Sistem Dukungan Manajerial (Managerial Support Systems)

Sistem pendukung manajerial adalah topik kedua dari tiga bab ini yang ditujukan untuk survei
kami tentang bidang aplikasi teknologi informasi (TI). Sistem pendukung manajerial dirancang untuk
memberikan dukungan kepada manajer khusus atau sekelompok kecil manajer, dan mereka
termasuk aplikasi untuk mendukung pengambilan keputusan manajerial seperti sistem pendukung
kelompok, sistem informasi eksekutif, dan sistem pakar. Sebaliknya, bab sebelumnya membahas
sistem perusahaan yang dirancang untuk mendukung seluruh organisasi atau sebagian besar
darinya, seperti sistem pemrosesan transaksi, pergudangan data, groupware, dan intranet. Bersama-
sama kedua bab ini memberikan gambaran yang relatif komprehensif tentang penerapan TI dalam
satu organisasi (sistem intraorganizasional). Untuk melengkapi survei aplikasi IT, Bab 7 akan fokus
pada aplikasi e-bisnis yang mencakup batas-batas organisasi, termasuk aplikasi B2C dan B2B
menggunakan Internet. Diambil sebagai satu set, tiga bab ini mencakup sebagian besar aplikasi TI
yang digunakan saat ini.

Sistem perusahaan yang dibahas dalam bab sebelumnya sangat penting untuk menjalankan
bisnis atau jenis organisasi lainnya, dan Anda akan berurusan dengan banyak sistem perusahaan
seperti itu, terutama sistem pemrosesan transaksi dan groupware. Namun demikian, sistem
perusahaan ini telah dirancang untuk mendukung organisasi secara keseluruhan, bukan Anda secara
khusus atau bahkan sekelompok manajer. Sistem pendukung manajerial, sebaliknya, dimaksudkan
untuk secara langsung mendukung Anda dan manajer lain ketika Anda membuat keputusan strategis
dan taktis untuk organisasi Anda. Misalnya, sistem pendukung keputusan (DSSs) dirancang untuk
membantu manajer dan profesional lain menganalisis data internal dan eksternal. Dengan
menangkap keahlian ahli manusia, sistem pakar menyarankan para ahli di bidang keputusan
tertentu. Sistem pendukung kelompok dirancang untuk membuat kerja kelompok, terutama
pertemuan, lebih produktif. Sistem informasi eksekutif (EISs) menyediakan data ringkasan yang
mudah dinavigasi untuk para manajer suatu organisasi. Bab ini akan mengeksplorasi ini dan sistem
pendukung manajerial lainnya yang semakin penting dalam menjalankan organisasi modern.

SISTEM PENDUKUNG KEPUTUSAN (DECISION SUPPORT SYSTEMS)

Sistem pendukung adecision (DSS) adalah sistem berbasis komputer, hampir selalu interaktif,
yang dirancang untuk membantu seorang manajer (atau pembuat keputusan lain) dalam mengambil
keputusan. DSS menggabungkan data dan model untuk membantu pengambil keputusan
memecahkan masalah, terutama masalah yang tidak terstruktur dengan baik. Data sering diekstraksi
dari sistem pemrosesan transaksi atau gudang data, tetapi itu tidak selalu terjadi. Modelnya
mungkin sederhana, seperti model untung-rugi untuk menghitung laba dengan asumsi tertentu, atau
rumit, seperti model optimasi untuk menyarankan pemuatan untuk setiap mesin di toko pekerjaan.
DSS dan banyak sistem yang dibahas dalam bagian berikut tidak selalu dibenarkan oleh pendekatan
biaya-manfaat tradisional; untuk sistem ini, banyak manfaat tidak berwujud, seperti pengambilan
keputusan yang lebih cepat dan pemahaman data yang lebih baik.
 Gambar 6.1 menunjukkan bahwa DSS memerlukan tiga komponen utama: manajemen model
untuk menerapkan model yang sesuai, manajemen data untuk memilih dan menangani data yang
sesuai, dan manajemen dialog untuk memfasilitasi antarmuka pengguna ke DSS. Pengguna
berinteraksi dengan DSS melalui komponen manajemen dialog, mengidentifikasi model dan
kumpulan data tertentu yang akan digunakan, dan kemudian DSS menyajikan hasilnya kepada
pengguna melalui komponen manajemen dialog yang sama ini. Manajemen model dan komponen
manajemen data sebagian besar bertindak di belakang layar, dan mereka bervariasi dari yang relatif
sederhana untuk model spreadsheet khas hingga cukup rumit untuk model penjadwalan berbasis
pemrograman matematis.

Jenis DSS yang sangat populer adalah pembuat laporan keuangan. Menggunakan paket
spreadsheet seperti Microsoft Excel, seorang manajer membangun sebuah model untuk
memproyeksikan berbagai elemen organisasi atau laporan keuangan divisi ke masa depan. Data
yang digunakan adalah angka-angka keuangan historis untuk organisasi. Model awal (basis)
menggabungkan berbagai asumsi tentang tren masa depan dalam kategori pendapatan dan
pengeluaran. Setelah melihat hasil model dasar, manajer melakukan serangkaian analisis "apa-jika"
dengan memodifikasi satu atau lebih asumsi untuk menentukan dampaknya pada garis bawah.
Sebagai contoh, manajer mungkin mengeksplorasi dampak pada profitabilitas jika penjualan produk
baru tumbuh sebesar 10 persen per tahun, daripada 5 persen yang tergabung dalam model dasar.
Atau manajer dapat menyelidiki dampak kenaikan harga bahan baku yang lebih tinggi dari perkiraan,
seperti 7 persen per tahun, bukan 4 persen per tahun. Jenis pembuat laporan keuangan ini adalah
DSS yang sederhana namun kuat untuk memandu pengambilan keputusan keuangan.

Contoh DSS yang didorong oleh data transaksi adalah sistem alokasi polisi-beat yang
digunakan oleh kota California. Sistem ini memungkinkan petugas polisi untuk menampilkan garis
besar peta dan memanggil data berdasarkan zona geografis, yang menunjukkan panggilan polisi
untuk layanan, jenis layanan, dan waktu layanan. Kemampuan grafis interaktif sistem
memungkinkan petugas memanipulasi peta, zona, dan data untuk mempertimbangkan berbagai
alternatif pengawasan polisi dengan cepat dan mudah dan mengambil keuntungan maksimal dari
penilaian petugas.

Contoh DSS lainnya termasuk sistem interaktif untuk perencanaan kapasitas dan penjadwalan
produksi di perusahaan kertas besar. Sistem ini menggunakan data historis rinci dan peramalan dan
model penjadwalan untuk mensimulasikan keseluruhan kinerja perusahaan di bawah asumsi
perencanaan yang berbeda. Sebuah perusahaan minyak besar mengembangkan DSS untuk
mendukung pengambilan keputusan investasi modal. Sistem ini menggabungkan berbagai rutinitas
keuangan dan model untuk menghasilkan rencana masa depan; rencana ini dapat ditampilkan dalam
bentuk tabel atau grafik untuk membantu pengambilan keputusan. Sebuah maskapai besar
menggunakan DSS untuk membantu pengontrol pesawat menghadapi masalah kekurangan pesawat
yang mungkin timbul di bandara karena penerbangan masuk yang tertunda atau dibatalkan atau
masalah mekanis untuk pesawat di darat. DSS, yang menggunakan teknik pemodelan optimisasi
jaringan, membantu pengendali menggunakan pesawat cadangan secara lebih efektif serta
mengevaluasi opsi-opsi tunda-dan-tukar yang mungkin. Selama periode 18 bulan, DSS ini
menyelamatkan maskapai penerbangan lebih dari $ 500.000 dalam biaya keterlambatan.

Semua contoh DSS yang dikutip lebih tepat disebut DSS spesifik. Ini adalah aplikasi aktual yang
membantu dalam proses pengambilan keputusan. Sebaliknya, generator DSS adalah paket perangkat
lunak yang menyediakan sekumpulan kemampuan untuk membangun DSS spesifik dengan cepat dan
mudah (Sprague dan Carlson, 1982). Dalam contoh laporan keuangan proforma sebelumnya,
Microsoft Excel dapat dilihat sebagai generator DSS, sedangkan model Excel tertentu untuk
memproyeksikan laporan keuangan untuk divisi khusus perusahaan adalah DSS spesifik.

A Potpourri Contoh DSS

(A Potpourri of DSS Examples)
Hampir setiap masalah Antarmuka, sebuah jurnal yang ditujukan untuk menjelaskan aplikasi
praktis dari ilmu manajemen dan riset operasi, berisi diskusi tentang satu atau lebih DSS baru. Untuk
mengilustrasikan, kami secara singkat menggambarkan tiga sistem pendukung keputusan yang
cukup berbeda yang disajikan dalam tiga isu Interfaces baru-baru ini.

Continental Airlines menggunakan DSS untuk meminimalkan biaya gangguan jadwal yang
disebabkan oleh kejadian tak terduga seperti cuaca buruk, masalah mekanis pesawat, dan tidak
tersedianya awak kapal (Yu, et al., 2003). Karena gangguan tersebut, kru mungkin tidak diposisikan
dengan benar untuk melayani penerbangan terjadwal yang tersisa. CALEB Technologies telah
mengembangkan CrewSolver DSS untuk menghasilkan solusi pemulihan awak yang optimal atau
hampir optimal untuk menutup penerbangan terbuka dan mengembalikan kru ke jadwal awal
mereka dengan cara yang hemat biaya sambil menghormati peraturan pemerintah, aturan kontrak,
dan persyaratan kualitas hidup . CrewSolver adalah DSS real-time yang dioperasikan oleh
koordinator kru menggunakan antarmuka pengguna grafis. CrewSolver menggunakan data operasi
langsung dari database pengendalian operasi sistem serta file awak lengkap. Ketika peristiwa yang
mengganggu terjadi, koordinator kru meminta solusi pemulihan, dan CrewSolver menggunakan
model pemrograman matematis (diselesaikan oleh algoritma pencarian berbasis heuristik) untuk
menghasilkan hingga tiga solusi, dari mana koordinator kru memilih satu. Solusi terdiri dari
penugasan kembali kru dari satu penerbangan ke yang lain, kru pemberontak untuk menutupi
penerbangan atau kembali ke pangkalan, menahan awak di lokasi mereka saat ini, menugaskan kru
tugas tambahan, memindahkan kru pesawat ke kota yang berbeda, dan menggunakan kru cadangan
untuk penerbangan penutup yang tidak ditemukan oleh kru aktif. Hasil dari penggunaan CrewSolver
sangat mengesankan. Continental Airlines memperkirakan bahwa ia menghemat $ 40 juta selama
tahun 2001 dari penggunaan CrewSolver untuk memulihkan dari empat gangguan utama: badai salju
yang melanda Newark, New Jersey, tepat sebelum Malam Tahun Baru dan lagi di bulan Maret, hujan
deras yang menutup bandara Houston selama sehari pada bulan Juni, dan serangan teroris pada 11
September 2001.
Jenis DSS yang sangat berbeda telah dikembangkan untuk membantu Schlumberger,
perusahaan jasa ladang minyak terkemuka, dalam menawar dan melaksanakan survei seismik tanah
(Mullarkey, et al., 2007). Salah satu layanan yang ditawarkan oleh Schlumberger adalah survei
seismik, proses pemetaan formasi batuan bawah tanah dengan gelombang suara yang direfleksikan,
yang merupakan langkah awal yang penting dalam identifikasi dan pemulihan cadangan minyak dan
gas. Melakukan survei seismik adalah operasi logistik yang rumit yang berlangsung hingga enam
bulan, mencakup ratusan mil persegi, dan melibatkan banyak orang. Schlumberger harus
mengajukan tawaran untuk proyek survei seismik, dan karenanya harus dapat memperkirakan biaya
survei dengan cepat dan akurat. Mullarkey dkk. mengembangkan alat simulasi untuk mengevaluasi
dampak ukuran awak, jumlah peralatan yang digunakan, area survei, desain survei, wilayah
geografis, dan kondisi cuaca pada biaya dan jangka waktu survei. Simulator melibatkan elemen
stokastik untuk memasukkan faktor-faktor seperti kegagalan peralatan dan berbagai kecepatan
kendaraan dan kru yang digunakan dalam survei. Karena hasilnya stochastic, simulator dijalankan
beberapa kali untuk setiap skenario, yaitu, untuk setiap set faktor input. Skenario bervariasi untuk
mencapai angka biaya terbaik untuk jangka waktu survei yang dapat diterima; Schlumberger
kemudian dapat menggunakan biaya dalam mempersiapkan penawarannya untuk proyek tersebut.
Pada empat survei, penggunaan DSS menghasilkan penghematan sekitar $ 2 juta, jadi simulator
harus menghemat Schlumberger $ 1,5 hingga $ 3 juta setiap tahun. Meskipun simulator dibangun
untuk estimasi tawaran, itu juga telah digunakan untuk perencanaan produksi pada pekerjaan yang
ada, dan rencana masa depan termasuk menanamkan simulator dalam "kerangka kerja pendukung
keputusan end-to-end untuk setiap pekerjaan seismik tanah, membuat simulator tersedia untuk
kedua survei penawaran dan pelaksanaan ”(hal. 121–122).
DSS multipart yang kompleks bernama RealOpt telah dibangun untuk memungkinkan
infrastruktur kesehatan masyarakat di Amerika Serikat untuk merespon dengan cepat dan efektif
terhadap keadaan darurat kesehatan publik, seperti serangan bioteroris atau pandemik (Lee, dkk.,
2009). Fokus dari RealOpt adalah pada pengeluaran massal penanggulangan medis untuk melindungi
masyarakat umum. RealOpt terdiri dari empat DSS stand-alone, yang akan kami sebutkan secara
singkat. Bantuan RealOpt-Regional dalam penentuan lokasi untuk fasilitas point-of-dispensing (POD)
di suatu wilayah, mempertimbangkan kepadatan populasi dan demografi wilayah tersebut. Ini
termasuk alat visualisasi interaktif untuk membantu pengguna dengan pemahaman spasial wilayah
serta prosedur matematika berbasis heuristik khusus untuk sampai pada solusi yang layak layak
untuk masalah lokasi POD, yang merupakan program campuran-integer nonlinier yang sangat
kompleks. RealOpt-POD adalah DSS untuk tata letak fasilitas dan alokasi sumber daya untuk fasilitas
POD. Menggunakan alat grafik-gambar otomatis, simulasi, dan algoritma yang tepat dan heuristik, ia
merancang rencana lantai yang efisien untuk fasilitas POD dan menentukan staf yang diperlukan dan
penempatan mereka di dalam fasilitas. RealOpt-RSS adalah DSS untuk manajemen efisien logistik
penerimaan, tahap, dan penyimpanan (RSS) fasilitas dan node distribusi regional untuk
penanggulangan medis. Akhirnya, RealOpt-CRC prihatin dengan perencanaan dan tanggapan darurat
radiologi. Sejak 2005, RealOpt telah berhasil digunakan dalam latihan perencanaan untuk
menanggapi peristiwa pandemi yang disimulasikan dan serangan bioteroris di berbagai lokasi di
Amerika Serikat.

PENAMBANGAN DATA (DATA MINING)

Di Bab 5 kami memperkenalkan data pergudangan — gagasan perusahaan yang menarik data
dari sistem operasinya dan menempatkan data di gudang data terpisah sehingga pengguna dapat
mengakses dan menganalisis data tanpa mengganggu sistem operasional. Dalam diskusi itu kami
menyentuh berbagai perangkat lunak yang tersedia untuk analisis data di gudang tetapi menunda
diskusi yang lebih lengkap hingga bab ini. Argumen kami adalah bahwa pembuatan dan
pemeliharaan gudang data adalah sistem perusahaan, di mana gudang data mendukung seluruh
organisasi dengan membuat data tersedia bagi semua orang, sedangkan analisis data dilakukan oleh
dan / atau untuk satu manajer atau sekelompok kecil manajer dan oleh karena itu, sistem
pendukung manajerial. Tanpa secara eksplisit menyebutkannya, kita telah memulai diskusi yang
lebih rinci tentang alat-alat ini untuk menganalisis data di gudang, karena DSS yang dijelaskan di
bagian sebelumnya sering menarik data yang mereka butuhkan langsung dari gudang data
organisasi.

Penambangan data menggunakan berbagai teknologi (seperti pohon keputusan dan jaringan
syaraf) untuk mencari, atau "menambang," "bongkahan" informasi dari sejumlah besar data yang
disimpan di gudang data organisasi. Penambangan data, yang terkadang dianggap sebagai bagian
dari sistem pendukung keputusan, sangat berguna ketika organisasi memiliki volume besar data
transaksi di gudangnya. Konsep data mining tidak baru, meskipun istilah itu menjadi populer hanya
di akhir 1990-an. Selama lebih dari dua dekade, banyak organisasi besar telah menggunakan analis
internal atau eksternal, sering disebut ilmuwan manajemen, untuk mencoba mengidentifikasi tren,
atau pola, dalam jumlah besar data dengan menggunakan teknik statistik, matematika, dan
kecerdasan buatan (AI). Dengan pengembangan gudang data berskala besar dan ketersediaan
kekuatan pemrosesan yang murah, minat baru akan apa yang disebut sebagai data mining muncul
dalam beberapa tahun terakhir.

Seiring dengan minat baru ini muncul berbagai produk perangkat lunak pertambangan data
komersial bertenaga tinggi dan relatif mudah digunakan. Di antara produk-produk ini adalah IBM
SPSS Modeler Professional, Oracle Data Mining, Salford Predictive Miner, SAS Enterprise Miner dan
Text Miner, TIBCO Spotfire Miner, XLMiner untuk Windows (add-in untuk Microsoft Excel dari
Resampling Stats), dan KnowledgeSEEKER, KnowledgeSTUDIO, dan StrategyBUILDER dari Angoss
Software (berbasis di Kanada). Di antara produk penambangan data yang lebih menarik adalah
produk penambangan teks, seperti SAS Text Miner, yang memiliki kemampuan untuk menangani
informasi tekstual, menarik data dari surat, memo, catatan medis, blog, wiki, tweet, dan dokumen
dari semua jenis dan menemukan tema dan pola dalam dokumen-dokumen ini. Produk
penambangan data sangat bervariasi dalam biaya, mulai dari kurang dari $ 1.000 untuk beberapa
produk desktop hingga lebih dari $ 100.000 untuk beberapa produk perusahaan yang berjalan di
server besar. Konsultan sering diminta untuk sepenuhnya memanfaatkan kemampuan produk yang
lebih komprehensif.

Apa teknik keputusan atau pendekatan yang digunakan dalam penambangan data? Salah satu
teknik kunci, pohon keputusan, tertanam dalam banyak paket. Pohon keputusan adalah struktur
berbentuk pohon yang berasal dari data untuk mewakili serangkaian keputusan yang menghasilkan
berbagai hasil — berbagai titik akhir pohon. Ketika satu set keputusan baru disajikan, seperti
informasi tentang pembelanja tertentu, pohon keputusan kemudian memprediksi hasilnya. Jaringan
saraf, cabang kecerdasan buatan yang akan dibahas nanti dalam bab ini, dimasukkan dalam sebagian
besar produk high-end. Teknik populer lainnya termasuk regresi linier dan logistik; peraturan asosiasi
untuk menemukan pola kejadian yang terjadi bersama; pengelompokan untuk segmentasi pasar;
induksi aturan, ekstraksi aturan if-then berdasarkan signifikansi statistik; tetangga terdekat,
klasifikasi catatan berdasarkan yang paling mirip dengannya dalam basis data; dan algoritma
genetika, teknik optimasi berdasarkan konsep kombinasi genetik, mutasi, dan seleksi alam.

Untuk kelengkapan, mari kita perkenalkan istilah yang terkait dengan penambangan data,
tetapi dengan perbedaan — pemrosesan analitik online (OLAP). OLAP telah digambarkan sebagai
analisis humandriven, sedangkan penambangan data dapat dilihat sebagai teknik-driven. OLAP pada
dasarnya melakukan query terhadap database, menggunakan perangkat lunak OLAP yang
membuatnya mudah untuk mengajukan pertanyaan kompleks sepanjang beberapa dimensi, seperti
waktu, unit organisasi, dan geografi. Komponen utama OLAP adalah server OLAP, yang berada di
antara mesin klien dan server basis data. Server OLAP memahami bagaimana data diatur dalam basis
data dan memiliki fungsi khusus untuk menganalisis data. Sebaliknya, penggalian data
menggabungkan teknik-teknik seperti pohon keputusan, jaringan saraf, dan algoritma genetika.
Program OLAP mengekstraksi data dari database dan menyusunnya berdasarkan dimensi individual,
seperti region atau dealer. Perangkat lunak penambangan data mencari database untuk pola dan
hubungan, menggunakan teknik seperti jaringan saraf.

Tentu saja, apa yang dapat Anda lakukan dengan penambangan data lebih penting bagi Anda
sebagai seorang manajer daripada teknik keputusan yang digunakan. Aplikasi khas dari
penambangan data diuraikan pada Tabel 6.1. Apa pun sifat bisnis Anda, peluangnya bagus bahwa
beberapa aplikasi ini dapat berarti peningkatan laba. Sebagian besar aplikasi ini berfokus pada
menggali informasi berharga tentang pelanggan Anda.

TABLE 6.1 Penggunaan Data Mining

Aplikasi Deskripsi
Cross selling Identifikasi produk dan layanan yang paling menarik bagi segmen pelanggan
yang ada dan kembangkan penawaran penjualan-silang dan jual-tinggi yang
disesuaikan untuk setiap segmen
Pelanggan churn Prediksi pelanggan mana yang cenderung meninggalkan perusahaan Anda
(Customer churn) dan mendatangi pesaing dan menargetkan pelanggan tersebut dengan risiko
tertinggi
Retensi pelanggan Identifikasi karakteristik pelanggan yang terkait dengan nilai umur tertinggi
(Customer dan kembangkan strategi untuk mempertahankan pelanggan ini dalam
retention) jangka panjang
Pemasaran langsung Identifikasi prospek mana yang harus dimasukkan dalam milis untuk
(Direct marketing) mendapatkan tingkat respons tertinggi
Deteksi penipuan Identifikasi transaksi mana yang kemungkinan besar curang berdasarkan pola
 (Fraud detection) pembelian dan tren; mengidentifikasi klaim asuransi yang kemungkinan
besar penipuan berdasarkan klaim serupa di masa lalu
Pemasaran interaktif Memprediksi apa yang setiap orang yang mengakses situs Web kemungkinan
(Interactive besar tertarik untuk melihat
marketing)
Analisis keranjang Pahami produk atau layanan apa yang umumnya dibeli bersama (mis., Bir
pasar (Market dan popok) dan kembangkan strategi pemasaran yang tepat
basket analysis)
Segmentasi pasar Segmentasikan pelanggan dan prospek yang ada ke dalam kelompok yang
(Market sesuai untuk tujuan promosi dan evaluasi dan tentukan cara mendekati
segmentation) setiap segmen untuk hasil yang maksimal
Analisis pembayaran Identifikasi pola khusus untuk memprediksi kapan dan mengapa pelanggan
atau default gagal melakukan pembayaran
(Payment or default
analysis)
Analisis tren (Trend Selidiki perbedaan antara pembelian rata-rata bulan ini dibandingkan bulan
analysis) lalu dan bulan sebelumnya

Banyak contoh operasi penambangan data yang sukses telah dilaporkan di majalah TI. Xerox
menggunakan penambangan data untuk meningkatkan perkiraan penjualan dan membebaskan
tenaga penjualannya untuk menghabiskan lebih banyak waktu dengan pelanggan. Xerox menginstal
perangkat lunak Rapid Insight Analytics dari Rapid Insight, Inc., untuk menambang pesanan
pelanggan, prospek penjualan, dan data rantai pasokan untuk mengembangkan perkiraan penjualan
bulanan dan kuartalan untuk Xerox North America (Whiting, 2006). Farmers Insurance Group,
penyedia asuransi mobil dan pemilik rumah yang berbasis di Los Angeles, menggunakan data mining
untuk mengembangkan harga yang kompetitif pada produk-produk asuransinya. Misalnya, Petani
menggunakan perangkat lunak DecisionEdge IBM untuk menambang data tentang pemilik mobil
sport. Biasanya, driver ini dikategorikan sebagai berisiko tinggi dan dengan demikian membayar
premi asuransi yang tinggi. Namun, Petani menemukan bahwa sekelompok besar pemilik mobil-
olahraga menikah, berusia 30 hingga 50 tahun, memiliki dua mobil, dan tidak memiliki risiko tinggi
kecelakaan. Petani menyesuaikan premi untuk kelompok ini ke bawah dan percaya bahwa
perusahaan memperoleh keunggulan kompetitif di segmen pasar ini (Davis, 1999).

Vermont Country Store (VCS), pengecer katalog pakaian tradisional, barang pribadi, dan
peralatan rumah tangga dari Weston, yang berbasis di Vermont, menggunakan perangkat lunak
Enterprise Miner SAS untuk mengelompokkan pelanggannya guna membuat milis pemasaran
langsung yang sesuai. “Kami berkonsentrasi pada profitabilitas, yang telah kami pelajari dapat
ditingkatkan dengan mengidentifikasi eselon teratas pelanggan dan mengirimkan katalog yang lebih
besar kepada mereka,” menurut Erin McCarthy, Manajer Layanan Statistik dan Penelitian di VCS. VCS
juga menggunakan penambangan data untuk menentukan milis yang akan digunakan untuk
kampanye khusus. Misalnya, VCS menggunakan Enterprise Miner untuk meneliti pola pembelian
Natal dan membuat daftar kampanye Natal khusus, hanya memilih pelanggan yang memesan
selama liburan. Pelanggan-pelanggan ini dapat semakin disegmentasikan oleh tingkat pembelian
mereka dan jenis produk yang mereka beli, dengan katalog terfokus yang dikirim ke setiap kelompok
terpisah. “Penambang Perusahaan adalah bagian besar dari mengapa kami dapat secara konsisten
menemukan cara yang lebih baik untuk mengirim email kepada pelanggan kami,” menurut Larry
Shaw, Wakil Presiden Pemasaran dan Kreatif VCS. “Saat Anda mengirim 50 juta katalog setahun, jika
Anda dapat meningkatkan hasil sebesar 1 hingga 3 persen, itu merupakan peningkatan besar”
(Dickey, 1999, dan situs SAS, 2010).

American Honda Motor Co. mengumpulkan data dalam jumlah besar — termasuk klaim
garansi, data call center teknisi, umpan balik pelanggan, dan penjualan komponen — tentang
masalah apa pun dengan kendaraannya, dan kemudian menggunakan penambangan data SAS dan
penambangan teks SAS untuk mengidentifikasi masalah dan menyelidiki masalah yang tidak jelas di
permukaan. Menggunakan SAS, Honda Amerika telah mengembangkan sistem peringatan dini yang
membantu pembuat mobil menemukan dan menyelesaikan masalah potensial. Misalnya, selama
penggunaan awal SAS, analis mengidentifikasi masalah dengan tiga model kendaraan berbeda yang
tidak muncul sebelumnya, dan masalah ini dengan cepat diselesaikan. SAS Text Miner
memungkinkan analis untuk membidik masalah kinerja tunggal yang dapat diidentifikasi berdasarkan
teks (situs Web SAS, 2010).

Selama lebih dari satu dekade, rumah sakit menggunakan data mining sebagai upaya untuk
mengidentifikasi hubungan dalam data pasien mereka. Sebagai contoh, satu sistem rumah sakit
menggunakan data mining untuk memprediksi pasien yang menderita gagal jantung kongestif yang
paling mungkin, setelah dirawat dan dilepaskan, untuk diterima kembali atau, lebih buruk lagi, untuk
mati. Data mining mengidentifikasi kelompok data yang tidak diketahui yang melibatkan perawatan
pasien yang digunakan rumah sakit sebagai titik awal untuk membuat perubahan dalam prosedur
klinis. Baru-baru ini, rumah sakit menggunakan data mining untuk mengurangi infeksi yang didapat
di rumah sakit, yang menyelamatkan nyawa dan mempersingkat masa inap di rumah sakit serta
menghemat uang. Asuransi Blue Cross dan Blue Shield telah meluncurkan program pengendalian
infeksi di beberapa rumah sakit terpilih di Alabama, New Jersey, New York, Pennsylvania, dan Texas
menggunakan perangkat lunak penambangan data MedMined dari Cardinal Health, yang berbasis di
Dublin, Ohio. Perusahaan-perusahaan asuransi membayar banyak biaya perangkat lunak, dan itu
membayar bagi mereka dalam hal pengurangan penggantian untuk infeksi yang didapat di rumah
sakit. Perangkat lunak penambangan data menggunakan data dari laboratorium rumah sakit dan
sistem pengeluaran transfer masuk untuk mengembangkan kartu skor infeksi untuk setiap unit
rawat inap dan mengidentifikasi pola perubahan statistik yang telah terjadi. Personil pengendalian
infeksi di rumah sakit menggunakan data ini untuk menilai tren di tingkat unit dan memeriksa proses
dengan staf unit. Karena penambangan data, personel pengendalian infeksi tidak lagi menghabiskan
waktu mereka mendeteksi pola; sebaliknya, mereka secara otomatis mendapatkan data yang
mereka butuhkan untuk mendukung keputusan tentang perubahan proses di tingkat unit untuk
menghindari infeksi. Sejauh ini, 14 rumah sakit di New Jersey telah menyelamatkan sekitar $ 6,4 juta
dengan mencegah infeksi yang didapat di rumah sakit, menurut Horizon Blue Cross dan Blue Shield
of New Jersey (Anderson, 2008). Penambangan data menawarkan kemungkinan menarik untuk
belajar tentang pelanggan, terutama untuk perusahaan yang memiliki gudang data yang mapan.

SISTEM PENDUKUNG KELOMPOK (GROUP SUPPORT SYSTEMS)

Dalam diskusi kami tentang groupware di Bab 5, kami mencatat bahwa istilah kolaborasi atau
lingkungan kolaboratif frase sering digunakan sebagai sinonim untuk groupware. Kolaborasi, tentu
saja, dapat dibantu oleh banyak alat, termasuk e-mail, IM, telepon VoIP, konferensi video, ruang
kerja bersama, dan penyimpanan dokumen bersama. Tetapi tidak satupun dari sistem groupware
utama termasuk alat kolaborasi yang dirancang untuk memberikan dukungan yang komprehensif
untuk pertemuan, apakah pertemuan ini adalah pertemuan pribadi atau virtual. Alat kolaborasi
semacam itu — yang secara khusus ditujukan untuk mendukung rapat — adalah jenis groupware
khusus yang disebut sistem pendukung kelompok / Group Support Systems (GSS).

GSS adalah varian penting dari DSS di mana sistem dirancang untuk mendukung grup daripada
individu. GSS, terkadang disebut DSS kelompok atau sistem pertemuan elektronik, berusaha
memanfaatkan kekuatan kelompok untuk membuat keputusan yang lebih baik daripada individu
yang bertindak sendiri. Manajer menghabiskan sebagian besar waktu mereka dalam kegiatan
kelompok (yaitu, rapat, komite, konferensi); Bahkan, beberapa peneliti memperkirakan bahwa
manajer menengah menghabiskan 35 persen dari minggu kerja mereka dalam rapat dan bahwa
manajer puncak menghabiskan 50 hingga 80 persen waktu mereka dalam rapat. GSS merupakan
upaya untuk membuat sesi grup ini menjadi lebih produktif.

GroupSystems, pemimpin pasar dalam perangkat lunak GSS, memberikan contoh yang sangat
baik untuk kami pertimbangkan. Perangkat lunak GroupSystems GSS awalnya dikembangkan di
Universitas Arizona; pada tahun 1989, Ventana Corporation dibentuk untuk menawarkan
GroupSystems GSS sebagai produk komersial. Ventana Corporation kemudian berganti nama
menjadi GroupSystems, Inc., dan versi terbaru dari GroupSystems GSS sekarang disebut ThinkTank.
GroupSystems memperkirakan bahwa "basis pelanggannya mewakili sekitar 75 persen pangsa pasar
segmen intelijen kelompok dari komputasi kolaboratif" (GroupSystems Web site, 2010a). Pelanggan
GroupSystems termasuk perusahaan besar seperti Agilent Technologies, IBM, Procter & Gamble,
Southern California Edison, Verizon, dan Wellpoint dan organisasi pemerintah seperti Environmental
Protection Agency (EPA), Badan Penerbangan dan Antariksa Nasional (NASA), Udara AS Angkatan,
dan Pakta Pertahanan Atlantik Utara (NATO).

Dalam implementasi pribadi yang khas dari GroupSystems GSS yang asli (lihat Gambar 6.2),
ruang pertemuan yang didukung komputer telah diatur yang berisi PC untuk setiap peserta,
semuanya dihubungkan oleh jaringan area lokal (LAN). Layar publik yang besar memfasilitasi
tampilan informasi umum saat ini diinginkan. GroupSystems, yang diinstal pada setiap mesin dalam
jaringan, menyediakan dukungan komputer untuk pembuatan ide, mengatur ide, memprioritaskan
(seperti pemungutan suara), dan pengembangan kebijakan (seperti identifikasi pemangku
kepentingan).

Setiap peserta dalam sesi grup (misalnya, sesi brainstorming) memiliki kesempatan untuk
memberikan masukan secara anonim dan simultan melalui keyboard PC. Hal ini dapat mendorong
pemikiran kreatif karena tidak ada yang dapat diejek karena "ide bodoh." Setiap ide atau komentar
dievaluasi pada manfaatnya daripada oleh yang menawarkannya. Demikian pula, dalam sesi voting
para peserta tidak akan terpengaruh oleh bagaimana orang lain memberikan suara. Jadi, GSS seperti
GroupSystems harus menghasilkan lebih banyak ide berkualitas tinggi serta keputusan yang benar-
benar mewakili grup.
 Hari ini, implementasi langsung ThinkTank akan terlihat sama dengan Gambar 6.2.
Perbedaannya adalah bahwa masing-masing PC peserta hanya menggunakan perangkat lunak
browser Web; perangkat lunak ThinkTank disimpan di server, yang mungkin terletak di ruangan yang
sama atau di mana pun dapat diakses melalui intranet atau Internet. Para peserta masuk ke situs
web ThinkTank yang terletak di server, dan sesi berjalan seperti yang dijelaskan sebelumnya.

Mari kita pertimbangkan beberapa contoh penggunaan GSS. Beberapa penulis buku ini adalah
bagian dari sekelompok anggota fakultas yang menggunakan GSS untuk mendapatkan rekomendasi
untuk nama departemen akademik yang baru dibentuk. Anggota fakultas di departemen baru
bertemu di ruang rapat yang didukung komputer dan menjalani proses menghasilkan nama yang
mungkin untuk departemen baru (lebih dari 20 nama disarankan), kemudian mengatur dan
menggabungkan nama untuk mendapatkan total ke yang lebih wajar nomor, dan akhirnya memilih
pada set nama yang dikurangi. Kami senang melaporkan bahwa dekan menerima rekomendasi
tersebut.

Eastman Chemical menggunakan GroupSystems untuk mendukung sesi pemecahan masalah

yang kreatif untuk menghasilkan ide-ide untuk lebih memenuhi kebutuhan pelanggan. Dalam sesi
GroupSystems baru-baru ini, 400 ide dihasilkan selama sesi dua jam dengan sembilan orang. Selama
sesi GSS yang sama, ide-ide serupa digabungkan dan pemungutan suara terbobot digunakan untuk
memilih ide-ide utama untuk implementasi. Menurut Dr. Henry Gonzalez, Manajer Teknologi
Polimer di Eastman, “Kami menemukan bahwa dengan GroupSystems, kami memiliki lebih banyak
ide yang tidak biasa, kolam yang lebih banyak untuk dipilih, dan kami sampai pada titik yang jauh
lebih cepat.” Berdasarkan GSS perusahaan. Keberhasilan, Eastman membeli lisensi GroupSystems
kedua dan meningkatkan fasilitas lain sehingga lebih banyak orang dapat menggunakan teknologi
(GroupSystems Web site, 2010b).

Raksasa produk-konsumen Procter & Gamble menggabungkan ThinkTank GSS dalam

"Innovation Gym" -nya di West Chester, Ohio, di mana orang-orang di seluruh perusahaan
berkumpul untuk melakukan brainstorming produk baru, memecahkan masalah, atau membangun
tim yang lebih baik. "ThinkTank adalah alat utama dalam kotak alat interaktif saya," menurut Rick
Gregory, Kepala Seksi, Penginjil Inovasi. Bekerja dengan fasilitator, pertemuan kelompok di Gym
sering menggunakan ThinkTank untuk melakukan brainstorming ide, mengelompokkannya menjadi
“ember” umum, membangun konsensus dengan diskusi, dan akhirnya menggunakan pemungutan
suara berulang. P & G telah menemukan bahwa ada manfaat bisnis yang signifikan untuk
menggunakan GSS: Anonimitas memperkaya kualitas dan kuantitas ide, rapat menghasilkan lebih
banyak hasil dalam periode waktu yang lebih singkat, dan fasilitator menghemat waktu yang
signifikan pada dokumentasi pasca pertemuan (GroupSystems Web site, 2010c).

Pekerjaan terbaru di area GSS telah bergerak di luar dukungan dari sesi grup tradisional. Fokus
yang baru adalah untuk mendukung tim kerja dalam semua upaya, apakah tim beroperasi dalam
pertemuan tradisional "pada waktu yang sama, tempat yang sama" atau dalam "waktu yang
berbeda, tempat yang berbeda" - yaitu, sebagai tim virtual. Karena fakta bahwa perangkat lunak
ThinkTank disimpan di server dan diakses melalui intranet atau Internet melalui browser Web,
ThinkTank juga menyediakan dukungan yang kaya untuk pertemuan "waktu yang berbeda, tempat
berbeda" (atau "waktu yang sama, tempat yang berbeda" pertemuan) di mana anggota kelompok
dapat berpartisipasi dalam sesi grup di mana pun mereka berada atau kapan mereka dapat
berkontribusi. GroupSystems juga menawarkan versi host ThinkTank, yang disebut ThinkSpace,
untuk organisasi dan tim kecil. Organisasi kecil atau tim dapat menggunakan model perizinan lewat
sesi di mana setiap peserta dalam satu sesi membutuhkan pass sesi untuk hari itu. ThinkTank
terintegrasi dengan platform IBM Lotus Sametime, sehingga kelompok-kelompok dapat bergerak
dengan lancar dari obrolan grup ke sesi kolaborasi yang terorganisir; baru-baru ini, ThinkTank juga
terintegrasi dengan Microsoft Office SharePoint Server. Singkatnya, sesi grup mendapat manfaat
dari kesadaran kehadiran ThinkTank (mengetahui siapa yang online), manajemen agenda, kontribusi
anonim, beberapa alat pemungutan suara, dan dokumentasi otomatis dari proses grup.

SISTEM INFORMASI GEOGRAFIS (GEOGRAPHIC INFORMATION SYSTEMS)

Sistem informasi geografis / Geographic Information Systems (GIS), sistem pendukung

keputusan spasial (SDSS), intelijen lokasi, geodemografi, pemetaan komputer, dan perutean
otomatis adalah nama untuk keluarga aplikasi berdasarkan manipulasi hubungan dalam ruang.
Teknologi geografis seperti penangkapan GIS, menyimpan, memanipulasi, menampilkan, dan
menganalisis data yang secara spasial direferensikan ke Bumi. Seperti yang ditunjukkan Gambar 6.3,
SIG — istilah umum untuk sistem apa pun yang berspesialisasi dalam data geografis — menampilkan
tampilan pengguna yang kaya dan lingkungan interaktif yang sangat menarik bagi para pembuat
keputusan manusia.
 Bidang yang beragam seperti pengelolaan sumber daya alam, administrasi publik, NASA,
militer, dan perencanaan kota telah menggunakan GIS selama lebih dari empat dekade. Para
ilmuwan, perencana, penjelajah minyak dan gas, rimbawan, tentara, dan pembuat peta telah
mematangkan teknologi ini, mengembangkan kemampuan canggih untuk menciptakan,
menampilkan, dan memanipulasi informasi geografis. Pada tahun 1990an, teknologi geografis
menjadi perhatian pengguna bisnis karena kekuatan komputasi desktop bergabung dengan akses
luas ke data geografis. Saat ini teknologi geografis bergerak ke fungsi bisnis utama yang
dimungkinkan oleh teknologi seperti identifikasi frekuensi radio (RFID), kemampuan Global
Positioning System (GPS) tertanam, dan fitur analisis spasial dalam sistem manajemen basis data
utama (DBMSs). Lebih penting lagi, banyak perusahaan belajar bahwa sebagian besar data bisnis
memiliki makna spasial yang melekat, dan mereka mengambil langkah-langkah untuk
mengeksploitasi karakteristik ini.

Bisnis Mengadopsi Teknologi Geografi (Business Adopts Geographic Technologies)

Teknologi geografis dalam bisnis adalah rahasia yang terjaga selama bertahun-tahun;
Pengadopsi GIS yang paling awal bisnis jarang membicarakannya karena nilai kompetitifnya.
Perusahaan seperti milik Arby dan McDonald — yang kemampuannya untuk berhasil bergantung
pada berada di lokasi yang lebih baik daripada pesaing — menggunakan GIS untuk lokasi situs
menjadi salah satu yang pertama untuk mengenali manfaat bisnis teknologi geografis. Culver’s,
jaringan restoran cepat saji berbasis di Wisconsin yang dikenal dengan ButterBurger dan custard
bekunya, menggunakan perangkat lunak GIS milik Esri untuk membantu pewaralaba memilih lokasi
terbaik untuk restoran mereka. Menurut Dave O'Brien, Manajer Real Estat di Culver, "Menggunakan
Analis Bisnis ArcGIS, kami dapat dengan mudah membandingkan dan membedakan situs-situs baru
dengan menganalisis demografi restoran yang ada dan kemudian menentukan area baru yang
serupa." Sebagai satu langkah dalam proses ini, Gambar 6.3 mendefinisikan area yang dilayani oleh
restoran Culver yang ada di Madison, Wisconsin (Richardson, 2008).
 Aplikasi bisnis lainnya termasuk analisis pasar dan perencanaan, logistik dan perutean, real
estat, rekayasa lingkungan, dan analisis pola geografis yang digunakan oleh para bankir hipotek
untuk menunjukkan bahwa mereka tidak melakukan "redline" - yaitu, secara tidak adil menolak
pinjaman berdasarkan lokasi. Saat ini, banyak sumber memberikan data terkode secara geografis
berkualitas tinggi; beberapa perusahaan perlu mendigitalkan peta atau foto mereka sendiri.

Banyak bidang fungsional dalam bisnis menggunakan teknologi spasial untuk mengenali dan
mengelola dependensi geografis mereka. Federated Department Stores, Inc., (Macy's dan
Bloomingdale's) memberikan contoh: Dimulai pada akhir 1990-an, Federated menggunakan GIS
untuk pembuatan dan analisis peta sederhana. Lusinan sumber data eksklusif, industri, dan publik
termasuk informasi penjualan internal kurang dimanfaatkan karena sulitnya menghubungkannya.
Kemampuan tersebut melemah hingga tim yang beranggotakan lima analis mengidentifikasi GIS
terintegrasi sebagai alat organisasi utama. Sistem yang dihasilkan datang bersama-sama tepat pada
waktunya untuk mendukung inisiatif bisnis utama untuk menemukan situs untuk tipe baru toko kecil
di pasar yang ada. Federasi GIS memungkinkan perbandingan antara potensi dan kinerja aktual di
ratusan pasar yang ada; memetakan data dengan jelas menunjukkan potensi pengembangan pasar
yang belum dimanfaatkan dan didukung (Esri, 2003).

Sulit untuk menemukan industri atau lembaga pemerintah yang tidak memiliki kebutuhan
analisis spasial. Perawatan kesehatan, transportasi, telekomunikasi, keamanan dalam negeri,
penegakan hukum, sumber daya alam, utilitas, real estat, perbankan, dan media semua perlu
mencari orang atau aset, atau keduanya, dalam ruang dan untuk memprediksi perilaku mereka.
Misalnya, Pusat Pengendalian dan Pencegahan Penyakit (CDC) menggunakan SIG untuk menganalisis
dan memahami masalah kesehatan masyarakat mulai dari tingkat penyakit kronis seperti penyakit
jantung hingga identifikasi sumber wabah penyakit infeksi — dan kemudian menggunakan hubungan
ini antara data dan geografi untuk membantu membuat keputusan kesehatan masyarakat (CDC,
2007).

Apa yang ada dibalik Teknologi Geografis

Dua pendekatan untuk merepresentasikan data spasial secara luas digunakan: pendekatan
raster dan pendekatan vektor. Kedua jenis data umumnya dikelola dalam model data yang
menyimpan data terkait dalam lapisan yang dikenal sebagai cakupan atau tema.

GIS berbasis Raster pada membagi ruang menjadi kecil, sel berukuran sama diatur dalam
kotak. Dalam GIS, sel-sel ini (raster) dapat mengambil berbagai nilai dan menyadari lokasinya relatif
terhadap sel lain. Seperti piksel di layar televisi atau komputer, ukuran sel relatif terhadap fitur
dalam lanskap menentukan resolusi data. Citra satelit dan aplikasi penginderaan jauh lainnya
mengeksploitasi kemampuan pendekatan raster untuk mengidentifikasi pola di seluruh area yang
luas. Meskipun pendekatan ini menawarkan data yang berkelanjutan, objek yang menarik harus
disimpulkan atau diekstraksi dari raster, membuat ketepatan pengumpulan data asli sangat penting.

Pendekatan raster telah mendominasi aplikasi dalam sumber daya alam. Analisis data raster
menggunakan teknik statistik dan model matematika memungkinkan ahli meteorologi untuk
membedakan hujan dari salju, rimbawan untuk mengidentifikasi daerah yang sakit di dalam hutan,
dan petani untuk lebih tepat menerapkan herbisida ke ladang mereka. The Nature Conservancy
membandingkan data "ground truth" genggam yang dikumpulkan dengan perangkat GPS ke data
penginderaan jauh berbasis raster untuk membantu dalam deteksi dini dan pemantauan tanaman
invasif di wilayah Hells Canyon, Idaho dan Oregon (Karl, 2007).

Monkeytown Berayun dengan GIS

(Monkeytown Swings with GIS)
Hari ini, Anda tidak harus menjadi raksasa atau global untuk menggunakan SIG. Monkeytown,
Inc., sebuah perusahaan peralatan kantor kecil dengan nama yang funky dan pemilik yang menyebut
dirinya sebagai "Pisang Atas," menggambarkan dirinya sebagai "Perusahaan pemasok peralatan
paling liar di dunia." Monkeytown, yang melayani Waterloo, Cedar Rapids , dan sekitar 110
komunitas kecil di Iowa timur, menjalankan lima rute pengiriman (masing-masing mencakup radius
50 mil) dan menghasilkan rata-rata 200 pengiriman per hari. Dapatkah teknologi geografis menjaga
Monkeytown mendahului pesaing lokal dan nasional?
Monkeytown memilih perangkat lunak ArcLogistics Route dari Esri. Perangkat lunak ini
menentukan rute semalam untuk pesanan besok; di pagi hari, pengemudi Monkeytown memuat
truk mereka dengan urutan pengiriman. Dilengkapi dengan faktur, petunjuk pengiriman, dan waktu,
pengemudi cenderung tidak mempercepat dan waktu drive total telah berkurang sekitar 7 persen.
"ArcLogistics Route telah mendefinisikan kembali bagaimana proses bisnis kami bekerja," kata
Kurt Karr, "Pisang Top" dari Monkeytown. "Kami lebih efisien dari sebelumnya." Penggunaan bahan
bakar telah menurun lebih dari 4 persen, jam kerja turun 18 persen, dan perusahaan
mempertahankan kemampuan adaptasinya, tingkat layanan tinggi, dan fokus pada pelanggan.
Dalam kasus cuaca buruk — seperti badai salju — yang mencegah pengiriman, GIS milik
Monkeytown dapat dengan mudah mengubah rute pengiriman hari berikutnya untuk menyertakan
pengiriman tertunda dan memenuhi harapan pelanggannya. Karr menambahkan, “Kami
menggunakan Rute ArcLogistics untuk lebih dari sekadar routing pengiriman. ArcLogistics
memungkinkan kami menggunakan perutean dinamis, mengubah konfigurasi pengiriman setiap hari
untuk paling sesuai dengan sumber daya yang tersedia. Kami juga menggunakannya untuk
merutekan panggilan penjualan sehingga kami dapat mengoptimalkan pekerjaan penjualan yang
kami lakukan. Saya pikir itu alat yang hebat dan saya tidak bisa membayangkan mengoperasikan
bisnis ini tanpanya. ”

[Berdasarkan Esri, 2006; Esri, 2010; dan Karr, 2010

GIS berbasis vektor sangat banyak digunakan dalam administrasi publik dan utilitas, dan bisa
dibilang, adalah pendekatan yang paling umum digunakan dalam bisnis. Sistem vektor mengaitkan
fitur dalam lanskap dengan titik, garis, atau poligon. Poin sering digunakan untuk mewakili fitur-fitur
kecil seperti ATM, alamat pelanggan, tiang listrik, atau item yang bergerak, seperti truk. Garis adalah
untuk fitur linier seperti jalan dan sungai dan dapat dihubungkan bersama untuk membentuk rute
dan jaringan. Poligon mewakili area dan permukaan, termasuk danau, bidang tanah, dan wilayah —
seperti wilayah penjualan, wilayah, dan kode pos. Hubungan antara elemen vektor disebut topologi
mereka; topologi menentukan apakah fitur tumpang tindih atau berpotongan. Sistem vektor dapat
membedakan, misalnya, sebuah pulau di danau, dua persimpangan jalan, dan pelanggan dalam
radius 2 mil dari situs ritel. Namun, data vektor tidak kontinyu; tumpang tindih dan kesenjangan
yang dihasilkan di antara fitur memengaruhi presentasi dan analisis sehingga dapat memerlukan
perhatian pakar.

Model data yang paling umum untuk data vektor dan raster adalah model cakupan di mana
lapisan atau tema yang berbeda merepresentasikan jenis fitur geografis serupa di area yang sama
dan ditumpuk di atas satu sama lain (lihat Gambar 6.4). Seperti bekerja dengan hamparan peta
transparan, lapisan memungkinkan data geografis yang berbeda untuk dilihat bersama, dan mereka
memfasilitasi manipulasi dan analisis geografis.

Sebagian besar teknologi GIS saat ini secara efektif menggabungkan kedua jenis data, sering
menggunakan kumpulan data raster untuk realisme dan data vektor untuk jalan, batas administratif,
dan lokasi. Dengan menggunakan kedua jenis data tersebut, analisis geografis dapat menjawab
pertanyaan seperti berikut:

• Apa yang berdekatan dengan fitur ini?

• Situs mana yang paling dekat, atau berapa banyak yang berada dalam jarak tertentu?

• Apa yang terkandung dalam area ini, atau berapa banyak yang terkandung dalam area ini?

• Fitur apa yang dilalui elemen ini, atau berapa banyak jalur yang tersedia?

• Apa yang bisa dilihat dari lokasi ini?

Jika Anda telah mencari rumah Anda di Google Earth, Anda telah menggunakan fitur zoom
serta panning dan memusatkan tampilan Anda berdasarkan overlay peta — ini adalah kemampuan
dasar dari SIG apa pun. Kemampuan dasar lainnya termasuk menemukan jarak antara dua titik,
mencari dan memberi label fitur-fitur khusus, dan mengubah simbol dan layer on dan off sesuai
permintaan. Fungsi-fungsi ini mendasari manipulasi spasial seperti persimpangan dan penyatuan,
penugasan referensi geografis ke alamat melalui geocoding, dan dukungan bahasa query standar
untuk berinteraksi dengan data deskriptif (atribut). Setelah terbatas pada workstation high-end,
aplikasi GIS lanjutan — sekarang di desktop atau palmtop — mengotomatisasi tugas-tugas
pendukung keputusan yang canggih seperti menemukan rute terpendek / tercepat / teraman dari A
ke B atau mengelompokkan wilayah penjualan atau layanan untuk meminimalkan jarak perjalanan
internal, menyamakan potensi, atau menghilangkan prospek paling sedikit.

Masalah untuk Organisasi Sistem Informasi

Aplikasi bisnis GIS sering awalnya diperkenalkan ke perusahaan untuk mendukung fungsi
tunggal seperti riset pasar atau layanan lapangan. Pengalaman menunjukkan kepada kita bahwa SIG
segera menyebar di dalam dan lintas kelompok. Berkat kedewasaan perangkat SIG, organisasi dapat
memperoleh teknologi geografi off-the-shelf dengan bahasa scripting, antarmuka program aplikasi
dengan paket perangkat lunak desktop populer, dan paket pemetaan interaktif berbasis Internet
(seperti Layanan Web Microsoft MapPoint). Karena biaya teknologi GIS telah menurun dan
kecanggihan teknis meningkat, bahkan fungsi yang menuntut secara komputasional seperti
optimalisasi rute dan penugasan wilayah tersedia secara luas (apakah pesaing Anda sudah memiliki
fungsi-fungsi ini?).

Mengelola opsi teknologi geografis, sekarang tersedia di platform yang dikenal, mungkin
kurang menantang untuk organisasi IS yang khas daripada mengelola data spasial. Data geografis
yang jelas (yang ingin Anda beli, bukan build) termasuk peta dasar, peta kode pos, jaringan jalan, dan
peta pasar media iklan. Data lain dengan elemen spasial tersebar di dalam basis data internal
perusahaan, termasuk lokasi pelanggan, lokasi gudang perusahaan dan pusat distribusi, dan lokasi
aset tetap dan bergerak. Baru-baru ini, kerut baru dalam manajemen data spasial telah muncul:
perangkat GPS Genggam sekarang memungkinkan pengguna untuk mengumpulkan data mereka
sendiri dan mengunduhnya ke PC.

Karena nilai untuk bisnis di "pergi spasial" berasal dari membawa data internal dan eksternal
bersama-sama, personil IS dapat berharap untuk mendapatkan pendidikan dalam masalah biaya dan
kualitas untuk data geografis. Misalnya, meskipun file geografis untuk kode pos sering kali disertakan
tanpa biaya tambahan dalam perangkat lunak GIS desktop yang dikemas, Layanan Pos AS
memperbarui kode pos secara berkelanjutan, yang mengakibatkan peluruhan dalam akurasi data
yang ada. Untuk cakupan geodata di luar Amerika Serikat, seseorang dapat mengharapkan lebih
sedikit pilihan dalam hal data yang tersedia, dan data yang tersedia cenderung kurang akurat, lebih
sulit diperoleh, dan lebih mahal.

Banyak orang telah terpapar dengan teknologi pemetaan melalui situs internet dengan nama
rumah tangga seperti Yahoo! Maps atau Google Earth. "Mesin GIS" di belakang situs-situs ini berasal
dari kumpulan vendor yang kurang terkenal termasuk Institut Penelitian Sistem Lingkungan (Esri),
Pitney Bowes (dengan produk MapInfo), Autodesk, Tactician Corp, dan Intergraph Corp.
Perkembangan yang sedang berlangsung dalam geografi teknologi termasuk yang berikut:

• pemodelan tiga dimensi dan dinamis untuk mensimulasikan gerakan melalui ruang dan
waktu, seperti merekonstruksi jalur Badai Katrina
• geografi di tangan Anda — berlanjutnya proliferasi teknologi spasial seperti GPS ke
perangkat genggam untuk digunakan konsumen dalam layanan berbasis lokasi (lihat
kotak berjudul “Lokasi Cerdas atau Intelijen Lokasi?”)
 • menghubungkan kapabilitas spasial dengan kemampuan nirkabel untuk penyebaran
dan pemindahan aset yang tepat — baik manusia maupun bukan manusia — ke tempat
yang tepat, dalam waktu nyata, terutama untuk keselamatan publik atau layanan
pelanggan
• meramalkan model yang memasukkan geografi sebagai variabel untuk diprediksi,
misalnya, respons konsumen terhadap program kartu loyalitas berdasarkan
kedekatannya dengan pengguna lain dan iklan papan reklame
• penggunaan teknologi spasial dalam berbagai pengaturan baru, seperti menjinakkan
gudang data yang tidak terkendali dan data point-of-sale (POS), memvisualisasikan
serangan keamanan jaringan, dan mengidentifikasi negara asal penyedia layanan
Internet ( ISP) untuk dapat mengembalikan halaman Web yang disesuaikan untuk
negara tersebut.

Lokasi Cerdas atau Intelijen Lokasi?

Orang selalu berada di ruang angkasa, baik di rumah, bekerja, belanja, bermain, atau
bepergian. Hari-hari ini, mereka cenderung memiliki perangkat portabel, nirkabel, sadar-lokasi,
audio-visual dengan mereka: ponsel mereka. Dan, jika mereka berada di Oregon dalam radius
tertentu dari toko es krim waralaba dari jenis yang sering mereka, mereka mungkin menerima kupon
diskon di ponsel mereka. Dan, seorang pemegang waralaba es krim tertentu mungkin melihat
peningkatan 10% dalam penjualan. Atau, mereka mungkin remaja Anda yang berusia 16 tahun, yang
baru berlisensi, pengemudi mengemudi (?) Rumah (AccuTracking, 2010). Atau, mereka mungkin
adalah kru di perahu layar balap jutaan dolar dalam kompetisi langsung untuk Piala Amerika yang
diidam-idamkan. Atau, mereka mungkin pendaki gunung yang terdampar, atau anjing pengembara,
atau palet yang salah tempat di gudang. (Dua contoh terakhir ini bukan orang dengan ponsel, tetapi
mereka mungkin masih memiliki perangkat yang sadar akan lokasi seperti chip RFID.)
Penerapan teknologi spasial untuk mengidentifikasi di mana seseorang atau sesuatu secara
real time disebut intelijen lokasi. Teknologi yang paling bertanggung jawab atas pergeseran
teknologi geografis dari sekitar peta ke lokasi adalah Global Positioning System (GPS).
GPS, dibuat dan dioperasikan oleh Angkatan Udara A.S., adalah sistem berbasis satelit di
seluruh dunia di mana penerima kecil dapat menentukan garis bujur, garis lintang, dan ketinggian.
Beroperasi penuh pada 1990-an, 24 satelit asli menawarkan akurasi belum pernah militer Amerika
Serikat dalam navigasi dan penargetan di mana pun di dunia. Sinyal terenkripsi memberi ketepatan
personel militer dalam 3 kaki; sinyal publik gratis menawarkan akurasi dalam 30 hingga 50 kaki.
Potensi GPS dalam aplikasi nonmiliter, baik layanan publik (seperti navigasi dan pencarian dan
penyelamatan) dan komersial (seperti mencari es krim diskon), dengan cepat membangun pasar
bernilai miliaran dolar.
Pentingnya lokasi untuk kepentingan militer, pemerintah, komersial, dan pribadi berada di
belakang dua inisiatif satelit baru: GPS III dan Galileo. Tidak mengherankan, GPS III adalah GPS baru
dan ditingkatkan yang didanai oleh pemerintah AS. Lebih banyak satelit dalam pola orbital yang
berbeda, frekuensi yang dirancang secara hati-hati, dan penambahan antena “pancaran” akan
meningkatkan aplikasi militer dan komersial ketika GPS III dikerahkan sepenuhnya beberapa waktu
setelah 2016. Kurang dramatis adalah pola peningkatan dan penggantian reguler dari armada satelit
yang ada (disebut GPS II), yang dirancang untuk menjaga kesiapan operasional dan akurasi dan
meningkatkan kemampuan untuk secara lokal mengganggu sinyal ke pasukan musuh (sementara
tidak menghalangi penggunaan sipil).
Galileo adalah nama untuk sistem navigasi satelit yang sedang dikembangkan oleh Uni Eropa
dan Badan Antariksa Eropa. Diciptakan sebagai alternatif sipil utama untuk GPS yang dikontrol
militer AS, Galileo akan memberikan akurasi yang lebih tinggi dan jangkauan sinyal yang lebih baik di
lintang yang lebih dekat ke kutub. Galileo akan menawarkan layanan terbuka bebas-presisi; layanan
komersial berbasis biaya, terenkripsi dengan akurasi yang lebih tinggi; layanan terbuka keamanan
untuk aplikasi di mana akurasi terjamin sangat penting; layanan pencarian dan penyelamatan; dan
layanan navigasi terenkripsi yang diatur untuk digunakan oleh pemerintah. Pada musim semi 2010,
dua satelit eksperimental telah diluncurkan, dengan empat satelit operasional (dari 30 satelit
terencana) yang dijadwalkan akan diluncurkan pada 2011. Pengerahan penuh diperkirakan tidak
lebih awal dari 2015.

[Berdasarkan AccuTracking, 2010; European Space Agency, 2010; Global Positioning System,
2010; Wikipedia, 2010a; dan Wikipedia, 2010b]

SISTEM INFORMASI EKSEKUTIF / SISTEM INTELIJEN BISNIS (EXECUTIVE INFORMATION

SYSTEMS/BUSINESS INTELLIGENCE SYSTEMS)

Konsep utama di balik sistem informasi eksekutif (EIS) adalah bahwa sistem semacam itu
memberikan informasi online terkini tentang kondisi bisnis dalam bentuk agregat yang mudah
diakses oleh eksekutif senior dan manajer lain. EIS dirancang untuk digunakan langsung oleh para
manajer ini tanpa bantuan perantara. EIS menggunakan state-of-the-art grafis, komunikasi, dan
metode penyimpanan data untuk menyediakan akses online mudah eksekutif untuk informasi terkini
tentang status organisasi.

Berkencan hanya dengan akhir 1980-an dalam banyak kasus, EIS merupakan upaya nyata
pertama untuk menyampaikan informasi ringkasan yang relevan kepada manajemen dalam bentuk
online. Awalnya, EIS dikembangkan hanya untuk dua atau tiga tingkat eksekutif teratas di
perusahaan, tetapi itu menyebabkan banyak masalah perbedaan data antara lapisan manajemen.
Data internal yang paling penting — berhubungan dengan pemasok, produksi, dan pelanggan —
dihasilkan di bawah kendali manajer tingkat bawah, dan mereka perlu mengetahui apa yang
dilaporkan lebih tinggi di organisasi. Akibatnya, saat ini basis pengguna di sebagian besar perusahaan
telah diperluas untuk mencakup semua tingkat manajemen dalam perusahaan — dan kadang-
kadang bahkan manajer dalam organisasi pelanggan dan pemasok. Sebagian besar karena ini
memperluas basis pengguna, hari ini label EIS sering diganti dengan perangkat lunak manajemen
kinerja jangka panjang (PM).

EIS menggunakan data transaksi yang telah difilter dan diringkas menjadi bentuk yang
berguna bagi para eksekutif di organisasi. Selain itu, banyak EIS yang berhasil menggabungkan data
kualitatif seperti informasi, penilaian, dan wawasan persaingan. Penekanan pada informasi
persaingan ini telah menjadi begitu penting dalam beberapa tahun terakhir sehingga banyak
organisasi sekarang menyebut sistem intelijen bisnis (SIS) EIS atau sistem intelijen kompetitif
mereka. Singkatnya, EIS adalah alat langsung yang memfokuskan, menyaring, dan mengatur
informasi eksekutif sehingga ia dapat memanfaatkannya dengan lebih efektif.

Mari kita pertimbangkan Infor PM sebagai contoh platform perangkat lunak untuk
mengembangkan sistem manajemen kinerja / intelijen bisnis. Infor PM memiliki akarnya dalam
produk sebelumnya bernama Commander EIS, tetapi sekarang telah bergerak di luar EIS yang relatif
sederhana yang merangkum data untuk manajer puncak ke sistem perencanaan dan pengendalian
manajemen yang lengkap. Infor PM menggabungkan enam komponen inti: manajemen strategis,
perencanaan, penganggaran, peramalan, konsolidasi keuangan, dan pelaporan dan analisis.
Pelaporan dan analisis, pada gilirannya, terdiri dari tiga modul — Infor PM Application Studio, yang
menyediakan intelijen bisnis dengan mengakses, menyaring, menganalisis, dan mendistribusikan
informasi ke seluruh organisasi; Infor PM OLAP, yang memungkinkan query terhadap database
multidimensi; dan Infor PM OfficePlus, yang merupakan add-in Microsoft Excel yang dirancang untuk
analis yang membutuhkan kemampuan pelaporan dan analisis keuangan tingkat lanjut. Semua
komponen inti dan modul ini dapat digunakan secara terpisah atau sebagai bagian dari rangkaian
lengkap. Juga tersedia dari Infor adalah solusi manajemen kinerja yang dirancang untuk usaha kecil
hingga menengah bernama Infor PM Business Edition. Klien untuk Infor PM hanyalah browser Web.

Infor PM memungkinkan penyesuaian sejumlah besar tampilan yang mudah digunakan dan
mudah diinterpretasikan untuk menyajikan informasi kunci kepada manajer; paket perangkat lunak
memungkinkan pengguna bisnis untuk melihat informasi dengan cara apa pun yang masuk akal bagi
mereka, termasuk bagan, dasbor, kartu skor, alat pengukur, spreadsheet, dan bahkan peringatan
peringatan dini ketika hasil menyimpang dari kinerja yang diharapkan. Selain itu, ia menyediakan
kemampuan “drill-down” yang cerdas untuk mengidentifikasi informasi rinci yang relevan, berbagai
perspektif bisnis (seperti wilayah atau produk), berbagai skenario untuk perencanaan (analisis
“bagaimana-jika”), dan memetakan hubungan sebab / akibat di antara elemen rencana. Contoh
tampilan Infor PM ditunjukkan pada Gambar 6.5.
 Produk EIS / PM lainnya termasuk Executive Dashboard dari Qualitech Solutions, Oracle
Enterprise Performance Management System, SAP BusinessObjects Strategy Management, SAS / EIS,
dan SymphonyRPM dari Symphony Metreo. Platform intelijen bisnis, yang sangat tumpang tindih
dengan produk EIS / PM tetapi terkadang memiliki fokus yang lebih luas (termasuk, misalnya,
penggalian data) dan terkadang fokus yang lebih sempit (tidak termasuk fitur pelaporan manajemen
kinerja), termasuk IBM Cognos Business Intelligence, MicroStrategy Intelligence Server, Oracle
Business Intelligence Suite, SAP BusinessObjects BI Solutions (termasuk Advanced Visualization,
Dashboard Builder, dan Voyager), dan SAS Business Intelligence.

Mungkin EIS paling awal yang dijelaskan di media cetak adalah sistem informasi manajemen
dan dukungan keputusan (MIDS) di Lockheed-Georgia Company (Houdeshel dan Watson, 1987).
Sponsor untuk MIDS adalah Presiden Lockheed-Georgia, dan staf khusus yang melapor kepada Wakil
Presiden Keuangan mengembangkan sistem tersebut. Suatu pendekatan evolusioner digunakan
dalam mengembangkan MIDS, dengan hanya sejumlah display yang dikembangkan pada awalnya
untuk sejumlah eksekutif terbatas. Misalnya, sebuah tampilan mungkin menunjukkan calon
pelanggan untuk jenis pesawat tertentu atau mungkin menggambarkan secara grafis baik perkiraan
dan penjualan aktual selama setahun terakhir.

Seiring waktu, lebih banyak display dikembangkan dan lebih banyak eksekutif ditambahkan ke
sistem. Versi awal MIDS pada tahun 1979 hanya memiliki 31 display yang dikembangkan oleh kurang
dari selusin eksekutif senior. Pada tahun 1985, 710 display telah dikembangkan, 30 eksekutif senior
dan 40 manajer operasi menggunakan sistem, dan jumlah rata-rata display yang dilihat per
pengguna per hari hingga 5.5. Banyak faktor yang harus disatukan agar MIDS menjadi sukses, tetapi
mungkin yang paling penting adalah bahwa sistem menyampaikan informasi (berdasarkan data
kuantitatif dan kualitatif) yang diperlukan eksekutif senior agar mereka dan perusahaan mereka
menjadi sukses.

Baru-baru ini, EIS telah dibuat dan digunakan dengan sukses di banyak perusahaan besar
lainnya seperti Phillips Petroleum, Dun & Bradstreet Software, Coca-Cola Company, Fisher-Price,
Conoco, Inc., dan CIGNA Corporation. Mari kita pertimbangkan beberapa contoh EIS / PM lainnya.

Berbasis di Calgary, Alberta, Petro-Canada adalah pemimpin dalam industri perminyakan

Kanada. Divisi minyak dan gas Petro-Canada menggunakan Keputusan Comshare untuk menciptakan
sistem informasi terintegrasi dengan akses informasi yang lebih mudah, lebih konsisten, dan tepat
waktu untuk proses pengambilan keputusan bisnis — sebuah EIS. Petro-Canada memanggil sistem
baru "The Dashboard Project," yang berarti memiliki ukuran kinerja utama dan data analitis yang
tersedia untuk dilihat di dashboard sehingga manajer dapat melihat ke depan melalui "kaca depan
peluang." Dengan menggunakan solusi terintegrasi Keputusan Comshare untuk analisis dan
pengukuran kinerja, semua tingkat pengambil keputusan memiliki akses ke nomor dan pandangan
yang sama dan memiliki keyakinan bahwa data saat ini, benar, dan dapat diverifikasi. Sistem baru
menyediakan antarmuka pengguna tunggal untuk semua informasi yang diperlukan secara intuitif,
fleksibel, termasuk pandangan eksekutif, grafik, grafik, kemampuan drill-down, alarm, dan
peringatan. Selanjutnya, kemampuan visualisasi data memungkinkan pengambil keputusan untuk
memiliki data yang disajikan dengan cara yang paling masuk akal bagi mereka (DM Review, 2000).

Grand Rapids, Meijer, Inc. yang berbasis di Michigan, adalah salah satu peritel swasta terbesar
di Amerika Serikat, mengoperasikan lebih dari 175 retail supercenters di Michigan, Illinois, Indiana,
Ohio, dan Kentucky. Berdasarkan umpan balik dari area bisnis dalam Meijer, perusahaan tahu bahwa
proses pelaporan keuangan yang ada perlu diubah. Perusahaan harus memiliki pusat penyimpanan
data, untuk menyingkirkan beberapa spreadsheet yang digunakan, untuk memiliki laporan yang
tersedia melalui Web, dan untuk dapat melakukan analisis tambahan pada data. Singkatnya, Meijer
membutuhkan sistem manajemen kinerja. Setelah evaluasi yang teliti terhadap produk alternatif,
Meijer memilih Informasikan PM, dan perusahaan sangat senang dengan hasilnya. Pengguna
sekarang dapat pergi ke Web untuk informasi yang mereka butuhkan. Ketika mereka
menandatangani di situs Web, mereka melihat pesan tentang ketersediaan laporan keuangan, kartu
skor, dan informasi terkait lainnya. "Lebih dari 200 pengguna kami senang dapat pergi ke tempat
pusat, menarik informasi, segera pergi ke Excel jika mereka ingin bekerja dengannya, dan dapat
menarik sejarah masa lalu," lapor Jeff Powers, Direktur Pelaporan Keuangan di Meijer. “Mereka
dapat halaman melalui laporan untung dan rugi mereka dan menelusuri lebih jauh detail yang
mendukung masing-masing jalur P & L, dan mereka dapat membalik antara aktual dan anggaran”
(Infor Web site, 2010).

Sistem Perawatan Kesehatan Universitas (UHCS) di Augusta, Georgia, adalah penyedia

perawatan kesehatan nonprofit terpadu yang mengoperasikan jaringan fasilitas — yang dilabeli oleh
Rumah Sakit Universitas — melayani 25 kabupaten di Georgia dan Carolina Selatan. UHCS
menerapkan Infor PM untuk mengotomatiskan proses penganggarannya, membuat pelaporan dan
analisis manajemen menjadi lebih efisien dan efektif, dan menyediakan eksekutif dengan dasbor
khusus untuk melacak ukuran kinerja utama. UHCS memulai dengan menyederhanakan proses
anggaran — menghilangkan spreadsheet dan pekerjaan manual — dan mampu mencukur lebih
banyak dua bulan dari siklus anggaran. Pelaporan juga menjadi lebih efisien, dengan laporan yang
lebih tepat waktu dan akurat. Selanjutnya, pengguna memiliki kemampuan untuk mengakses data
secara online dan, jika mereka mau, telusuri ke tingkat data yang terperinci. Dasbor eksekutif
memberikan statistik harian manajemen, termasuk pendapatan, pada berbagai unit di UHCS serta
statistik penting lainnya seperti pendaftaran ruang gawat darurat. Manajer dapat menelusuri angka
pendapatan harian dan membandingkan dengan anggaran mereka, jika mereka mau. “Keberhasilan
kami dalam menyederhanakan operasi dan mendapatkan kontrol yang lebih baik dalam waktu yang
singkat telah fenomenal,” menurut Lisa Ritch, Direktur Akuntansi Keuangan UHCS (Infor Web site,
2010).

SISTEM MANAJEMEN PENGETAHUAN (KNOWLEDGE MANAGEMENT SYSTEMS)

Sistem manajemen pengetahuan (KMS) adalah sistem yang memungkinkan individu dan
organisasi untuk meningkatkan pembelajaran, meningkatkan kinerja, dan, mudah-mudahan,
menghasilkan keunggulan kompetitif berkelanjutan jangka panjang. Secara sederhana, KMS adalah
sistem untuk mengelola pengetahuan organisasi. KMS biasanya dirancang untuk mendukung salah
satu dari tiga strategi koneksi: koneksi dari orang ke orang (misalnya, direktori ahli), koneksi dari
orang ke pengetahuan (misalnya, repositori pengetahuan), dan koneksi dari orang ke alat (misalnya,
kalender komunitas, diskusi forum). Di sisi lain, KMS dapat terdiri dari penataan konten pengetahuan
yang rumit (misalnya, taksonomi), dikemas secara hati-hati dan disebarluaskan kepada orang-orang.
Oleh karena itu, KMS memberi organisasi kemampuan untuk memanfaatkan dan mengekstrak nilai
dari aset intelektual atau pengetahuan mereka.
 KMS menggunakan berbagai perangkat keras dan aplikasi perangkat lunak untuk memfasilitasi
dan mendukung kegiatan manajemen pengetahuan (KM). Lalu apa KM? KM adalah seperangkat
praktik manajemen yang praktis dan berorientasi aksi. Dengan kata lain, KM melibatkan strategi dan
proses mengidentifikasi, menciptakan, menangkap, mengatur, mentransfer, dan memanfaatkan
pengetahuan untuk membantu individu dan perusahaan bersaing (O’Dell dan Grayson, 1998). KM
berkaitan dengan perubahan perilaku untuk mencerminkan pengetahuan dan wawasan baru. KM
bukan tentang mengandalkan teknologi untuk meningkatkan proses; Sebaliknya, KM bergantung
pada pengakuan pengetahuan yang dimiliki oleh individu dan perusahaan. Oleh karena itu, KMS
adalah teknologi atau kendaraan yang memfasilitasi berbagi dan mentransfer pengetahuan untuk
tujuan menyebarluaskan dan menggunakan kembali pengetahuan berharga yang, setelah
diterapkan, meningkatkan pembelajaran dan meningkatkan kinerja.

Mengapa KM menerima begitu banyak perhatian baru-baru ini, dan mengapa begitu banyak
proyek yang berlabel proyek KM? Ada empat penjelasan. Pertama, organisasi berinvestasi dalam
KMS karena mereka percaya bahwa nilai yang diperoleh oleh individu yang menggunakan sistem
akan melebihi biayanya (Santhanam dan Hartoro, 2003).

Intelijen Bisnis Bergerak ke Pemasaran

Intelijen bisnis (BI) telah menjadi alat penting dalam penjualan dan pemasaran. Misalnya,
rantai restoran telah menjadi pengguna BI yang besar untuk pemasaran. Wendy memutuskan untuk
menerima kartu kredit di restorannya berdasarkan hasil dari sistem BI-nya. Dalam menganalisis data
dari penerimaan uji coba perusahaan atas kartu kredit di toko tertentu, Wendy menemukan bahwa
pelanggan yang menggunakan kartu kredit membelanjakan rata-rata 35 persen lebih banyak per
pesanan dibandingkan mereka yang menggunakan uang tunai. CKE Restaurants, perusahaan induk
dari Hardee's, membuat keputusan untuk go nasional dengan Monster Thickburger yang terlalu
besar (dua pound daging sapi seberat 1/3 pon, tiga potong keju olahan, dan empat strip daging babi)
berdasarkan analisis BI dari Pemasaran tes Thickburger. CKE mengucurkan $ 7 juta dalam iklan untuk
mempromosikan peluncuran Thickburger nasional, dan penjualan di toko-toko Hardee yang telah
dibuka setidaknya selama setahun naik 5,8 persen dalam sebulan setelah peluncuran. "Monster
Thickburger secara langsung bertanggung jawab untuk banyak peningkatan itu," kata Brad Haley,
Wakil Presiden Pemasaran Eksekutif Hardee.
BI telah berhasil digunakan untuk membantu perusahaan menargetkan surat mereka dalam
kampanye pemasaran langsung. Pemasaran langsung menggunakan brosur, pamflet, katalog, dan
materi promosi lainnya untuk meyakinkan calon pelanggan untuk membeli apa pun yang dipasarkan,
yang mungkin berupa pelayaran, kartu kredit, pakaian, dan sebagainya. Jika BI digunakan untuk
mengidentifikasi pelanggan yang paling mungkin untuk produk (misalnya pelayaran), dan kemudian
materi pemasaran dikirimkan ke hanya 10 persen teratas dari basis model besar, pengembalian pada
pengiriman akan rata-rata 2,34 kali lebih banyak daripada jika mailing dikirim ke acak 10 persen dari
basis model, menurut Peter Harvey, Chief Executive Officer Intellidyn, sebuah perusahaan konsultan
yang membantu klien merancang dan mengimplementasikan kampanye pemasaran langsung.
Contoh lain dari penggunaan BI dalam pemasaran, sekitar 50 orang pemasaran di StubHub, pasar
online untuk tiket acara (sekarang dimiliki oleh eBay), membuat laporan BusinessObjects mereka
sendiri untuk membuat keputusan tentang di mana untuk menargetkan promosi dan iklan online.
Misalnya, mereka menganalisis pola pembelian pelanggan dan data demografi untuk menentukan
kapan pembelian untuk acara tertentu cenderung mencapai puncaknya sehingga mereka tahu waktu
yang tepat untuk beriklan.

[Berdasarkan Kelly, 2008; Levinson, 2007; dan Weier, 2007]

 Kedua, salah satu pemicu yang mengarah pada pengembangan proyek KM terkait dengan
penilaian perusahaan. Misalnya, nilai bersih Microsoft diperkirakan dengan memeriksa nilai
pasarnya berdasarkan harga saham dikurangi aset bersih. Perbedaan yang sangat besar disebabkan
oleh pengetahuan yang dimiliki oleh individu dan organisasi (misalnya, rutinitas, praktik terbaik).
Dalam jangka waktu yang sama, "aset pengetahuan" mulai muncul pada neraca beberapa
perusahaan dalam laporan tahunan mereka. Oleh karena itu, ada kesadaran dan konsensus yang
berkembang bahwa "pengetahuan," atau modal intelektual, akan memungkinkan perusahaan untuk
membedakan diri dari orang lain dan untuk bersaing secara efektif di pasar, dan ini telah
menyebabkan proliferasi KMS untuk mengelola aset pengetahuan.

Ketiga, pandangan berbasis sumber daya dari teori perusahaan menunjukkan bahwa "aset
pengetahuan," ketika dianggap sebagai sumber daya organisasi, dapat menjadi sumber keunggulan
kompetitif. Dengan kata lain, aset pengetahuan organisasi yang bernilai, langka, tak ada
bandingannya, dan tidak dapat disubstitusi dapat memungkinkan perusahaan untuk membedakan
diri dari pesaing.

Keempat, manfaat nyata diperoleh dari pelaksanaan inisiatif KM dan KMS. Meskipun
manfaatnya khusus untuk perusahaan tertentu, ada perbaikan operasional dan peningkatan pasar.
Perbaikan operasional berfokus pada aktivitas internal dan termasuk penghematan biaya (misalnya,
penyebaran pengetahuan yang lebih cepat dan lebih baik), proses yang efisien (misalnya, praktik
terbaik), perubahan proses manajemen (misalnya, perubahan perilaku), dan penggunaan kembali
pengetahuan (misalnya, standar kualitas tinggi). Sebaliknya, peningkatan pasar berfokus pada
aktivitas eksternal seperti kinerja (misalnya, peningkatan penjualan), penghematan biaya (mis., Biaya
produk dan layanan yang lebih rendah), dan kepuasan pelanggan (mis., Penyelesaian masalah
pelanggan yang lebih cepat).

Tujuan dari KMS adalah memanfaatkan pengetahuan individu dan organisasi dan
menyebarluaskannya ke seluruh perusahaan untuk memperoleh perbaikan operasional dan pasar.
Selain itu, KMS secara fundamental berbeda dari sistem lain karena (1) menganggap isi yang
terkandung dalam sistem — yaitu, sistem hanya sebagus apa yang ada di dalamnya! —Dan (2) sistem
tidak digunakan untuk bekerja. pada tugas, tetapi untuk memperoleh pengetahuan yang diperlukan
untuk melakukan tugas-oleh karena itu, penggunaan KMS adalah satu langkah dihapus dari tugas itu
sendiri. Berdasarkan penelitian terhadap lebih dari dua lusin KMS sukses yang baru-baru ini
dilaksanakan di berbagai perusahaan, ada tiga karakteristik KMS yang perlu dipertimbangkan dalam
menggambarkan KMS: pertama, sejauh mana ada manajemen formal dan kontrol KMS; kedua, fokus
proses KM, seperti penciptaan pengetahuan, penangkapan, pengorganisasian dan pengemasan,
akses, pencarian dan penyebaran, dan aplikasi; dan ketiga, sejauh mana usabilitas pengetahuan
dianggap (misalnya, aturan 80-20, atau 20 persen dari konten pengetahuan yang berpotensi dapat
terkandung dalam KMS kemungkinan akan paling bernilai hingga 80 persen dari pengguna) (Dennis
dan Vessey, 2005).

KMS mungkin memiliki sangat sedikit manajemen dan kontrol formal, seperti dalam kasus
"komunitas praktik" (COP). Dirancang untuk individu dengan minat yang sama, COP KMS
menyediakan kendaraan untuk memungkinkan anggota komunitas tersebut bertukar ide, tips, dan
pengetahuan lain yang mungkin berharga bagi anggota komunitas. Tidak ada manajemen formal
atau kendali atas KMS semacam itu; sebaliknya, para anggota bertanggung jawab untuk memvalidasi
dan menyusun pengetahuan mereka untuk digunakan dalam KMS. Setiap anggota COP bertanggung
jawab atas konten pengetahuan, dengan kemungkinan besar bahwa pengetahuan tersebut akan
berlaku hanya untuk beberapa anggota. Dengan kata lain, sangat sedikit, jika ada, pengorganisasian
dan pengemasan pengetahuan, membuat pencarian dan penerapannya menjadi lebih sulit. Mudah-
mudahan, akan ada kesempatan di mana satu konten pengetahuan konten akan menjadi penting
bagi banyak anggota COP, meskipun kesempatan ini mungkin sedikit jumlahnya.

Sebaliknya, KMS mungkin memiliki manajemen dan kontrol formal yang luas. Mungkin ada tim
KM untuk mengawasi proses validasi pengetahuan sebelum diseminasi. Tim semacam itu
menyediakan struktur, organisasi, dan pengemasan untuk bagaimana pengetahuan harus disajikan
kepada pengguna. Sumber daya khusus ini memastikan bahwa konten pengetahuan yang
dimasukkan ke dalam KMS telah diperiksa secara menyeluruh dan akan memenuhi aturan 80-20.

Diskusi ini tidak menyiratkan bahwa KMS harus dicirikan sebagai biner — yaitu, memiliki baik
sedikit atau luas manajemen formal dan kontrol, pengolahan pengetahuan, atau reusabilitas
pengetahuan. Sebaliknya, ada spektrum KMS yang dirancang untuk memenuhi kebutuhan spesifik
dari perusahaan tertentu. Dalam kasus COP KMS, tidak jelas apakah fokusnya adalah operasional
atau peningkatan pasar. Di sisi lain, pendekatan tim KM berusaha untuk mencapai perbaikan
operasional dan pasar. Meskipun KMS masih berkembang dengan banyak ruang untuk kemajuan,
banyak perusahaan mengamati KMS mereka berkembang dari satu bentuk ke bentuk lain karena
mereka belajar dari pengalaman mereka dan sebagai kebutuhan strategis mereka dan perubahan
sumber daya. Evolusi semacam itu menunjukkan bahwa perusahaan menikmati manfaat yang
diperoleh dari memanfaatkan pengetahuan karyawan dan organisasi mereka. Selain itu, mereka
menemukan kebutuhan strategis untuk melanjutkan upaya mereka untuk mengungkap harta yang
tersembunyi di dalam dan di luar batas-batas organisasi mereka.

Dua Inisiatif KMS Terkini di Perusahaan Farmasi

KMS PERUSAHAAN / CORPORATE KMS Sebuah tim KM dibentuk untuk mengembangkan

KMS di seluruh organisasi yang melayani banyak komunitas praktik. Pengoperasian komunitas
praktik melibatkan kombinasi perangkat lunak dan proses. Setiap komunitas memiliki koordinator
yang ditunjuk yang tugasnya adalah memastikan bahwa komunitas tumbuh dengan subur (beberapa
komunitas memiliki dua atau tiga koordinator). Para koordinator adalah sukarelawan dan tidak
menerima kompensasi tambahan; namun, mereka cenderung menjadi anggota komunitas mereka
yang sangat terlihat. Koordinator melakukan banyak fungsi khusus seperti menyambut anggota baru,
mengembangkan dan mempertahankan standar perilaku dan standar untuk pengetahuan dalam
masyarakat, memelihara kalender masyarakat, memantau forum diskusi, memastikan bahwa
pengetahuan di masyarakat sesuai, dan berfungsi sebagai titik kontak utama dan duta besar
eksternal untuk masyarakat.

Perangkat lunak portal yang digunakan untuk mendukung komunitas praktik menyediakan
sekitar 150 alat yang hanya sedikit digunakan secara teratur. Tiga alat yang paling umum digunakan
adalah forum diskusi, tips, dan kalender. Seperti namanya, forum diskusi adalah alat yang
memungkinkan diskusi tanya-jawab di antara anggota komunitas. Setiap anggota komunitas dapat
mengajukan pertanyaan atau permintaan di forum diskusi; Demikian juga, semua anggota dapat
menanggapi item yang diposting dalam diskusi. Setiap item diskusi di forum biasanya dimulai
sebagai utasnya sendiri, dan sering ada dua atau tiga diskusi aktif, tergantung pada ukuran
komunitas. Koordinator komunitas biasanya meninjau item di forum diskusi dan mengarsipkan
diskusi yang lebih lama. Terkadang koordinator akan memutuskan bahwa barang tertentu berguna
dan relevan dalam jangka panjang dan harus dipindahkan ke area tips. Dalam hal ini, koordinator
atau kontributor diskusi akan menyiapkan versi yang lebih formal untuk disimpan di area tips.

Alat kiat memungkinkan setiap anggota komunitas menulis entri singkat yang
mendokumentasikan beberapa saran praktik terbaik yang diyakini oleh para kontributor mungkin
menarik bagi komunitas secara keseluruhan. Teks lengkap dari semua kiat dapat ditelusuri, sehingga
anggota komunitas dapat menemukan kiat menarik.

Koordinator mempertahankan kalender komunitas. Anggota komunitas biasanya mengirim e-

mail koordinator dengan item kalender yang disarankan, yang dikirim oleh koordinator. Item
kalender yang umum termasuk pertemuan tatap muka yang diselenggarakan oleh sebagian atau
seluruh komunitas, seminar dan lokakarya yang ditawarkan oleh anggota komunitas, dan presentasi
yang lebih formal cenderung menarik bagi masyarakat.

KMS BIDANG PENJUALAN (FIELD SALES KMS) Sebuah tim KM yang berbeda dibentuk untuk
memimpin pengembangan KMS penjualan lapangan. Berbeda dengan KMS perusahaan, misi tim
KMS ini adalah untuk merancang dan membangun konten dan struktur KMS. Oleh karena itu,
pengetahuan taksonomi dikembangkan sehingga pengetahuan tentang masing-masing obat yang
dijual oleh perusahaan itu diatur secara terpisah. Perwakilan penjualan akan memiliki akses ke
pengetahuan hanya tentang obat yang mereka jual.

Operasi penjualan dan manajemen merek akan mengembangkan rancangan awal konten
pengetahuan, yang akan mereka berikan kepada tim KM. Tim KM akan memformat dokumen dan
menempatkannya di lokasi yang tepat di KMS sesuai dengan taksonomi. Sistem ini dirancang untuk
menjadi repositori pengetahuan utama yang digunakan oleh perwakilan penjualan lapangan dan
manajer penjualan. Selain itu, semua komunikasi pengetahuan dengan perwakilan penjualan
lapangan diharapkan akan dilakukan melalui KMS penjualan lapangan. Alih-alih mengirimkan materi
pemasaran kertas dan nasihat, misalnya, manajer sekarang akan membuatnya di Word dan
PowerPoint dan mempostingnya ke dalam KMS penjualan lapangan.

Tim KM juga menyadari bahwa penting untuk memungkinkan perwakilan penjualan lapangan
itu sendiri untuk menyumbangkan tip penjualan dan saran praktis untuk digunakan oleh perwakilan
penjualan lainnya. Namun, karena pengawasan ketat pemerintah atas komunikasi dengan dokter,
semua kiat seperti itu perlu terlebih dahulu disetujui oleh departemen hukum perusahaan. Oleh
karena itu, proses empat langkah formal dikembangkan untuk memvalidasi semua konten yang
dikirim dari perwakilan penjualan lapangan. Tips pertama kali diperiksa oleh tim KM sendiri untuk
memastikan kontennya koheren dan lengkap. Selanjutnya, tip diserahkan kepada kelompok hukum
untuk memastikan bahwa konten konsisten dengan semua aturan, peraturan, dan pedoman praktik
promosi yang baik. Kemudian tip itu dikirim ke tim manajemen merek untuk memastikan bahwa itu
konsisten dengan strategi pemasaran untuk obat itu. Terakhir, tip dikirim ke kelompok operasi
penjualan untuk tinjauan sejawat oleh panel lima perwakilan penjualan untuk memastikan bahwa
kontribusi tersebut memiliki nilai nyata. Akhirnya, setelah tip telah disetujui, itu dimasukkan ke
dalam bidang penjualan KMS. Meskipun ini terdengar seperti proses yang panjang, sebagian besar
kiat diproses dalam waktu dua minggu setelah diterima. Perwakilan penjualan lapangan dihargai
dengan menerima poin penjualan untuk setiap tip yang akhirnya diterima (titik-titik ini adalah bagian
dari struktur komisi yang biasa diterima oleh semua perwakilan penjualan; poin yang diterima untuk
setiap tip setara dengan sekitar $ 60).

Meskipun ada beberapa iterasi antarmuka pengguna untuk menyesuaikan dengan taksonomi
yang berubah, struktur pengetahuan untuk sistem saat ini dirancang dalam apa yang disebut tim "T-
struktur," yang memiliki dua bagian yang berbeda. Di bagian atas "T" (dan disajikan secara horizontal
di dekat bagian atas layar Lotus Notes) adalah pengetahuan penjualan umum yang dirancang untuk
berhubungan dengan semua divisi penjualan. Ini berisi pengetahuan tentang topik seperti aturan
dan pedoman untuk promosi penjualan, template untuk proses penjualan, formulir untuk fungsi
penjualan, dan direktori dengan nomor telepon pakar utama dalam unit bisnis A.S. Di tengah-tengah
"T" (dan disajikan secara vertikal di dekat tepi kiri layar Catatan Lotus) adalah pengetahuan khusus
divisi, yang biasanya tergolong obat-obatan yang dijual oleh divisi itu. Ini berisi informasi seperti
informasi penjualan mendasar tentang obat-obatan yang dijual oleh perwakilan penjualan, analisis
kompetitif, hasil dalam uji coba narkoba baru-baru ini, dan surat-surat dari dokter ahli. Kiat dan
praktik terbaik yang diajukan oleh perwakilan penjualan lapangan akan cocok di bagian atas atau
bawah sisi layar tergantung pada apakah mereka berfokus pada pengetahuan penjualan umum atau
pada pengetahuan khusus produk.

KMS Sukses (KMS Success)

Apa yang dibutuhkan untuk KMS menjadi sukses? Salah satu aliran penelitian menunjukkan
bahwa baik pasokan (yaitu, kontribusi pengetahuan) dan permintaan (yaitu, penggunaan kembali)
sisi KM harus dipertimbangkan secara bersamaan. Dengan kata lain, faktor pendukung organisasi di
sisi pasokan — yang melibatkan komitmen kepemimpinan, manajer dan dukungan rekan untuk
inisiatif KM, dan kontrol kualitas pengetahuan — dan di sisi permintaan — yang melibatkan insentif
dan sistem penghargaan, relevansi pengetahuan, kemudahan menggunakan KMS , dan kepuasan
dengan penggunaan KMS — sama pentingnya dengan KMS itu sendiri dan bahwa faktor-faktor ini
harus dikelola secara hati-hati dan bersamaan (Kulkarni, Ravindran, dan Freeze, 2006–2007).

Aliran kedua penelitian menunjukkan pentingnya modal sosial dalam menentukan apakah
manfaat dapat direalisasikan. Keberhasilan KMS terjadi ketika individu termotivasi untuk
berpartisipasi dalam inisiatif KM, ketika individu memiliki kemampuan kognitif untuk memahami dan
menerapkan pengetahuan, dan ketika individu memiliki hubungan yang kuat dengan satu sama lain
(Wasko dan Faraj, 2005). Namun aliran penelitian lain menunjukkan pentingnya waktu dan
pengalaman dalam mewujudkan manfaat dari KM dan KMS. Individu yang lebih berpengalaman
memiliki kapasitas serap untuk mendapatkan manfaat langsung dari penggunaan KMS. Namun,
seiring berjalannya waktu, pengalaman memainkan peran yang semakin berkurang dalam hal
peningkatan kinerja dari penggunaan KMS — yaitu, individu yang kurang berpengalaman akhirnya
memperoleh manfaat kinerja yang sama seperti yang dialami oleh rekan-rekan mereka yang lebih
berpengalaman (Ko dan Dennis, 2009). Secara kolektif, faktor-faktor individual dan institusional ini
memfasilitasi keberhasilan KMS.

KECERDASAN BUATAN (ARTIFICIAL INTELLIGENCE)

Ide kecerdasan buatan (AI), studi tentang bagaimana membuat komputer melakukan hal-hal
yang saat ini dilakukan lebih baik oleh orang-orang, berusia lebih dari 50 tahun, tetapi hanya dalam
30 tahun terakhir memiliki komputer menjadi cukup kuat untuk membuat aplikasi AI secara
komersial menarik. Penelitian AI telah berkembang menjadi enam bidang yang terpisah tetapi
terkait; ini adalah bahasa alami, robotik, sistem perseptif (penglihatan dan pendengaran),
pemrograman genetik (juga disebut desain evolusioner), sistem pakar, dan jaringan saraf.

Pekerjaan dalam bahasa alami, terutama di departemen ilmu komputer di universitas dan di
laboratorium vendor, bertujuan untuk menghasilkan sistem yang menerjemahkan instruksi manusia
biasa ke dalam bahasa yang komputer dapat memahami dan mengeksekusi. Robotika dianggap
dalam bab sebelumnya. Penelitian sistem perseptif melibatkan menciptakan mesin yang memiliki
kemampuan persepsi visual dan / atau aural yang mempengaruhi perilaku fisik mereka. Dengan kata
lain, penelitian ini bertujuan untuk menciptakan robot yang dapat "melihat" atau "mendengar" dan
bereaksi terhadap apa yang mereka lihat atau dengar. Dengan desain programmingorevolutionary
genetik, masalah dibagi menjadi beberapa segmen, dan solusi untuk segmen ini dihubungkan
bersama dengan cara yang berbeda untuk mengembangkan solusi “anak” baru. Setelah banyak
generasi berkembang biak, pemrograman genetika mungkin menghasilkan hasil yang lebih unggul
daripada apa pun yang dirancang oleh manusia. Pemrograman genetik telah sangat berguna dalam
desain produk inovatif seperti bola lampu halogen hemat energi yang jauh lebih terang daripada
bola lampu halogen standar dan lengan dukungan satelit dengan bentuk baru yang mencegah
getaran ditransmisikan di sepanjang rangka.

Dua cabang terakhir dari AI adalah yang paling relevan untuk dukungan manajerial. Cabang
sistem pakar berkepentingan dengan membangun sistem yang menggabungkan logika pengambilan
keputusan seorang ahli manusia. Cabang AI yang lebih baru adalah jaringan saraf, yang dinamai
berdasarkan studi tentang cara kerja sistem saraf manusia, tetapi yang pada kenyataannya
menggunakan analisis statistik untuk mengenali pola dari sejumlah besar informasi oleh proses
pembelajaran adaptif. Kedua cabang AI ini dijelaskan secara lebih rinci di bagian berikut.

SISTEM EXPERT (EXPERT SYSTEMS)

Bagaimana cara menangkap logika seorang ahli dalam sistem komputer? Untuk merancang
sistem pakar, seorang spesialis yang dikenal sebagai insinyur pengetahuan (analis sistem yang
terlatih khusus) bekerja sangat erat dengan satu atau lebih ahli di bidang yang diteliti. Insinyur
pengetahuan mencoba untuk mempelajari semua yang mereka bisa tentang cara di mana ahli
membuat keputusan. Jika seseorang mencoba membangun sistem pakar untuk perencanaan
perumahan, misalnya, insinyur pengetahuan bekerja dengan perencana perkebunan berpengalaman
untuk melihat bagaimana mereka melakukan pekerjaan mereka. Apa yang telah dipelajari oleh
teknisi pengetahuan kemudian dimuat ke dalam sistem komputer, dalam format khusus, dalam
modul yang disebut basis pengetahuan (lihat Gambar 6.6). Basis pengetahuan ini berisi baik aturan
inferensi yang diikuti dalam pengambilan keputusan dan parameter, atau fakta, yang relevan dengan
keputusan.
 Bagian utama lain dari sistem pakar adalah mesin inferensi dan antarmuka pengguna. Mesin
inferensi adalah kerangka logis yang secara otomatis mengeksekusi garis penalaran ketika diberikan
dengan aturan inferensi dan parameter yang terlibat dalam keputusan; dengan demikian, mesin
inferensi yang sama dapat digunakan untuk banyak sistem pakar yang berbeda, masing-masing
dengan basis pengetahuan yang berbeda. Antarmuka pengguna adalah modul yang digunakan oleh
pengguna akhir — misalnya, perencana real yang tidak berpengalaman. Idealnya, antarmukanya
sangat user-friendly. Modul lain termasuk subsistem penjelasan untuk menjelaskan alasan bahwa
sistem mengikuti dalam mencapai keputusan, subsistem akuisisi pengetahuan untuk membantu
insinyur pengetahuan dalam merekam aturan dan parameter inferensi dalam basis pengetahuan,
dan ruang kerja untuk komputer untuk digunakan sebagai keputusan sedang dibuat.

Mendapatkan Sistem Pakar (Obtaining an Expert System)

Apakah perlu untuk membangun semua bagian ini setiap kali organisasi Anda ingin
mengembangkan dan menggunakan sistem pakar? Benar-benar tidak. Ada tiga pendekatan umum
untuk mendapatkan sistem pakar, dan hanya satu dari mereka yang memerlukan konstruksi semua
bagian ini. Pertama, organisasi dapat membeli sistem yang sepenuhnya dikembangkan yang telah
dibuat untuk aplikasi tertentu. Sebagai contoh, pada akhir 1980-an, Syntelligence, Inc.,
mengembangkan sistem pakar yang disebut Lending Advisor untuk membantu membuat keputusan
pemberian pinjaman komersial untuk bank dan lembaga keuangan lainnya. Penasihat Pinjaman
memasukkan banyak faktor yang terlibat dalam menyetujui atau menolak pinjaman komersial, dan
itu dipasang di beberapa bank. Secara umum, bagaimanapun, keadaan yang mengarah ke keinginan
untuk sistem pakar adalah unik untuk organisasi, dan dalam banyak kasus, opsi sistem pakar "off-
the-shelf" ini tidak layak.

Kedua, organisasi dapat mengembangkan sistem pakar itu sendiri menggunakan shell
kecerdasan buatan (juga disebut shell sistem pakar). Shell, yang dapat dibeli dari perusahaan
perangkat lunak, menyediakan kerangka kerja dasar yang diilustrasikan pada Gambar 6.6 dan bahasa
khusus yang terbatas namun mudah digunakan untuk mengembangkan sistem pakar. Dengan fungsi
sistem pakar dasar sudah ada di shell, pembangun sistem dapat berkonsentrasi pada rincian
keputusan bisnis yang dimodelkan dan pengembangan basis pengetahuan. Ketiga, organisasi dapat
memiliki insinyur pengetahuan internal atau eksternal yang membangun sistem pakar secara khusus.
Dalam hal ini, sistem biasanya diprogram dalam bahasa tujuan khusus seperti Prolog atau Lisp.
Pendekatan terakhir ini jelas yang paling mahal, dan itu dapat dibenarkan hanya jika potensi hasil
dari sistem pakar cukup tinggi dan tidak ada cara lain yang mungkin.
Contoh Sistem Pakar (Examples of Expert Systems)

Mungkin contoh klasik dari sistem pakar adalah MYCIN, yang dikembangkan di Stanford
University pada pertengahan tahun 1970-an untuk mendiagnosis dan meresepkan pengobatan
untuk meningitis dan penyakit darah. General Electric Co. menciptakan sistem pakar yang disebut
CATS-1 untuk mendiagnosis masalah mekanis di lokomotif diesel, dan AT & T mengembangkan ACE
untuk mencari kesalahan dalam kabel telepon. Schlumberger, Ltd., sebuah perusahaan minyak
internasional, mengembangkan sistem pakar bernama Dipmeter untuk memberikan saran ketika
mata bor macet ketika mengebor sumur. Contoh-contoh ini dan yang lain berkaitan dengan
mendiagnosis situasi masalah dan meresepkan tindakan yang tepat, karena para ahli tidak selalu
hadir ketika masalah terjadi.

Diagnosis semacam yang berbeda dilakukan oleh sistem pakar di Bursa Efek Amerika yang
telah dibangun untuk membantu mendeteksi perdagangan orang dalam di bursa. Sistem pakar ini,
yang dinamai Pengawasan Pasar, dirancang untuk mendukung analis dalam membuat rekomendasi
mengenai apakah akan membuka penyelidikan atas dugaan perdagangan orang dalam. Basis data
yang relevan dari aktivitas harga saham dimasukkan ke dalam sistem pakar, dan analis menanggapi
serangkaian pertanyaan dari sistem. Outputnya terdiri dari dua skor — yang pertama adalah
kemungkinan bahwa penyelidikan harus dibuka dan yang kedua adalah kemungkinan bahwa
penyelidikan tidak boleh dibuka (Exsys Inc., 2010).

Sebelumnya kami menyebutkan bahwa sistem pakar digunakan untuk membantu dalam
membuat keputusan pinjaman komersial sedini tahun 1980-an. Saat ini, lebih dari sepertiga dari 100
bank komersial teratas di Amerika Serikat dan Kanada menggunakan perangkat lunak CAST (Financial
Analysis Support Techniques) untuk analisis kredit. Sistem pakar CEPAT memberikan akses analis
kredit ke keahlian analis yang lebih berpengalaman, mempercepat proses pelatihan dan
meningkatkan produktivitas. CEPAT juga menyediakan rangkaian lengkap laporan analitis tradisional
baik dalam sejarah dan pro formabasis (Exsys Inc., 2010).

Sistem pakar sering berfungsi sebagai penasehat bagi pembuat keputusan dalam segala hal.
Misalnya, IDP (rencana pengembangan individu) Goal Advisor adalah sistem pakar yang membantu
supervisor dan karyawan dalam menetapkan target karir karyawan jangka pendek dan jangka
panjang dan tujuan pengembangan untuk mencapai tujuan ini. Nestlé Foods telah mengembangkan
sistem pakar untuk memberikan informasi kepada karyawan tentang status dana pensiun mereka.
Dengan menggunakan sistem pakar, seorang karyawan dapat melakukan "wawancara" pribadi
dengan seorang ahli dana pensiun dan menanyakan pertanyaan apakah tentang manfaat. Sistem
pakar memungkinkan karyawan untuk membuat keputusan perencanaan keuangan pribadi yang
lebih luas tanpa memerlukan konsultasi departemen personalia yang luas. EXNUT adalah sistem
pakar yang dikembangkan oleh National Peanut Research Laboratory dan Departemen Pertanian AS
untuk membantu para petani kacang tanah mengelola produksi kacang tanah beririgasi. Berdasarkan
data ekstensif yang dikumpulkan dari ladang kacang individu sepanjang musim tanam, EXNUT
membuat rekomendasi untuk irigasi, perawatan fungisida, dan manajemen hama. Hasilnya cukup
positif: Ladang yang dikelola oleh EXNUT secara konsisten menghasilkan hasil yang lebih tinggi dan
kacang berkualitas tinggi menggunakan lebih sedikit air dan lebih sedikit fungisida daripada yang
dikelola tanpa sistem pakar (Exsys Inc., 2010).
 Sistem Pakar Go Mobile
(Expert Systems Go Mobile)
Sistem pakar tradisional telah dijalankan pada PC atau server (seringkali melalui antarmuka
Web), tetapi itu berubah. Vendor perangkat lunak Exsys Inc. kini membuat perangkat lunak sistem
Corvid yang tersedia untuk dijalankan pada berbagai komputer genggam. Mobilitas sistem pakar ini
dapat sangat berguna bagi perwakilan penjualan, teknisi lapangan, dan pekerja perbaikan — dan
siapa pun yang bekerja di luar lingkungan kantor.
Beberapa sistem pakar ponsel paling awal telah digunakan dalam aplikasi medis. Epocrates,
Inc., bekerja sama dengan Laboratorium Ilmu Komputer Massachusetts General Hospital, telah
mengembangkan diagnosis penyakit seluler dan alat referensi perawatan yang disebut Epocrates
SxDx. Sistem pakar ponsel ini memungkinkan para dokter untuk memasukkan sejumlah gejala, hasil
lab, dan demografi pasien yang tidak terbatas dan kemudian menghasilkan daftar diagnosis yang
masuk akal. Selanjutnya, Epocrates SxDx dapat meminta petugas klinis untuk memperbaiki daftar
masukan mereka berdasarkan kemungkinan gejala dan temuan pasien. SxDx kemudian
menggunakan diagnosis potensial untuk mengidentifikasi opsi perawatan. “Integrasi indeks
diagnosis ini dan konten referensi medis seluler Epocrates dapat membantu mendukung keputusan
klinis di mana pun dibuat,” kata Octo Barnett, M.D., Direktur Ilmiah Senior dari Laboratorium Ilmu
Komputer Massachusetts General Hospital.
Ponsel dan sistem pakar digunakan untuk membantu mengendalikan malaria di Kenya sebagai
bagian dari Proyek Desa Milenium. Dalam pendekatan baru untuk mengendalikan malaria, petugas
kesehatan masyarakat mengunjungi rumah tangga untuk mencari demam yang dapat
mengindikasikan malaria. Petugas kesehatan membawa bahan uji diagnostik cepat yang memeriksa
setetes darah untuk kehadiran patogen malaria. Menggunakan ponsel, mereka mengirim pesan teks
dengan identifikasi pasien dan hasil tes ke sistem pakar, yang terletak di komputer jarak jauh. Dalam
hitungan detik, respons teks otomatis dari sistem pakar memberi tahu petugas kesehatan tentang
pengobatan yang tepat, jika ada. Sistem ini juga dapat mengirim pengingat tentang perawatan
lanjutan atau kunjungan klinik yang dijadwalkan untuk pasien. Selain prosedur sistem pakar ponsel-
pengujian cepat, pendekatan baru untuk mengendalikan malaria termasuk kelambu berinsektisida
yang dibuat untuk bertahan selama lima tahun dan generasi baru obat kombinasi yang dibangun di
sekitar pengobatan herbal tradisional Cina. Pendekatan gabungan ini telah terbukti sebagai sistem
pengendalian malaria yang sangat efektif.

[Berdasarkan Chabrow, 2006; Epocrates, 2006; dan Sachs, 2010]

Penjadwalan adalah bidang penting lainnya untuk sistem pakar. Sistem pakar yang saat ini
digunakan mencakup sistem perutean dan penjadwalan truk yang menentukan urutan berhenti di
rute untuk memberikan layanan terbaik dan sistem desain pabrik yang mengatur mesin dan
operator untuk menyediakan aliran material yang efisien melalui pabrik dan menggunakan sumber
daya efisien. Sebagai contoh lain, General Motors menciptakan Sistem Penjadwalan Ahli, atau ESS,
untuk menghasilkan jadwal manufaktur yang layak. ESS menggabungkan heuristik yang telah
dikembangkan oleh penjadwal pabrik yang berpengalaman ke dalam sistem, dan juga
menghubungkan langsung ke lingkungan manufaktur terintegrasi komputer (CIM) GM sehingga
informasi tanaman waktu-nyata digunakan untuk menghasilkan jadwal lantai pabrik.

Beberapa sistem pakar mengkhususkan diri dalam memilah-milah kumpulan aturan atau data
besar lainnya. Sebagai contoh, penasihat sistem pakar online telah dibuat untuk lebih dari selusin
area kompleks peraturan Keselamatan dan Kesehatan Kerja (OSHA). Salah satu penasihat online ini
adalah Asbestos Advisor, yang tersedia untuk diunduh gratis oleh pemilik bangunan, manajer, dan
kontraktor yang menjaga properti yang berpotensi terkontaminasi dengan asbes. Berdasarkan
masukan pengguna, sistem memberikan panduan tentang bagaimana standar asbes mungkin
berlaku untuk bangunan. Pada tahun pertama ditempatkan di Internet, hampir 80.000 bisnis
menggunakan Asbestos Advisor. Contoh lain adalah Penasihat Pekerja Kasus, yang telah
dikembangkan untuk mendukung Program Bantuan Suku Penduduk Sementara suku bangsa Tribe
Navajo Nation (TANF). Sistem pakar ini menangkap keahlian pekerja kasus dalam mengambil
keputusan tentang manfaat bagi klien Navajo. Penasihat Pekerja Kasus menggabungkan aspek
budaya dan filosofi pekerja kasus Navajo, merampingkan metode penilaian sebelumnya, dan
membantu pekerja kasus yang kurang berpengalaman. “Dalam memprogram sistem otomasi
pengetahuan, kami bertanggung jawab atas warisan budaya kami yang unik, sementara mengikuti
panduan federal, negara bagian, dan suku yang rumit,” menurut direktur proyek TANF Navajo
Nation (Exsys Inc., 2010).

NEURAL NETWORK

Sedangkan sistem pakar mencoba untuk menangkap keahlian manusia dalam program
komputer, jaringan saraf berusaha untuk menggoda pola yang berarti dari sejumlah besar data.
Jaringan syaraf dapat mengenali pola yang terlalu tidak jelas untuk dideteksi manusia, dan mereka
beradaptasi ketika informasi baru diterima.

Karakteristik kunci dari jaringan saraf adalah bahwa mereka belajar. Program jaringan saraf
awalnya diberi serangkaian data yang terdiri dari banyak variabel yang terkait dengan sejumlah
besar kasus, atau peristiwa, di mana hasilnya diketahui. Program ini menganalisa data, mengolah
semua korelasi, dan kemudian memilih satu set variabel yang berkorelasi kuat dengan hasil yang
diketahui sebagai pola awal. Pola awal ini digunakan untuk mencoba memprediksi hasil dari berbagai
kasus, dan hasil prediksi ini dibandingkan dengan hasil yang diketahui. Berdasarkan perbandingan
ini, program mengubah pola dengan menyesuaikan bobot yang diberikan ke variabel atau dengan
mengubah variabel. Program jaringan saraf kemudian mengulangi proses ini berulang-ulang, terus
menyesuaikan pola dalam upaya untuk meningkatkan kemampuan prediktifnya. Ketika tidak ada
perbaikan lebih lanjut yang dimungkinkan dari pendekatan iteratif ini, program ini siap untuk
membuat prediksi untuk kasus-kasus di masa depan.

Ini bukan akhir dari cerita. Semakin banyak kasus tersedia, data ini juga dimasukkan ke
jaringan syaraf, dan pola sekali lagi disesuaikan. Jaringan saraf belajar lebih banyak tentang pola
sebab-akibat dari data tambahan ini, dan kemampuan prediktifnya biasanya meningkat sesuai
dengan itu.

Program jaringan saraf komersial (sebenarnya, ini adalah cangkang) tersedia dengan harga
yang wajar, tetapi bagian yang sulit dari membangun aplikasi jaringan saraf adalah pengumpulan
data dan pemeliharaan data. Namun, semakin banyak aplikasi yang dikerahkan. Jaringan syaraf
biasanya digunakan untuk memprediksi atau mengelompokkan, tetapi melakukannya dengan cara
induktif daripada deduktif. Tabel 6.2 menyajikan contoh penggunaan jaringan saraf saat ini.
 Mari kita pertimbangkan beberapa contoh jaringan saraf. American Express menggunakan
sistem syaraf untuk membaca tulisan tangan pada slip kartu kredit. Negara bagian Wyoming
menggunakan sistem saraf untuk membaca angka yang dicetak tangan pada formulir pajak. Raksasa
minyak seperti Arco menggunakan jaringan syaraf untuk membantu menentukan deposit minyak
dan gas di bawah permukaan bumi. Jaringan syaraf sedang digunakan untuk memprediksi total biaya
kontingensi pada proyek konstruksi. Dalam satu aplikasi yang sangat menarik, jaringan syaraf
dirancang untuk memprediksi kisaran pendapatan yang diharapkan dari sebuah film sebelum rilis
teatrikalnya — dan jaringan saraf menghasilkan prediksi yang jauh lebih baik daripada metode
statistik lain yang saat ini digunakan (NeuroDimension, 2010).

Banyak bank besar di Amerika Serikat menggunakan jaringan syaraf untuk mengembangkan
skor kredit bagi konsumen dan usaha kecil dan menengah. Kemudian skor kredit menjadi dasar
untuk menyetujui pinjaman atau memutuskan strategi pengumpulan. Mellon Bank memasang
sistem deteksi penipuan kartu kredit neural network. Ketika kartu kredit digesek melalui pembaca
kartu di toko, transaksi dikirim ke sistem saraf Mellon. Dengan menganalisis jenis transaksi, jumlah
yang dibelanjakan, waktu hari, dan data lainnya, jaringan saraf membuat prediksi penipuan dalam
beberapa detik dan menyetujui atau menolak transaksi atau memasukkan skor prediktif ke analis
manusia yang membuat keputusan terakhir. Jaringan syaraf sedang digunakan untuk memprediksi
kemungkinan kebangkrutan untuk membantu bank membuat keputusan pemberian pinjaman.

Neural Networks dalam Kedokteran

Jaringan syaraf telah menjadi semakin penting dalam bidang kedokteran di berbagai bidang
seperti pengembangan obat, diagnosis pasien, dan analisis citra. Dua aplikasi utama jaringan saraf
terjadi dalam mendeteksi penyakit jantung koroner dan pemrosesan sinyal elektroensefalogram
(EEG).
Mengidentifikasi karakteristik khusus dalam citra medis adalah jenis masalah pemrosesan
gambar, dan jaringan syaraf tiruan dapat digunakan untuk menangani masalah tersebut. Sebagai
contoh, sebuah studi klinis telah menunjukkan bahwa jaringan saraf dapat menyediakan alat yang
berguna untuk membantu ahli radiologi dalam pengambilan keputusan mamografi. Ketika lesi
ditemukan dalam mammogram, kinerja jaringan saraf dalam membedakan antara lesi jinak dan
ganas telah ditemukan lebih baik daripada rata-rata kinerja seorang ahli radiologi tanpa bantuan
jaringan saraf. Kesimpulannya jelas: Kinerja terbaik akan dicapai ketika ahli radiologi memiliki
bantuan jaringan saraf.
Di Anderson Memorial Hospital di South Carolina, jaringan saraf yang tertanam dalam
informasi rumah sakit dan sistem prediksi pasien telah meningkatkan kualitas perawatan,
mengurangi tingkat kematian, dan menyelamatkan jutaan dolar dalam sumber daya. Menggunakan
perangkat lunak BrainMaker California Ilmiah, jaringan saraf yang terpisah telah dilatih
(dikembangkan) untuk masing-masing 473 diagnosa primer untuk memungkinkan rumah sakit untuk
mengklasifikasikan dan memprediksi keparahan penyakit dan penggunaan sumber daya rumah sakit
sehingga masalah kualitas dan biaya dapat diatasi secara adil . Jaringan saraf juga telah digunakan
untuk memprediksi cara keluarnya cairan — dari pengeluaran rutin hingga kematian — untuk setiap
diagnosis. Berdasarkan prediksi yang dihasilkan, biaya di rumah sakit telah dikurangi dengan lebih
sedikit tes dan prosedur yang tidak perlu, panjang tinggal yang lebih rendah, dan perubahan
prosedural lainnya. Untuk diagnosis tertentu, sekitar 400 hingga 1.000 kasus digunakan untuk
melatih jaringan saraf, dengan lama tinggal di rumah sakit sebagai variabel utama yang diprediksi
berdasarkan 26 variabel input seperti jumlah sistem tubuh yang terlibat (misalnya, jantung dan
pernapasan), jumlah komplikasi, perokok atau tidak, diabetes atau tidak, usia, jenis kelamin, ras,
status perkawinan, dan jumlah penerimaan sebelumnya.

[Berdasarkan California Scientific Software, 2010; NeuroDimension, 2010; dan NeuroXL, 2010]

Jaringan syaraf juga digunakan dalam investasi dan aplikasi perdagangan. Dalam beberapa
kasus, perusahaan besar menggunakan jaringan syaraf untuk mengelola portofolio dana pensiun
mereka. Aplikasi lain mendeteksi karakteristik umum di antara saham untuk menentukan apakah
suatu saham berada di ambang pelarian. Jaringan syaraf sedang digunakan untuk memprediksi harga
penutupan saham berikutnya dan untuk mengelompokkan reksa dana berdasarkan ukuran kinerja.

Penggunaan jaringan syaraf lainnya adalah dalam pemasaran bertarget, di mana kampanye
pemasaran ditargetkan kepada calon pelanggan yang memiliki atribut yang sama yang menghasilkan
penjualan untuk kampanye sebelumnya. Spiegel Brands, Inc., yang bergantung pada katalog untuk
menghasilkan penjualan untuk bisnis mail-order-nya, menggunakan jaringan saraf sebagai cara
memangkas milisnya untuk menghilangkan orang-orang yang tidak mungkin memesan dari Spiegel
lagi.

Jaringan syaraf juga digunakan untuk meningkatkan keamanan. Sistem keamanan telah
dikembangkan yang menggunakan teknologi saraf untuk mengenali wajah seseorang untuk
memberikan orang itu akses ke area aman. Sistem perlindungan intrusi jaringan komputer,
berdasarkan jaringan syaraf, melakukan penilaian real-time dari setiap pengunjung ke jaringan, dan
jika mencatat perilaku yang menunjukkan upaya pelanggaran keamanan, itu secara otomatis
menghentikan akses penyusup (Orzech, 2002).

Pada akhir 1980-an dan 1990-an, sistem pakar dan aplikasi jaringan syaraf menerima banyak
hype dalam pers populer. Aplikasi AI diduga akan memecahkan banyak masalah keputusan yang
dihadapi oleh manajer. Saat ini, industri telah mengadopsi pandangan yang lebih realistis dari
aplikasi AI: AI bukanlah obat mujarab, tetapi ada sejumlah besar aplikasi berpotensi berharga untuk
teknik AI. Setiap aplikasi potensial harus dievaluasi dengan cermat. Hasil dari evaluasi yang cermat
ini adalah pertumbuhan yang stabil, tetapi bukan ledakan, dalam pengembangan dan penggunaan
sistem pakar dan jaringan saraf untuk membantu bisnis mengatasi situasi masalah dan membuat
keputusan yang lebih baik dan lebih konsisten.

REALITAS VIRTUAL (VIRTUAL REALITY)

Realitas virtual adalah area aplikasi yang menarik dengan kepentingan yang berkembang
pesat. Virtual reality (VR) mengacu pada penggunaan sistem berbasis komputer untuk menciptakan
lingkungan yang tampaknya nyata untuk satu atau lebih indera (biasanya termasuk penglihatan) dari
pengguna atau pengguna manusia. Contoh utama VR adalah holodek di atas kapal di AS.
EnterpriseonStar Trek: Generasi Selanjutnya, di mana Data dapat menjadi Sherlock Holmes dalam
pengaturan realistis dengan karakter realistis dan di mana Jean-Luc Picard dapat memainkan peran
sebagai mata pribadi yang direbus di awal abad kedua puluh.

VR ada saat ini, tetapi tidak ada di dekat realitas holodek Enterprise. Anda mungkin telah
memainkan gim video di mana Anda tidak menggunakan display komputer dan sarung tangan untuk
langsung masuk ke dalam aksi. Penggunaan VR dalam pengaturan non-hiburan terutama jatuh ke
dalam tiga kategori — pelatihan, desain, dan pemasaran. Contoh-contoh pelatihan akan disajikan
pertama, diikuti oleh contoh-contoh penggunaan VR dalam desain dan dalam pemasaran.

Angkatan Darat AS menggunakan VR untuk melatih awak tank. Melalui beberapa layar dan
suara video besar, para prajurit tampaknya ditempatkan di dalam sebuah tank yang berguling
melintasi padang pasir Irak, dan mereka harus bereaksi seolah-olah mereka berada dalam
pertempuran tank yang nyata. Di bidang kedokteran, mahasiswa kedokteran belajar melalui
kolaborasi dan trial-and-error pada mayat virtual, yang jauh lebih murah daripada menggunakan
tubuh yang sebenarnya. Sebagai contoh, para peneliti telah membuat animasi 3-D hematoma —
perdarahan antara tengkorak dan otak — pasien virtual yang menderita kerusakan kepala dalam
kecelakaan mobil. Dengan menggunakan layar virtual-reality dan sarung tangan virtual reality, siswa
bekerja sama untuk mendiagnosis dan merawat pasien (Hulme, 2002).

Amoco (sekarang bagian dari British Petroleum) telah mengembangkan sistem VR berbasis PC,
yang disebut "truck driVR," untuk digunakan dalam melatih driver-drivernya. Amoco percaya bahwa
sistem VR adalah cara yang efektif biaya untuk menguji seberapa baik 12.000 pengemudinya
dilakukan di bawah berbagai kondisi mengemudi yang berbahaya. Sistem VR imersif ini, yang
berharga sekitar $ 50.000 untuk dikembangkan, menggunakan helm yang memegang tampilan visual
dan pendengaran dan sepenuhnya membenamkan pengguna di dunia maya. Untuk membuat truk
driVR realistis, beberapa pandangan disediakan untuk pengguna, termasuk tampilan dari kaca spion
kiri dan kanan yang ditampilkan hanya ketika pengguna memindahkan kepalanya ke kiri atau ke
kanan (I / S Analyzer, 1997). Beberapa pabrikan menggunakan VR dalam pelatihan untuk pekerjaan
khusus. Sebagai contoh, Anda dapat melihat video singkat di
www.osc.edu/research/video_library/ford.shtmlmenunjukkan penggunaan VR oleh Ford dalam
pelatihan operator menempa palu (Ohio Supercomputer Center, 2010).

Duracell juga menggunakan VR untuk pelatihan. Duracell memasang peralatan baru untuk
memproduksi rangkaian baterai isi ulang baru, dan perusahaan perlu melatih personel pabriknya
pada peralatan baru dengan cara yang aman dan hemat biaya. Sistem Duracell, yang non-panas
(tidak ada helm atau kacamata khusus), berjalan di PC dan menggabungkan modul pembelahan
bagian, modul operasi, dan modul pemecahan masalah. Dengan sistem ini, pengguna dapat
sepenuhnya mengeksplorasi peralatan baru dalam dunia maya desktop. “Dengan menggunakan
mouse khusus [mouse space Magellan], pengguna dapat berjalan di sekitarnya [peralatan], mereka
bisa mendapatkan di bawahnya, mereka bisa mendapatkan di atasnya,” kata Neil Silverstein,
seorang manajer pelatihan di Duracell . "Mereka dapat terbang ke celah-celah terkecil dari mesin,
sesuatu yang tidak dapat Anda lakukan di dunia nyata karena Anda mungkin kehilangan jari."
Duracell sangat senang dengan hasilnya. Pelatihan ini standar dan benar-benar aman, dan tidak ada
kebutuhan untuk pelatihan di tempat kerja (I / S Analyzer, 1997).

Di sisi desain, beberapa produsen mobil menggunakan VR untuk membantu dalam

perancangan mobil baru. Sebagai contoh, General Motors menciptakan Envisioning Center, ruang
tiga layar, seperti teater di mana para desainer dapat melihat gambar 3-D dari desain mobil. Gambar
dapat diputar untuk dilihat dari berbagai sudut, dan ditampilkan pada skala yang tepat sehingga para
perancang dapat berjalan ke layar dan menggunakan penggaris untuk mengukur lebar dan tinggi dari
setiap detail. Seorang desainer dapat memanipulasi gambar sampai hampir tampak bahwa dia dapat
menjangkau ke bagian dalam dan memanipulasi roda kemudi. "Desainer dapat mempelajari
seberapa banyak headroom yang dimiliki seorang pengemudi, bagaimana ergonomis kontrol dasbor,
dan memastikan benar bahwa setiap aspek kendaraan itu sempurna," kata Robert DeBrabant, yang
mengelola Pusat Envisioning. Pusat ini juga memiliki kemampuan kolaborasi yang memungkinkan
anggota tim desain untuk berpartisipasi dalam sesi VR dari situs jarak jauh — bahkan di benua lain —
dan anggota tim jarak jauh ini dapat memanipulasi model 3-D semudah rekan-rekan mereka di lokasi
(Konicki , 2002).

Arizona State University telah menciptakan Decision Theater, lingkungan visualisasi 3-D yang
imersif yang memiliki banyak kesamaan dengan GM Envisioning Center. The Decision Theater,
bagaimanapun, membanggakan tujuh layar dan memiliki tujuan "menghubungkan ilmu universitas
dengan kebutuhan masyarakat Arizona," dan dengan demikian sering berfungsi sebagai bantuan
untuk pembuatan kebijakan (Arizona State University, 2010). Misalnya, model 3-D rinci dari pusat
kota Tempe, termasuk Arizona State University, telah dibangun untuk membantu kota dalam
membuat keputusan zonasi (terutama untuk batasan ketinggian) dan untuk menggambarkan kepada
semua yang terlibat (misalnya, pengembang, pejabat kota, dan masyarakat umum) dampak yang
diusulkan gedung kantor bertingkat, proyek kondominium, atau bangunan universitas akan memiliki
sifat suatu daerah dan pada garis pandang. Salah satu penulis buku ini melihat demonstrasi model
ini di Decision Theater — menggunakan kacamata 3-D, tentu saja — dan kagum pada dampak
perubahan sudut di mana model itu dilihat dan kemudahan bergerak di dalam model.

Produsen AC / tungku menggunakan VR untuk memungkinkan para insinyur berjalan melalui

produk yang sudah ada atau yang diusulkan. Dengan berjalan melalui tungku, misalnya, insinyur
mendapatkan perspektif desain dari sudut pandang yang benar-benar berbeda. Insinyur mulai
memikirkan semua cara di mana desain dapat ditingkatkan yang tidak jelas sebelumnya. VR juga
memungkinkan mock-up produk jauh sebelum prototipe fisik dibuat. Ini memungkinkan desainer
untuk mendapatkan tampilan dan nuansa produk yang sebenarnya dan bahkan mendapatkan
umpan balik dari grup fokus. Bayangkan duduk di kabin pertanian besar bergabung sebelum
dibangun dan mendapatkan pemahaman tentang garis pandang yang akan dimiliki operator. Apakah
roda kemudi menghalangi alat pengukur yang penting? Di mana seharusnya cermin ditempatkan?

VR semakin banyak digunakan untuk pemasaran di Web. Gambar 3-D interaktif dari produk
dan layanan perusahaan mulai muncul di situs web perusahaan; gambar-gambar ini memberikan
pandangan yang lebih komprehensif tentang produk serta membedakan situs Web dari pesaing.
Penggunaan teknologi VR yang sangat populer adalah penggunaan "tur virtual" untuk industri real
estate, industri perjalanan dan perhotelan, dan lembaga pendidikan. Pada tur virtual ini, pengguna
log di situs Web yang sesuai dan dapat mengalami tampilan 360 derajat dari lokasi kamera tertentu.
Jika Anda berburu rumah, Anda bisa mendapatkan pemandangan 360 derajat dari ruang besar dan
dapur di rumah untuk dijual; jika merencanakan liburan, Anda bisa mendapatkan pemandangan 360
derajat dari pelataran dan lobi hotel resor; jika memilih perguruan tinggi, Anda bisa mendapatkan
tampilan 360 derajat di gedung-gedung utama di kampus. CirclePix.com, LLC, yang berkantor pusat
di Springville, Utah, adalah pemimpin dalam teknologi tur virtual untuk industri real estat. Gambar
6.7 menunjukkan tampilan tur virtual dari ruang keluarga rumah dijual di California. Dengan
menggunakan tombol di bagian bawah gambar, pengguna dapat mengubah 360 derajat penuh,
menghentikan gerakan, atau memperbesar dan memperkecil. Di www.campustours.com, Anda
dapat menemukan wisata kampus untuk sebagian besar kampus di Amerika Serikat; beberapa dari
tur ini menggabungkan foto 360 derajat. Lihat kampus Anda, dan lihat apakah itu memiliki tur 360
derajat!

Perkembangan VR masih dalam tahap awal, dan itu akan menjadi waktu yang lama sebelum
segala sesuatu yang mendekati holodek Enterprise bisa dilakukan. Namun demikian, banyak vendor
mengembangkan perangkat keras dan perangkat lunak VR, dan banyak aplikasi VR yang berharga
mulai muncul.

Kehidupan dan Bisnis Kedua

(Second Life and Business)
Second Life, dikembangkan dan dioperasikan oleh Linden Lab, adalah dunia maya 3-D online
yang sepenuhnya dibangun dan dimiliki oleh penduduknya. Diluncurkan pada tahun 2003, Second
Life kini memiliki sekitar 650.000 pengguna aktif. Pengguna menciptakan alter ego, yang disebut
avatar, untuk mewakili diri mereka sendiri. Avatar-avatar ini, yang dapat terlihat seperti orang biasa
atau makhluk nonmanusia yang sangat aneh, dapat berjalan, berlari, duduk, terbang, membeli
properti, membangun rumah, memulai bisnis, menghadiri konser, dan membeli dan menjual produk
dan layanan virtual. Semua ini kedengarannya menyenangkan seperti melarikan diri — dan memang
begitu — tetapi mengapa bisnis dunia nyata seperti IBM, Cisco, Nokia, dan Dell pengguna besar
Second Life? Bagaimana organisasi seperti Angkatan Udara AS, Angkatan Laut AS, dan Children's
Memorial Hospital di Chicago menggunakan Second Life?
 Ketika Second Life pertama benar-benar lepas landas, pada tahun 2005 hingga 2007, banyak
bisnis menciptakan bangunan di Second Life yang dapat dikunjungi oleh penduduk. Bangunan-
bangunan ini memamerkan produk yang ditawarkan oleh bisnis yang mensponsori — cara baru
untuk menciptakan kesadaran akan produk-produk ini dan membangun beberapa permintaan dunia
nyata. Perusahaan-perusahaan ini percaya bahwa beberapa tantangan desain, pemasaran, dan
penjualan di dunia nyata dapat diselesaikan oleh dunia maya. Untuk sebagian besar yang belum
terjadi, meskipun beberapa bangunan bisnis tetap terbuka untuk Second Lifers untuk dikunjungi.
Tampaknya sebagian besar Second Lifers tidak ingin mendesain dan berbelanja produk dunia nyata.

Apa kegiatan populer di Second Life? Ada banyak, termasuk belanja — tetapi untuk pakaian,
perabotan, dan bangunan virtual. Tamasya sangat populer, dan ada beberapa blog perjalanan
Second Life yang menyarankan tempat untuk dilihat dan hal-hal yang harus dilakukan. Konser musik
live yang sering diadakan di Second Life, dan ada klub dansa di mana avatar Anda dapat pindah ke DJ
atau live music. Bermain peran dalam adegan improvisasi sangat populer; kadang-kadang bermain
peran terjadi di komunitas bermain peran berdasarkan Roma kuno, Deadwood bersejarah, Dakota
Selatan, atau kota vampir-dan-monster bertema. Surfing simulasi dan berlayar sangat populer, dan,
tentu saja, begitu juga cybersex. Dengan semua kegiatan ini, peran apa yang tersisa di Second Life
untuk bisnis dan organisasi dunia nyata?

Second Life telah terbukti sangat bermanfaat bagi bisnis untuk kolaborasi dan pelatihan. IBM,
misalnya, memiliki lebih dari 50 pulau (sebuah pulau adalah server yang disewa) di Second Life, di
mana ia mengadakan pertemuan internal dan menghubungkan dengan para pengguna korporatnya.
Second Life digunakan oleh 1.400 organisasi untuk pelatihan, pertemuan, konferensi, dan
pembangunan tim. Organisasi-organisasi ini mengatakan bahwa dunia maya memberi mereka
kolaborasi yang lebih kaya daripada panggilan telekonferensi atau konferensi video. Jumlah
organisasi yang menggunakan Second Life niscaya akan lebih besar lagi kecuali untuk pembatasan
Second Life: Ini berjalan di server Linden Lab, yang menghasilkan potensi masalah dalam hal kontrol
dan keamanan pengguna. Keterbatasan ini telah dihapus dengan peluncuran Second Life Enterprise
baru-baru ini, perangkat keras $ 55.000 yang dapat dipasang oleh bisnis di pusat data mereka
sendiri, yang memungkinkan mereka untuk menjalankan Second Life di jaringan mereka sendiri di
belakang firewall perusahaan.

Organisasi non-bisnis juga menemukan tempat di Second Life. Angkatan Udara AS telah
membuat MyBase di Second Life untuk perekrutan, pelatihan, pendidikan, dan operasi. MyBase
terbuka untuk umum, dan pengguna dapat melakukan tur ke pangkalan, belajar tentang Angkatan
Udara, mengambil penerbangan virtual dalam P-51 Mustang, dan mendaftar untuk konferensi
online. Rumah Sakit Anak-anak Memorial di Chicago menyewa kontraktor untuk membangun
simulasi Second Life di kampus dan gedungnya, lalu menggunakan Second Life untuk melakukan
latihan kesiapsiagaan bencana untuk menunjukkan kepada karyawan cara mengevakuasi pasien
dalam keadaan darurat. Sejumlah kelompok dukungan sebaya telah dibuat dalam Second Life, dan
salah satu yang terbesar adalah Kemampuan Virtual, yang melayani komunitas sekitar 400 orang
dengan berbagai cacat kehidupan nyata. Anggota Kemampuan Virtual, melalui avatar Kehidupan
Kedua mereka, memberikan dukungan emosional bagi orang lain dalam kelompok serta berbagi
saran praktis untuk masalah dunia nyata. Second Life menyediakan outlet sosial bagi banyak orang
cacat, dan memberikan kesempatan bagi orang-orang yang tinggal di rumah untuk melakukan
perjalanan. Second Life memainkan peran utama untuk banyak bisnis dan organisasi lain, meskipun
peran itu tidak sama dengan yang awalnya dibayangkan.

[Berdasarkan LaPlante, 2007; dan Wagner, 2008a, 2008b, 2009a, 2009b, dan 2009c]
Ringkasan

Kami sekarang telah menyelesaikan survei dua bab kami tentang bidang aplikasi TI
intraorganizasional. Bab 5 difokuskan pada area aplikasi yang mendukung seluruh organisasi atau
sebagian besar, termasuk sistem pemrosesan transaksi, pergudangan data, dan otomatisasi kantor.
Pada akhir Bab 5, kami berpendapat bahwa organisasi modern tidak dapat melakukan bisnis tanpa
sistem TI perusahaan ini. Dalam bab ini, kami berkonsentrasi pada sistem pendukung manajerial
seperti sistem pendukung keputusan, sistem intelijen bisnis, dan jaringan saraf. Sistem pendukung
manajerial ini sama pentingnya bagi para manajer individu dalam suatu bisnis karena sistem
perusahaan adalah untuk perusahaan secara keseluruhan. Manajer modern tidak dapat mengelola
secara efektif dan efisien tanpa dukungan manajer sistem TI.

Beberapa jenis sistem pendukung manajerial dirancang untuk mendukung manajer individu
dalam upaya pengambilan keputusan mereka tanpa bantuan kecerdasan buatan. Sistem pendukung
keputusan (DSSs), penambangan data, sistem informasi geografis (GIS), sistem informasi eksekutif
(EIS), dan sistem intelijen bisnis semuanya masuk dalam pengelompokan yang luas ini. DSS adalah
sistem interaktif, menggunakan model sejenis, yang membantu seorang manajer dalam membuat
keputusan dalam situasi yang tidak terstruktur dengan baik. Contoh prototipikal dari DSS adalah
melakukan analisis what-if pada model keuangan. Penambangan data berkaitan dengan penggalian
nugget informasi dari gudang data, lagi-lagi menggunakan model; sehingga data mining dapat
dianggap sebagai bagian dari konstruk DSS yang lebih luas. SIG didasarkan pada hubungan spasial;
banyak, tetapi tidak semua, SIG menggabungkan model dan digunakan sebagai DSS. Sebaliknya, EIS
biasanya tidak melibatkan model. EIS menyediakan akses online yang mudah ke informasi agregat
terkini tentang kondisi bisnis utama. Sistem intelijen bisnis adalah varian baru dari EIS yang
menggabungkan alat khusus untuk menangkap dan menampilkan informasi yang kompetitif. Secara
umum, DSS, penggalian data, atau SIG memberikan informasi nilai spesifik kepada manajer yang
menangani masalah tertentu, sementara EIS memberikan informasi nilai yang dikumpulkan ke
berbagai manajer dalam perusahaan.

Sistem pendukung kelompok (SSGS) dan sistem manajemen pengetahuan (KMS) memberikan
dukungan kepada sekelompok manajer, meskipun dengan cara yang sangat berbeda. GSS
memberikan dukungan kepada sekelompok manajer yang terlibat dalam semacam aktivitas
kelompok, paling sering pertemuan, sedangkan KMS adalah sistem untuk mengelola pengetahuan
organisasi dan membagikannya dengan kelompok yang tepat. GSS, yang merupakan jenis khusus
groupware, terdiri dari perangkat lunak yang berjalan di server Web yang memungkinkan semua
peserta rapat untuk secara bersamaan dan secara anonim membuat kontribusi untuk diskusi
kelompok dengan memasukkan ide-ide mereka dan membuat mereka ditampilkan di layar publik
yang besar, jika diinginkan. Perangkat lunak ini memfasilitasi berbagai tugas kelompok, seperti
pembuatan ide, pengorganisasian ide, memprioritaskan, dan pengembangan kebijakan. Dengan
KMS, pengetahuan dapat dibagi dalam komunitas praktik (sekelompok manajer dengan minat yang
sama) melalui repositori pengetahuan, forum diskusi, dan kalender komunitas, atau dalam kelompok
karyawan yang lebih luas melalui paket konten pengetahuan yang tersusun dengan saksama.

Kecerdasan buatan (AI) digunakan untuk mendukung manajer individu dalam pengelompokan
ketiga sistem pendukung manajerial kami. Dengan menangkap logika pengambilan keputusan ahli
manusia, sistem pakar tidak menyediakan ahli dengan saran ahli. Jaringan syaraf menggoreskan
pola-pola tidak jelas dari sejumlah besar data dengan proses pembelajaran adaptif. Dalam kedua
kasus, pengguna diarahkan pada keputusan yang lebih baik melalui AI. Berkaitan erat dengan AI
adalah virtual reality (VR), di mana sistem berbasis komputer menciptakan lingkungan yang tampak
nyata bagi satu atau lebih indra manusia. VR terbukti sangat berguna untuk kegiatan pelatihan dan
desain, dan semakin banyak digunakan untuk pemasaran di Web.

Kami berharap bahwa kedua bab ini telah meyakinkan Anda tentang nilai sistem
intraorganizasional ini. Tetapi bagaimana suatu organisasi, atau seorang manajer individu,
memperoleh salah satu dari sistem yang berpotensi berharga ini? Jawaban lengkap untuk
pertanyaan ini harus menunggu hingga Bagian III buku ini, berjudul "Memperoleh Sistem Informasi,"
tetapi kami sudah memiliki beberapa petunjuk.

Sistem perusahaan, misalnya, terutama adalah sistem berskala besar yang akan dibeli dari
vendor atau kebiasaan luar yang dikembangkan oleh organisasi IS internal atau perusahaan
konsultan eksternal. Secara khusus, perencanaan sumber daya perusahaan, otomatisasi kantor,
groupware, dan otomatisasi pabrik hampir selalu dibeli dari vendor luar. Ini semua adalah sistem
besar yang membutuhkan fungsi serupa di berbagai macam perusahaan. Tentu saja, departemen SI
internal atau konsultan dapat menyesuaikannya dengan organisasi. Data warehousing, sistem
manajemen hubungan pelanggan, intranet, dan sistem manajemen rantai pasokan sering
diimplementasikan dengan perangkat lunak yang dibeli, tetapi mungkin juga ada pengembangan
internal atau konsultan. Secara historis, organisasi IS internal mengembangkan sebagian besar
sistem pemrosesan transaksi, tetapi bahkan sistem ini kemungkinan akan dibeli hari ini, seperti yang
ditunjukkan oleh pertumbuhan sistem ERP, kecuali persyaratan perusahaan itu unik.

Sebaliknya, manajer bisnis atau konsultan (internal atau eksternal untuk perusahaan)
cenderung mengembangkan banyak sistem pendukung manajerial secara tegas untuk manajer.
Dalam kebanyakan kasus, manajer bisnis atau konsultan akan mulai dengan alat perangkat lunak
yang mendasari (seperti generator DSS, shell sistem pakar, program jaringan saraf, alat
penambangan data, atau paket intelijen bisnis) dan mengembangkan implementasi spesifik dari alat
yang memenuhi kebutuhan. Namun, manajer tidak mungkin mengembangkan GSS, EIS, atau KMS;
sistem multiuser ini lebih mirip dengan sistem perusahaan dalam hal akuisisi mereka.

Semua metode akuisisi sistem TI ini — pembelian sistem yang dikembangkan sepenuhnya,
pengembangan oleh organisasi IS internal atau konsultan eksternal, dan pengembangan aplikasi
pengguna — akan dieksplorasi secara terperinci di Bagian III.