengamati perubahan yang dihasilkan dalam
nilai variabel lainnya. Misalnya, jika Anda menggunakan spreasheet, anda mungkin
mengubah jumlah pendapatan (variabel) atau rumus tarif pajak (hubungan antravariabel)
dalam model spreasheet keuangan sederhana. Kemudian anda dapat meminta program

34
spreasheet untuk secara instan menghitung ulang semua variable yang terpengaruh di
dalam spreasheet. Pemakai manajerial akan sangat tertarik dalam mengamati dan
mengevaluasi perubahan yang terjadi terhadap nilai di spreasheet, khususnya variabel
seperti laba bersih. Bagi banyak manajer, laba bersih adalah contoh bottom-line (garis
dasar), yaitu faktor kunci dalam membuat keputusan apapun. Analisis seperti ini akan
diulangi hingga manajer pusat dengan apa yang ditunjukkan oleh hasilnya mengenai
pengaruh berbagai keputusan yang mungkin dilakukan.

10.11 Analisis Sensitivitas

Analisis Sensitivitas adalah kasus khusus dari analisis jika-maka. Umumnya, nilai dari
satu variabel diubah berulang-ulang dan hasil perubahan pada variabel lainnya diamati.
Jadi, analisis sensitivitas sebenarnya adalah kasus analisis jika-maka yang melibatkan
perubahan yang berulang-ulang terhadap satu variabel. Beberapa pkaet DSS secara
otomatis membuat perubahan kecil ke satu variabel ketika diminta melakukan analisis
sensitivitas. Umumnya, analisis sensitivitas digunaka ketika pengambil keputusan tidak
yakin dengan asumsi yang dibuat dalam memperkirakan nilai beberapa variabel utama.
Dalam contoh spreasheet, nilai pendapatan dapat diubah secara berulang-ulang dengan
peningkatan kecil, dan pengaruhnya terhadap variabel spreasheet lainnya diamati dan
dievaluasi. Hal ini akan membantu manajer memahami dampak berbagai tingkat
pendapatan etrhadap faktor-faktor lain yang terlibat dalam keputusan yang
dipertimbangkan.

10.12 Analisis Pencarian Sasaran

Goal Seeing (analisis pencarian sasaran) membalikkan arah analisis yang dilakukan
dalam jika-maka dan sensivitas. Analisis ini tidak mengamati bagaimana perubahan satu
variabel mempengaruhi variabel lainnya. Analisis pencarian sasaran yang juga disebut How
Can (bagaimana bisa) menetapkan nilai sasaran (tujuan umum) untuk satu variabel dan
kemudian secara berulang-ulang mengubah variabel lainnya hingga nilai sasarn tercapai.
Mislanya, anda dapat menentukan nilai sasaran $2 juta untuk laba bersih bagi suatu bisnis.
Kemudian Anda dapat secara berulang-ulang mengubah nilai pendapatan dan pengeluaran
dalam model spreasheet hingga hasil $2 juta tercapai. Jadi, Anda akan menemukan berapa
jumalh pendapaatan atau tingkat pengeluaran yang perlu dicapai oleh suatu bisnis untuk
mencapai sasaran laba bersih $2 juta. Dengan demikian, bentuk pemodelan analisis ini akan
membantu menjawab pertanyaan, Bagaimana kita bisa mencapai laba bersih $2 juta?,
bukan pertanyaan, Apa yang terjadi jika kita mengubah pendapatan dan pengeluaran?
Jadi, analisis pencarian sasaran adalah salah satu metode penting dari pendukung
keputusan.

35
10.13 Analisis Optimisasi

Analisis optimisasi adalah perluasan yang lebih rumit dari analisis pencarian sasaran.
Sasarannya bukan nilai sasaran etrtentu untuk suatu variabel, melainkan untuk mencari nilai
optimium untuksatu atau beberapa variabel diubah secara berulang-ulang, berdasarkan
batasan tertentu, hingga nilai terbaik untuk variable sasaran ditemukan. Misalnya, anda
dapat mencoba menentukan tingkat laba tertinggi yang dapat dicapai dengan mengubah
nilai sumber pendapatan tertentu dan kategori pengeluaran. Perubahan pada variabel
tersebut dapat terikat pada batasan seperti kapasitas proses produksi atau batasan
pembiayaan yang tersedia. Optimisasi umumnya dicapai dengan menggunakan software
seperti Solver dalam Microsoft Excel dan paket software lainnya untuk teknik optimisasi
seperti pemrograman linear.

10.14 Sistem Informasi Eksekutif

Executive Information Systems-EIS adalah sistem informasi yang menggabungkan

berbagai fitur sistem informasi manajemen dan sistem pendukung keputusan. Ketika
pertama kali dikembangkan, fokusnya adalah untuk memenuhi kebutuhan informasi
strategis manajemen tingkat atas. Jadi, tujuan pertama dari sistem informasi eksekutif
adalah untuk menyediakan akses informasi yang mudah dan cepat kepada eksekutif tingkat
atas mengenai Critical Success Factors-CSF (faktorfaktor penentu keberhasilan)
perusahaan, yaitu faktor- faktor utama yang penting untuk mencapai tujuan strategis
organisasi. Misalnya, para eksekutif di jaringan toko ritel akan memepertimbangkan faktor-
faktor seperti hasil penjualan ecommerce dan tradisional, atau bauran lini produksinya
sebagi faktor penentu untuk tetap bertahan dan sukses.

10.15 Sistem Manajemen Pengetahuan

Knowledge Management Systems-KMS (sistem manajemen pengetahuan) sebagai

penggunaan teknologi informasi untuk membantu mengumpulkan, mengatur, dan saling
berbagi pengetahuan bisnis di dalam organisasi. Di banyak organisasi, database hipermedia
di situs Web intranet korporat telah menjadi basis pengetahuan untuk penyimpanan dan
penyebaran pengetahuan bisnis. Pengetahuan ini sering berbentuk best practise, kebijakan,
dan solusi bisnis di tingkat proyek, tim, unit bisnis, dan tingkat perusahaan.

B. KECERDASAN BUATAN DAN TEKNOLOGI DALAM BISNIS

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

berbagai cara. Kecerdasan Buatan /AI sendir merupakan ranah teknologi dan sains yang
berasal dari ilmu komputer, biologu, psikologi, ilmu bahasa, matematika dan ke-teknikan

36
(enginering).Dengan kehadiran kecerdasan buatan tersebut komputer diharapkan memiliki
kemampuan untuk berfikir sebaik mungkin seperti halnya manusia. Komputer juga
didorong mampu berfungsi layaknya kecerdasan manusia sebagaimana.

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

Kehadiran teknologi kecerdasan buatan sempat diragukan kemampuannya ketika

pertama kali dicetuskan pada tahun 1950an. Banyak pakar dengan berbagai latar belakan
mempertanyakan kemampuan dari kecerdasan buatan tersebut. Alan Turing, sebagai
pelopor kecerdasan buatan kala itu mengajukan metode untuk mengetahui sejauhmana
kemampuan komputer dalam berfikir layaknya manusia. Walaupun penelitian serupa terus
dikembangkan, hal tersebut belum dapat meredam berbagai kritik dan keraguan atas
teknologi kecerdasan buatan. Salah satu metode turunan dari Turin adalah CAPTCHA
(Completely Automated Public Turing test to tell Computer and Human Apart). Test
CAPTCHA tersebut pada mulanya berupa serangkaian proses yang diciptakan oleh
manusia untuk mengetes komputer, namun saat ini digunakan sebaliknya yaitu diciptakan
(create) oleh komputer untuk mengetes manusia. Karena komputer pada umumnya tidak
dapat lolos dari tes CAPTCHA, sehingga bisa dipastikan bahwa yang bisa melalui ter
tersebut adalah manusia. Praktek semacam ini banyak diimplementasikan pada transaksi
melalui Web.

10.16 Ruang Lingkup Kecerdasan Buatan

Ruang lingkup utama dari kecerdasan buatan yang terdiri dari tiga aspek utama yaitu
kognitif, robotik dan natural interface, walaupun dimungkinkan adanya aspek lain dan
adanya tumpang tindih antar aspek.

37
 Gambar 6 Atribut utama kecerdasan buatan.

Perhatikan bahwa banyak aplikasi AI dapat dikelompokkan menjadi tiga bidang utama
yaitu kognitif ilmu pengetahuan, robotika, dan interface alami. Untuk itu diperlukan
pembahasan terperinci dari tiga aspek tersebut sebagai berikut:

1. Kognitif, merupakan area kecerdasan buatan yang bersumber dari ilmu biologi,
neurologi, psikologi matematik dan berbagai disiplin lainnya. Aspek ini berfokus
pada upaya bagaimana otak manusia bekerja untuk berfikir dan belajar serta
berbasis pada penelitian tentang bagaimana manusia memproses informasi.
Penggunaan kecerdasan buatan dalam aspek ilmu kognitif dapat dicontohkan
sebagai berikut:
penggunaan expert system dan knowledge based system
sistem logika fuzzy, untuk memproses data yang tidak lengkap, ambigu dan
permasalahan yang bersifat semi struktural
Jaringan saraf tiruan mampu bekerja dengan mengenali pola dan mencari solusi
dengan pola tersebut
Algoritma genetika bekerja layaknya teori Darwin yang dapat mensimulasikan
proses evolusi
Inteligence Agent, menggunakan expert system dan berbagai teknologi dalam
kecerdasan buatan untuk menggantikan peran manusia dalam bidang tertentu

38
 2. Robotik, berdasar pada ilmu keteknikan, psikologi dan kecerdasan buatan sehingga
memungkinkan robot memiliki daya melihat, menilai sesuatu, meraba dan
ketangkasan dalam menangani atau memanipulasi. Juga dimungkinkan dalam
aktivitas lokomosi dan pergerakan suatu barang dari area satu ke area lain atau
menentukan tujuan pergerakan.
3. Natural Interface, Pengembangan natural interface dilandasi keinginan penggunaan
komputer secara alami, sebagai contohnya adalah pengenalan bahasa alami dan
pengenalan suara. Kedua hal tersebut menjadi objek pengembangan pada aspek
natural interface. Keinginan untuk menjadikan komputer dan robot mampu
memahami bahasa manusia menjadikan berbagai riset tentang aspek ini
berkembang.

10.17 Sistem Pakar (Expert System)

Salah satu penggunaan kecerdasan buatan yang paling populer adalah sistem pakar.
Sistem pakar bermula dari sistem informasi pengetahuan (knowledge based), dan
digunakan secara spesifik dan pada permasalahan yang kompleks guna berperan layakanya
konsultan ahli. Sistem pakar memungkinkan mendukung keputusan karena mampu
memberikan sejumlah alasan terhadap suatu permasalahan yang membutuhkan
pengetahuan tertentu. Sistem pakar memiliki dua komponen yaitu dasar pengetahuan dan
software. Pengetahuan berisi kejadian atau fakta tentang subjek dan tatacara penilaian
terhadap subjek. Sedangkan sofware memuat program-program untuk melakukan
pendugaan dan media berkomunikasi dengan pengguna.

Sistem pakar bertindak layaknya konsultan. Menanyakan sejumlah pertanyaan kepada

pengguna, melakukan pencarian terhadap pengetahuan dan metode yang berkaitan dengan
pertanyaan kemudian menyusun sejumlah argumen dan saran terhadap suatu subjek
permasalahan. Penggunaan sistem pakar kini kian meluas ke berbagai bidang profesi seperti
mendiagnosa penyakit, menganalisa kandungan bahan, memberi saran rekomendasi atas
perbaikan, membimbing konsumen atau melakukan perencanaan keuangan. Sehingga dari
sudut pandang bisnis, sistem pakar dapat dilibatkan dalam proses atau siklus bisnis.

Sistem pakar mendapatkan pengetahuan dari para ahli, dan bisa melampaui kinerja
seorang pakar. Hal tersebut dimungkinkan karena sistem pakar tidak mengenal lelah, dapat
menampung informasi dari banyak pakar dengan sekaligus dan bekerja lebih cepat dan
konsisten. Sistem pakar mampu melestarikan kepakaran seseorang dan menyimpannya.
sehingga perusahaan tidak perlu khawatir kehilangan pakarnya dikarenakan pakar tersebut
berhenti dari perusahaan. Terlebih lagi, sistem pakar memungkinkan pengetahuan yang
dimiliki dan terekam didalamnya untuk dibagi dan digunakan secara bersama.

39
 Kelemahan dari sistem pakar ada pada ketidakmampuan untuk belajar, tidak fokus,
perawatan dan pengembangan. Sistem pakar hanya dapat menyelesaikan permasalahan
yang spesifik karena keterbatasan bahan pengetahuan yang dimiliki dan tidak dapat
menyelesaikan masalah yang bersifat subjektif. Sistem pakar mampu menghasilkan
analisisis tajam terhadap objek yang dikuasainya, namun lemah terhadap penunjangan
keputusan yang bersifat subjektif. Secara teknis, perawatan dan pengemabngan dari sistem
pakar membutuhkan biaya yang tidak sedikit. Juga sistem pakar tidak dapat belajar dari
pengetahuan yang dimilikinya secara mandiri melainkan harus diajarkan.

10.18 Pengembangan Sistem Pakar

Expert system shell (ESS) digunakan sebagai alat bantu pengembangan sistem pakar.
Metode tersebut meruapakan cara termudah untuk mengembangkan sistem tersebut. ESS
merupakan paket software berisis sistem pakar tanpa fasilitas pemrograman, karena inti dari
sistem pakar adalah pengetahuan. ESS kadang dilengkapi dengan fitur tambahan seperti
editor dan pengolah antar muka. ESS saat ini semakin mudah digunakan, bahkan
pengembang yang tidak memiliki latar belakang teknologi informasi dapat
mengembangkan sistem pakar. Kemudahan juga diperoleh dari variasi biaya paket software
ESS.

Dalam pengembangan sistem pakar dikenal knowledge engineer, yaotu seseorang yang
bertugas memasukkan pengetahuan yang didapat dari para pakar kedalam sistem. Proses
pengambilan pengetahuan tersebut memerlukan kepakaran tersendiri, oleh karena itu
pengetahuan yang telah dimasukkan kedalam sistem oleh engineer harus dites terlebih
dahulu. Posisi knowledge engineer mirip dengan analis sistem informasi.

Ketika suatu perusahaan memutuskan untuk membuat suatu sistem pakar, maka
diperlukan knowledge engineer dan para ahli. Knowledge engineer membantu para ahli
untuk merancang sistem pakar dengan bantuan ESS. Para ahli juga menentukan modul dan
metode apa yang digunakan oleh sistem untuk menilai dan menyelesaikan permasalahan
berdasarkan kepakaran. Proses tersebut bisa jadi dilakukan berulang-ulang agar sistem
pakar dapat menyamai output yang dihasilkan oleh para ahli.

10.19 Jaringan Saraf Tiruan (Neural Network)

Neural network merupakan model komputasi yang menyerupai kerja jejaring

interkoneksi pada otak manusia yang disebut neuron. Seperti halnya kerja otak manusia,
jejaring sarat tiruan dapat belajar dari data-data yang dimasukkan untuk menghasilkan pola
dan hubungan antar data tersebut. Semakin banyak data yang bisa dimasukkan, semakin
bagus output yang dihasilkan karena komputer akan terus belajar dari data yang baru
diinputkan. Sebagai contoh, dari sejumlah data karakteristik nasabah kredit dan data

40
kualitas pinjaman, memungkinkan bagi sistem yang bekerja dengan jejaring saraf tiruan
untuk mengenali karakter peminjam seperti apa yang akan berpotensi masalah, begitu pula
sebaliknya. Untuk menghasilkan akurasi yang tinggi, jejaring saraf tiruan harus terus
senantiasa dilatih dengan menginput sejumlah data dengan beragam variasi karakter.

10.20 Logika Fuzzy

Walaupun sederhana namun logika fuzzy merupakan aplikasi yang sangat serius
digunakan sebagai kecerdasan buatan untuk aplikasi bisnis. Metode fuzzy bekerja layaknya
manusia berpendapat, karena seringkali manusia berpendapat yang sifatnya subjektif.
Logika fuzzy mampu bekerja dengan data yang sifatnya ambigu, tidak tegas dan
menghasilkan keputusan yang sifatnya perkiraan dan berada diantara dua hal yang
diperbandingkan.

Bagaimana logika fuzzy dapat menghasilkan output yang sifatnya tidak presisi?
Penjelasannya sebagai berikut:

Ketika data yang dinput bersifat ambigu dan tidak sempurnya, metode fuzzy mampu
menghasilkan kesimpulan dengan cepat namun dapat diterima dari data tersebut. Sekalipun
metode fuzzy bekerja dengan situasi yang tidak presisi, namun logika fuzzy bukanlah suatu
yang sifatnya tidak pasti dan tidak presisi, karena logika fuzzy mampu memberi ketepatan
yang berguna dalam pengambilan keputusan.

10.21 Algoritma Genetika

Penggunaan algoritma genetika saat ini sedang berkembang. Metode algoritma genetik
mengikuti teori seleksi alam Darwin, pengacakan dan beberapa fungsi matematis untuk
mensimulasikan proses evolusi yanang nantinya dapat berguna bagi keputusan bisnis.
Proses ini dapat menyingkat waktu mengingat proses evolusi yang terjadi dialam
berlangsung ribuan tahun, sedangkan melalui algoritma genetikaproses tersebut dapat
berjalan dengan singkat. Penggunaan algoritma genetika khususnya berguna bagi
perusahaan yang telah memiliki sejumlah solusi yang pernah dipraktekkan namun masih
dinilai perlu untuk memilih mana yang terbaik dari sekian banyak solusi tersebut.
Algoritma genetik menggunakan sejumlah proses matematis untuk memilih secara acak
(random) dan menseleksi output mana yang baik dan mana yang lemah sehingga yang
tersisa adalah solusi yang paling baik dan optimal.

10.22 Realita Virtual

Realita virtual merupakan simulasi dunia nyata via komputer. Realita Virtual mengalami
peningkatan pengunaan paling cepat dibanding model kecerdasan buatan lainnya karena

41
lebih natural, realistik dan melibatkan interaksi antara indra manusia dan antarmuka
komputer. Realita Virtual juga sering dikenal dengan telepresence. Penggunaan multi
sensor dalam realita virtual dan memungkinkan bertinteraksi dengan panca indra lainnya
menjadikan pengguna realita virtual memberikan pengalaman tersendiri bagi pengguna.
Teknologi realita virtual memungkinkan interaksi dan penyajian data dalam kacamata
video, earphone dan sensor-sensor yang mendeteksi pergerakan sejumlah organ tubuh.

Penggunaan teknologi realita virtual sangat luas seperti teknik CAD (Computer Aided
Design), simulasi penerbangan, diagnosa medis, percobaan ilmiah di bidang fisika dan
biologi, hiburan, demo produk, dan games. Teknik CAD paling banyak digunakan dalam
bisnis. Teknik tersebut memungkinkan desainer atau arsitek melakukan tes terhadap desain
yang telah dibuat tanpa harus membuat rancangan fisiknya terlebih dahulu. Visualisasi
yang dihasilkan dapat dimanfaatkan oleh praktisi farmasi untuk mengembangkan bahan
pengobatan baru atau menjadi model pengganti tubuh manusia.

Teknologi realita virtual dikatakan telepresence apabila digunakan oleh seorang atau
banyak orang di berbagai tempat secara bersamaan.

42