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:
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
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.
Untuk alasan tersebut, pembuatan keputusan kelompok dapat lebih rumit daripada
membuat keputusan individu.
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.
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).
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.
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.
Teknologi dan alat bantu keputusan dapat membantu dalam setiap tahapan proses
pembuatan keputusan,
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.
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)
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 .
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 .
1. karakteristik kunci dan kemampuan DSS ditunjukkan pada Gambar dan diperkuat
dalam teks di bawah ini :
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
12
DSS Model -driven
DSS Compound , hibrida yang menggabungkan dua atau lebih kategori ini
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.
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).
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.
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 .
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. )
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.
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
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 .
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.
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.
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.
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.
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
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
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
24
REVIEW MANAGEMENT INFORMATION SYSTEM 10 Edition By James A.
OBrien, George M. Marakas
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.
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
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
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.
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.
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.
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
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:
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
31
pemotongan sering dilakukan sejalan dengan sumbu waktu untuk menganalisis tren
dan menemukan pola berbasis waktu pada data.
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.
33
10.8 Sistem Visualisasi dan Informasi Geografis
1. Analisi jika-maka
2. Analisis sensitivitas
3. Analisis pencarian sasaran
4. Analisis optimisasi
10.10 Analisis Jika-Maka
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.
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.
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.
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.
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.
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 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.
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.
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.
Walaupun sederhana namun logika fuzzy merupakan aplikasi yang sangat serius
digunakan sebagai kecerdasan buatan untuk aplikasi bisnis. Metode fuzzy bekerja layaknya
manusia berpendapat, karena seringkali manusia berpendapat yang sifatnya subjektif.
Logika fuzzy mampu bekerja dengan data yang sifatnya ambigu, tidak tegas dan
menghasilkan keputusan yang sifatnya perkiraan dan berada diantara dua hal yang
diperbandingkan.
Bagaimana logika fuzzy dapat menghasilkan output yang sifatnya tidak presisi?
Penjelasannya sebagai berikut:
Ketika data yang dinput bersifat ambigu dan tidak sempurnya, metode fuzzy mampu
menghasilkan kesimpulan dengan cepat namun dapat diterima dari data tersebut. Sekalipun
metode fuzzy bekerja dengan situasi yang tidak presisi, namun logika fuzzy bukanlah suatu
yang sifatnya tidak pasti dan tidak presisi, karena logika fuzzy mampu memberi ketepatan
yang berguna dalam pengambilan keputusan.
Penggunaan algoritma genetika saat ini sedang berkembang. Metode algoritma genetik
mengikuti teori seleksi alam Darwin, pengacakan dan beberapa fungsi matematis untuk
mensimulasikan proses evolusi yanang nantinya dapat berguna bagi keputusan bisnis.
Proses ini dapat menyingkat waktu mengingat proses evolusi yang terjadi dialam
berlangsung ribuan tahun, sedangkan melalui algoritma genetikaproses tersebut dapat
berjalan dengan singkat. Penggunaan algoritma genetika khususnya berguna bagi
perusahaan yang telah memiliki sejumlah solusi yang pernah dipraktekkan namun masih
dinilai perlu untuk memilih mana yang terbaik dari sekian banyak solusi tersebut.
Algoritma genetik menggunakan sejumlah proses matematis untuk memilih secara acak
(random) dan menseleksi output mana yang baik dan mana yang lemah sehingga yang
tersisa adalah solusi yang paling baik dan optimal.
Realita virtual 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