Makalah Sistem Informasi Manajemen

Decision Support and Expert Systems

Oleh:

Kautsarin Natalia K (145030401111049)

PROGRAM STUDI ADMINISTRASI PERPAJAKAN

FAKULTAS ILMU ADMINISTRASI

UNIVERSITAS BRAWIJAYA

MALANG

2015
 PEMBAHASAN

1.1 Tujuan Pembelajaran

Pengambilan keputusan memainkan peran kunci dalam pekerjaan manajerial. Manajer harus
sering mempertimbangkan sejumlah besar data, ekstrak dan mensintesis hanya informasi
yang relevan, dan membuat keputusan yang akan menguntungkan organisasi. Sebagai jumlah
tersedia data tumbuh, begitu pula kebutuhan untuk aids berbasis komputer untuk membantu
manajer mereka proses pengambilan keputusan.Setelah Anda selesai bab ini, Anda akan
dapat :
 Menjelaskan tahapan dalam pengambilan keputusan.
 Mengartikulasikan perbedaan antara terstruktur dan keputusan.
 Menggambarkan komponen-komponen perangkat lunak khas sistem pendukung
keputusan itu dan ahli sistem.
 Memberikan contoh bagaimana sistem dukungan pengambilan keputusan dan ahli sistem
yang digunakan dalam berbagai domain.
 Menggambarkan unsur-unsur yang khas dan menggunakan sistem informasi geografis.

2.1 DECISION SUPPORT

Sebagian besar keberhasilan sebuah organisasi bergantung pada kualitas keputusan yang
karyawan buat. Ketika membuat keputusan melibatkan sejumlah besar informasi dan banyak
pengolahan, sistem berbasis komputer dapat membuat proses efisien dan efektif. Bab ini
membahas dua jenis keputusan mendukung aids: keputusan sistem dukungan (DSSs) dan ahli
sistem (ESs). Di hari tahun aplikasi telah dikembangkan untuk menggabungkan beberapa fitur
dan metode alat bantu. Juga, modul dukungan keputusan seringkali merupakan bagian dari
aplikasi perusahaan yang lebih besar. Sebagai contoh, ERP (enterprise resource planning) sistem
dukungan pengambilan keputusan dalam bidang-bidang seperti produksi perencanaan kapasitas,
logistik, dan penambahan persediaan.
Selain itu, banyak vendor keputusan berbasis komputer mendukung alat-alat, seperti
perangkat lunak Pilot dan Cognos, Inc, tidak lagi memanggil aplikasi mereka sistem pendukung
keputusan. (Perangkat lunak pilot adalah diakuisisi oleh SAP, di dunia pemasok terbesar sistem
ERP. Akuisisi mungkin indikasi dari bagaimana keputusan dukungan perangkat lunak menjadi
bagian integral dari enterprise software.) Mereka lebih suka untuk memanggil mereka alat-alat
analisis bisnis, Bisnis Intelijen aplikasi, atau nama lainnya. Di jalan, hampir semua sistem yang
menghasilkan informasi yang berguna adalah sebuah keputusan bantuan. Sistem pendukung
keputusan dan ahli sistem terutama dirancang untuk merampingkan proses pengambilan
keputusan oleh menyediakan solusi optimal tunggal untuk pertanyaan atau masalah, atau
serangkaian sempit solusi dari mana pengambil keputusan dapat memilih.
Munculnya gudang data dan teknologi pengolahan online (OLAP) telah ditingkatkan
kemampuan karyawan di semua tingkatan untuk secara efektif penggunaan data untuk
pengambilan keputusan. Kita membahas OLAP dalam bab 11, "Intelijen bisnis dan manajemen
pengetahuan." Penggunaan meresap Web mendorong pengembang perangkat lunak untuk
membuat hampir semua keputusan mendukung aplikasi dapat diakses melalui Web browser.

2.2 THE DECISION-MAKING PROCESS

Kapan Anda harus membuat keputusan? Ketika Anda berkendara mobil Anda ke tujuan
tertentu dan Terdapat hanya satu jalan, Anda tidak perlu membuat keputusan. Jalan akan
membawa Anda di sana. Tetapi jika Anda datang ke sebuah garpu, Anda harus memutuskan
yang cara untuk pergi. Pada kenyataannya, setiap kali lebih dari satu tindakan tersedia, keputusan
harus dibuat. Jika Anda harus memutuskan hanya didasarkan pada jarak, membuat keputusan
mudah. Jika Anda harus memilih antara pendek tapi banyak diperdagangkan jalan dan jalan lama
dengan lalu lintas yang lebih ringan, keputusan sedikit lebih sulit.
Keputusan yang sangat mudah untuk membuat ketika salah satu pilihan jelas akan
membawa hasil yang lebih baik daripada lainnya. Keputusan-keputusan yang menjadi lebih sulit
ketika lebih dari satu alternatif tampak wajar dan Kapan jumlah alternatif besar. Dalam bisnis,
ada puluhan, ratusan, atau bahkan jutaan kursus yang berbeda dari tindakan yang tersedia untuk
mencapai hasil yang diinginkan. Masalahnya adalah memutuskan pada alternatif terbaik. (Anda
dapat melihat mengapa pemecahan masalah dan pengambilan keputusan yang begitu erat
terkait.)
Herbert Simon, seorang peneliti manajemen dan pengambilan keputusan, dijelaskan
pengambilan keputusan sebagai proses tiga fase (Lihat gambar 10.1). Pertama, pada tahap
intelijen, pengambil keputusan mengumpulkan fakta-fakta, keyakinan, dan ide-ide. Dalam bisnis,
fakta-fakta mungkin jutaan potongan data. Kedua, dalam Fase desain, metode untuk
mempertimbangkan data dirancang. Metode yang urutan langkah-langkah, rumus, model, dan
alat-alat lain yang secara sistematis mengurangi alternatif nomor dikelola. Ketiga, pada tahap
pilihan, ketika ada berkurangnya jumlah alternatif, pengambil keputusan membuat pilihan; iaitu,
mereka memilih alternatif yang paling menjanjikan.

Bisnis mengumpulkan data internal (dari dalam organisasi) dan eksternal (dari luar
sumber). Mereka menggunakan model untuk menganalisis data. Umumnya, sebuah model adalah
representasirealitas. Sebagai contoh, dalam arsitektur, adalah representasi tabletop bangunan atau
blok kota model struktur berukuran penuh. Peta adalah representasi skala kecil-model tertentu
wilayah geografis yang dapat mencakup informasi topografi dan batas-batas politik. Dan di
Bisnis, persamaan matematika yang mewakili hubungan antara variabel dapat model untuk
bagaimana bisnis menanggapi perubahan, seperti: apa yang terjadi untuk keuntungan ketika
penjualan dan biaya pergi naik atau turun? Pengambil keputusan menggunakan model universal,
seperti tertentu Statistik model, atau desain model mereka sendiri untuk menganalisis data.
Kemudian mereka memilih apa yang mereka anggap sebagai terbaik tentu saja tindakan.

2.3 STRUCTURED AND UNSTRUCTURED PROBLEMS

Masalah terstruktur adalah satu di mana solusi optimal dapat dicapai melalui satu set
langkah-langkah. Sejak satu set langkah dikenal, dan karena langkah-langkah yang harus diikuti
dalam sebuah dikenal urutan, memecahkan masalah terstruktur dengan data yang sama selalu
menghasilkan solusi yang sama. Matematikawan panggilan urutan langkah algoritma dan
kategori data yang dipertimbangkan ketika mereka parameter langkah-langkah berikut.
Misalnya, ketika mempertimbangkan masalah rute terpendek untuk menjemput dan
mengantarkan pengapalan, parameter yang ukuran pengiriman, waktu ketika pengiriman sudah
siap untuk pickup, waktu ketika pengiriman dibutuhkan pada tujuan mereka, jarak yang ada
kendaraan dari berbagai tujuan, masa istirahat wajib driver, kapasitas truk, dan sebagainya.
Masalah matematika dan fisik yang terstruktur. Mencari akar kuadrat persamaan adalah
masalah terstruktur: ada rumus (algoritma) yang dapat Anda gunakan untuk memecahkan
masalah. Untuk persamaan sama akar adalah selalu sama. Memprediksi bagaimana panas akan
cair Dapatkan dalam suasana tertentu adalah masalah terstruktur: jika Anda tahu sifat-sifat
cairan, ukuran wadah, sifat dari sumber energi pemanas cairan, dan panjang tepat
waktu energi akan diterapkan, Anda dapat mengetahui apa suhu cairan akan mencapai.
Sayangnya, sebagian besar masalah di dunia bisnis tidak dapat diselesaikan dengan mudah.
Masalahnya tidak terstruktur adalah salah satu yang ada tidak ada algoritma untuk
mengikuti untuk mencapai solusi optimal, baik karena tidak ada informasi yang cukup tentang
faktor-faktor yang mungkin mempengaruhi solusi atau karena ada begitu banyak potensi faktor
yang algoritma tidak dapat diformulasikan untuk menjamin solusi optimal yang unik.
Unstructuredness terkait erat dengan ketidakpastian. Anda tidak dapat memastikan apa yang
cuaca akan besok, apalagi dua bulan sekarang; tak seorang pun dapat menjamin apa yang akan
menghasilkan investasi dalam portofolio tertentu saham oleh akhir tahun; dan dua dokter
mungkin mendiagnosa gejala yang sama berbeda. Ini adalah semua daerah mana masalah
terstruktur mendominasi.
 Seorang manajer yang memecahkan masalah semistructured khas menghadapi beberapa
kursus tindakan. Tugas adalah memilih salah satu alternatif yang akan membawa hasil yang
terbaik. Sebagai contoh:
• Dalam manufaktur, manajer harus memberikan solusi untuk masalah semistructured seperti: (1)
Pemasok mana yang harus kita gunakan untuk menerima harga yang terbaik untuk membeli
bahan baku sementara menjamin pengiriman tepat waktu? (2) perakitan B memiliki penghentian;
harus kami mentransfer pekerja lain perakitan atau menunggu B harus diperbaiki? (3) permintaan
untuk produk X menurun; kami harus membongkar salah satu jalur produksi, atau harus kita
terus memproduksi pada nilai tukar saat ini, stok produk jadi dan menunggu kenaikan di
permintaan?
• Manajer portofolio investasi harus menghadapi semistructured keputusan ketika mereka
menentukan efek untuk menjual dan yang untuk membeli sehingga mereka dapat
memaksimalkan keseluruhan kembali pada investasi. Tujuan dari penelitian investasi saham
adalah untuk meminimalkan ketidakpastian dengan mencoba untuk menemukan pola perilaku
saham, antara lain tren. Manajer reksadana menghabiskan banyak waktu mereka dalam
pengambilan keputusan semi structured.
• Manajer sumber daya manusia dihadapkan dengan masalah semistructured ketika mereka harus
memutuskan Siapa yang harus merekomendasikan untuk posisi baru, mempertimbangkan
seseorang kualifikasi dan dia atau dia kemampuan untuk belajar dan menganggap tanggung
jawab baru.

• Pemasaran profesional menghadapi masalah semistructured terus-menerus: harus mereka

menghabiskan uang cetak, televisi, Web, e-mail, atau direct mail iklan? Yang sektor
populasi harus mereka sasaran? Karena kompleksitas masalah yang mereka hadapi, manajer di
banyak daerah fungsional sering mengandalkan aplikasi dukungan keputusan untuk memilih
jalan terbaik tindakan.

2.4 DECISION SUPPORT SYSTEMS

Untuk menghemat waktu dan usaha dalam pengambilan keputusan mereka, pekerja
pengetahuan menggunakan beberapa jenis keputusan mendukung aplikasi. Satu jenis seperti,
sistem pendukung keputusan (DSS), adalah sistem informasi yang dirancang untuk membantu
pengetahuan pekerja memilih salah satu dari banyak alternative solusi untuk masalah. DSSs
dapat membantu perusahaan meningkatkan pangsa pasar, mengurangi biaya, meningkatkan
profitabilitas, dan meningkatkan kualitas produk. Dengan mengotomatisasi beberapa proses
pengambilan keputusan, sistem ini memberikan pengetahuan pekerja, akses ke analisis
sebelumnya tidak tersedia. Secara teknis, Analisis tertentu dapat dilakukan oleh manajer, tapi itu
akan menjadi mahal memakan waktu dan akan membuat keputusan akhir, dan karena itu buruk,.
DSSs menyediakan analisis canggih dan cepat dari sejumlah besar data dan informasi. Meskipun
penggunaan DSSs biasanya meningkat dengan tingkat manajemen, sistem yang digunakan di
semua tingkat, dan sering oleh non-manajer staf.
Definisi dari DSS telah berubah selama bertahun-tahun. Bagian berikut membahas
komponen berdiri sendiri DSSs: aplikasi mandiri atau aplikasi yang dirancang untuk mengatasi
domain pengambilan keputusan agak sempit. Anda harus menyadari bahwa beberapa komponen
bantuan keputusan berbasis komputer, seperti database, mungkin sudah di tempat ketika DSS
baru dikembangkan. Karena itu, mempertimbangkan pembahasan berikut kerangka Umum dan
tidak resep yang kaku untuk pengembangan semua DSSs.
Mayoritas DSSs terdiri dari tiga komponen utama: modul manajemen data, model
Manajemen modul, dan modul dialog (Lihat gambar 10.3). Bersama-sama, modul ini (1)
Bantuan pengguna memasukkan permintaan dengan cara yang nyaman, data untuk fokus dalam
jumlah besar (2) Cari pada fakta-fakta, (3) proses data melalui model yang diinginkan, dan (4)
menyajikan hasil satu atau beberapa format sehingga output dapat dengan mudah dipahami. Ikuti
langkah-langkah dimainkannya urutan dijelaskan oleh Herbert Simon.

Modul manajemen Data DSS data modul manajemen adalah gudang database atau data
yang menyediakan data untuk fase intelijen pengambilan keputusan. Sebagai contoh, seorang
konsultan investasi selalu membutuhkan akses ke harga saham saat ini dan mereka dari
setidaknya sebelumnya beberapa tahun. Manajemen data modul mengakses data dan
menyediakan sarana untuk DSS untuk memilih data menurut tertentu kriteria: jenis saham,
berbagai tahun, dan seterusnya.

DSS mungkin menggunakan database yang dibuat khusus untuk sistem itu, tetapi DSSs
biasanya dikaitkan dengan database yang digunakan untuk keperluan lain juga, seperti
pembelian, pengiriman, penagihan, dan setiap transaksi. Bila organisasi menggunakan
manajemen rantai suplai (SCM) atau hubungan pelanggan sistem manajemen (CRM), database
dari sistem tersebut menyediakan data untuk DSS. Bahkan, DSS itu sendiri mungkin menjadi
sebahagian dari sistem itu. Perusahaan lebih suka mereka DSSs untuk mengakses data gudang
daripada database transaksional, untuk menyediakan data historis yang lebih substansial daripada
ini tersedia dalam database transaksional. Hal ini memungkinkan DSS untuk mempertimbangkan
data yang mencakup jangka waktu lama dan/atau area geografis yang lebih besar. Memang,
alasan untuk membangun data gudang adalah untuk meningkatkan pengambilan keputusan.

Banyak DSSs sekarang sangat erat terkait dengan sistem organisasi lain, termasuk data
Gudang, data mart, dan sistem ERP, dari mana mereka menarik data yang relevan. Misalnya,
Penuh, Inc menawarkan aplikasi dukungan keputusan yang membantu mengoptimalkan
keputusan pembelian barang terutama untuk volume tinggi pembeli. Aplikasi ini, yang disebut
penuh membeli, adalah berbasis Web aplikasi yang menangkap bisnis variabel dalam data Mart
melalui sistem SAP atau Oracle SCM. Aplikasi perangkat lunak analisis membangun model
yang mengidentifikasi berbagai unsur risiko dan kemudian merekomendasikan pembelian
strategi. Ia menganggap puluhan variabel ekonomi, termasuk permintaan untuk bahan baku dan
hasil (persentase bahan-bahan yang benar-benar digunakan dalam produk akhir). Sistem
menunjukkan berapa banyak unit dari setiap komponen perusahaan harus membeli untuk
menghindari membawa persediaan terlalu banyak atau terlalu sedikit. Selain itu, system
menyediakan multiperiod rencana untuk mengoptimalkan pengadaan ke masa depan. Dalam
beberapa menit, aplikasi menganalisis efek potensial dari berbagai strategi pengadaan dan
negosiasi. Di Sun Microsystems Corp, peramalan permintaan produk-produk baru dapat mati
hingga 70 persen. Sebelum mengimplementasikan sistem ini, petugas pengadaan di ini besar
produsen server menghabiskan bekerja berjam-jam manual analitis. Sekarang, mereka
menggunakan sistem ini untuk menghitung perkiraan lebih cepat dan lain accuratel.

Modul manajemen Model. Untuk mengubah data menjadi informasi yang berguna, sistem
ini memanfaatkan dengan modul manajemen model, yang menawarkan satu tetap model, model
dinamis dimodifikasi atau koleksi model dari yang baik DSS atau pengguna memilih yang paling
sesuai. Apakah model variabel tetap tidak berubah. Model dinamis diubah adalah salah satu yang
secara otomatis disesuaikan berdasarkan mengubah hubungan antara variabel. Urutan peristiwa
atau pola perilaku mungkin menjadi berguna model ketika hubungan antara input, output, dan
kondisi dapat didirikan baik cukup bahwa mereka dapat digunakan untuk menganalisis
parameter yang berbeda. Model-model digunakan untuk memprediksi output berdasarkan umur,
jenis masukan yang berbeda atau kondisi yang berbeda atau untuk memperkirakan apa
kombinasi kondisi dan masukan mungkin menyebabkan output yang diinginkan. Model sering
didasarkan pada penelitian matematika atau pada pengalaman. Model mungkin metode yang
digunakan untuk memprediksi kinerja, seperti terbaik cocok Analisis linear, atau mungkin
dibangun oleh organisasi, menggunakan pengalaman karyawan. Perusahaan telah terakumulasi
dari waktu ke waktu. Banyak perusahaan tidak akan membocorkan detail model mereka telah
diprogram karena mereka melihatnya sebagai penting rahasia dagang dan aset berharga yang bisa
memberi mereka keunggulan kompetitif. Pola atau model mungkin unik tertentu industri atau
bahkan untuk bisnis individu. Sebagai contoh:
• Dalam berusaha untuk melayani nasabah bank lebih baik, riset operasi ahli membuat model
yang memprediksi posisi yang paling efisien dan penjadwalan peramal.

• Dalam bisnis truk, model yang dikembangkan untuk meminimalkan truk total nilai mileage
harus perjalanan dan memaksimalkan beban truk, sambil mempertahankan memuaskan
pengiriman kali. Serupa model yang dikembangkan di industri penerbangan untuk
memaksimalkan pendapatan.

• Model lain untuk pendapatan maksimalisasi di industri penerbangan akan secara otomatis harga
Tiket tergantung pada parameter pengguna memasukkan: tanggal penerbangan, hari Minggu
penerbangan, titik keberangkatan dan tujuan, dan lama tinggal jika tiket untuk pulang pergi
penerbangan.
• Perusahaan Penyewaan Mobil menggunakan model serupa untuk harga layanan mereka oleh
mobil kelas, periode sewa, dan
drop-off pilihan di negara yang berbeda.
 Di antara model statistik yang umum, model regresi linear adalah hubungan linear yang
terbaik cocok antara dua variabel, seperti penjualan dan uang yang dihabiskan pada pemasaran.
Bisnis swasta mungkin mengembangkan model regresi linear untuk memperkirakan penjualan
masa depan berdasarkan pengalaman masa lalu. Untuk contoh, Departemen Pemasaran rantai
toko sepatu mungkin berlaku regresi linear hubungan antara jumlah dolar yang dihabiskan untuk
iklan situs Web pencarian dan perubahan dalam penjualan volume. Hubungan linear ini dapat
diterjemahkan ke dalam program di DSS. Maka pengguna dapat masukkan jumlah total
dihabiskan iklan pencarian situs Web untuk tahun berikutnya ke DSS, dan program akan
memasuki angka itu model dan menemukan perubahan perkiraan dalam penjualan
volume. Hubungan antara dua variabel dapat dipetakan, seperti ditunjukkan pada gambar 10.4.

Perhatikan bahwa titik data yang sebenarnya jarang berbaring di garis regresi yang
dihasilkan dari data. Ini menggambarkan ketidakpastian yang terlibat dalam banyak model.
Misalnya, dalam mencari 10.4, jika pemasaran Manajer yang mencoba untuk memperkirakan
volume penjualan yang dihasilkan dari menghabiskan $1,4 juta per bulan Web iklan, mereka
perkiraan untuk bulan kedua diplot pada grafik akan lebih dari penjualan aktual. Meskipun
perbedaan ini, garis regresi mungkin memadai secara umum untuk pemodelan, dengan
pengertian bahwa hasil tidak selalu tepat. Juga mencatat bahwa model sering menggambarkan
hubungan antara lebih dari dua variabel dan bahwa beberapa model dapat dinyatakan sebagai
sebuah kurva, daripada garis lurus.
 Modul Dialog. Bagi pengguna untuk mengumpulkan informasi dari DSS, sistem harus
menyediakan cara yang mudah untuk berinteraksi dengan program ini. Bagian dari DSS yang
memungkinkan pengguna untuk berinteraksi dengan itu disebut dialog modul. Ia meminta
pengguna untuk memilih model, memungkinkan pengguna untuk mengakses database dan pilih
data untuk proses keputusan atau untuk menetapkan kriteria untuk memilih data tersebut. Hal ini
memungkinkan pengguna masuk parameter dan mengubah mereka untuk melihat bagaimana
perubahan mempengaruhi hasil analisis. Dialog mungkin dalam bentuk perintah, pull-down
menu, ikon, kotak dialog, atau lainnya pendekatan. Pada dasarnya, modul dialog tidak jauh
berbeda dari antarmuka pengguna lain jenis aplikasi. Sebagai peningkatan jumlah DSSs tersedia
untuk digunakan melalui Internet, beberapa modul dialog yang dirancang khusus agar
kompatibel dengan Web browser. Banyak seperti DSSs diakses melalui intranet perusahaan.

Analisis sensitivitas. Hasil hampir selalu dipengaruhi oleh lebih dari satu parameter; sebagai
contoh, volume penjualan Produk dipengaruhi oleh jumlah tenaga penjual, jumlah perwakilan
penjualan daerah, jumlah yang dihabiskan untuk iklan televisi lokal dan nasional, harga,
kompetisi, dan sebagainya pada. Namun, hasil jarang merespon dalam taraf terhadap perubahan
dalam parameter. Misalnya, perubahan kecil dalam harga per unit dapat mengakibatkan
peningkatan dramatis dalam penjualan, yang berarti penjualan volume memiliki kepekaan tinggi
harga produk. Namun, penjualan sama mungkin meningkatkan hanya sedikit dalam menanggapi
investasi besar di periklanan, yang berarti bahwa penjualan memilikiSensitivitas rendah untuk
belanja iklan. Penting untuk menentukan parameter yang hasil sangat sensitif, sehingga
organisasi dapat memfokuskan upaya paling efektif. Kadang-kadang parameter yang hasil paling
sensitif juga mempengaruhi lain parameter, sehingga interaksi ini harus hati-hati dilacak serta.
Jika sebuah perusahaan ingin memaksimalkan laba, manajer harus menemukan
kombinasi yang optimal dari banyak faktor. Untuk melengkapi DSS untuk membantu mencapai
tujuan ini, perkiraan rumus matematika bahwa mengekspresikan hubungan antara setiap faktor
dan total profit dibangun dalam DSS. Kemudian analisis sensitivitas yang dilakukan untuk
menguji sejauh mana total profit tumbuh atau menyusut jika satu atau lebih dari faktor-faktor
yang meningkat atau menurun. Hasil menunjukkan kepekaan relative keuntungan untuk
perubahan. Jika hasilnya dipengaruhi secara signifikan bahkan ketika parameter berubah hanya
sedikit, maka sensitivitas dari hasil parameter dikatakan tinggi. seberang ini juga berlaku: jika
hasilnya dipengaruhi hanya sedikit, bahkan ketika parameter bervariasi luas, hasil ini dikatakan
tidak sensitif terhadap parameter. Sebagai contoh, seorang manajer mungkin bertanya, "Apa ada
pengaruhnya pada total laba kuartalan jika iklan televisi menurun sebesar 10 persen dan jumlah
ditugaskan perwakilan penjualan meningkat sebesar 5 persen?" Karena pertanyaan biasanya
diungkap dalam format ini, analisis sensitivitas sering disebut untuk bagaimana-jika analisis.
Catatan bahwa Anda dapat menggunakan DSS untuk melakukan analisis bagaimana jika pada
beberapa parameter bersamaan.

Sistem dukungan pengambilan keputusan dalam tindakan. DSSs dapat digunakan pada
permintaan, ketika seorang manajer membutuhkan bantuan dalam membuat keputusan yang
kadang-kadang, atau mereka mungkin dapat diintegrasikan ke dalam sebuah skema yang
memberlakukan kebijakan perusahaan. Dalam kedua kasus, DSSs mempertahankan kriteria
standar dalam pengambilan keputusan seluruh organisasi. Semakin banyak organisasi
menerapkan aplikasi perangkat lunak yang menghasilkan keputusan secara otomatis dan di
waktu nyata. Tenaga kerja hanya terlibat adalah entri parameter yang relevan, dan ketika DSS
terkait ke situs Web organisasi, kegiatan ini mungkin tidak dilakukan oleh karyawan tetapi oleh
klien. Berikut adalah beberapa contoh bagaimana DSSs digunakan untuk berbagai keperluan.
Produksi pangan dan ritel. Berapa banyak setiap jenis cookie harus toko kue menghasilkan hari
ini? Bahan-bahan yang harus diambil dari lemari es, dan berapa lama sebelum mereka akan
dicampur dan dimasukkan ke dalam oven? Ini adalah hanya beberapa keputusan bahwa operator
toko Mrs. Fields Cookies akan harus membuat. Namun, pengambilan keputusan dilakukan untuk
mereka oleh DSS. Sistem, dipasang di setiap toko, memutuskan untuk manajer cookie untuk
membuat, apa jumlah setiap jenis yang jenis, dan bahan-bahan yang digunakan. Perangkat lunak
menganggap banyak parameter, termasuk pertumbuhan volume penjualan toko, musim, hari
dalam seminggu, waktu, apakah itu adalah liburan, lokasi, dan cuaca. Perusahaan — yang
mengoperasikan 390 Toko di Amerika Serikat dan lebih dari 80 Toko di negara lain — telah
terstruktur lingkungan bisnis untuk took Manajer. Setiap manajer toko harus mengikuti sistem di
petunjuk mengenai yang dipanggang produk untuk membuat dan jumlah mereka. Sistem
menentukan bahan untuk setiap produk, Ketika untuk menarik adonan dari lemari es, dan
bagaimana untuk memanggang, termasuk suhu oven dan waktu.

Pertanian. Pemerintah Kanada telah mensponsori pengembangan serangkaian DSSs bagi petani,
salah satu yang merupakan Prairie tanaman perlindungan Planner, sistem yang membantu petani
membuat keputusan mengenai penyakit, serangga dan gulma pengendalian pada padang rumput
Kanada. Pilih membantu sistem berbasis Web produk-produk perlindungan tanaman;
menghitung aplikasi tarif dan biaya; mengidentifikasi gulma, serangga, dan penyakit;
mengidentifikasi gejala cedera herbisida, pestisida menjaga catatan aplikasi, dan cepat
referensi produk-produk perlindungan tanaman.

Perencanaan pajak. Beberapa aplikasi yang orang mungkin tidak berpikir sebagai DSSs benar-
benar adalah. TurboTax, TaxCut, dan aplikasi pajak-persiapan lainnya telah dikembangkan
selama bertahun-tahun untuk melakukan lebih dari membantu mengisi formulir. Mereka datang
dengan formula canggih untuk membantu pembayar pajak yang merencanakan yang terbaik
strategi dalam memilih pilihan, dengan tujuan akhir untuk meminimalkan pajak yang dibayar.
Misalnya, aplikasi membandingkan pengajuan status dan pengurangan pilihan: pendekatan yang
akan mengakibatkan lebih rendah pajak gabungan, pengajuan sebagai dua individu atau
pengajuan bersama sebagai suami dan istri? Memerinci pengurangan atau mengambil
pemotongan standar? Mengambil kredit pendidikan yang lebih kecil atau lebih besar
pemotongan pendidikan? Berdasarkan penghasilan kena pajak dan kombinasi pengurangan
diambil, aplikasi memperingatkan pengguna tentang peluang mereka menjadi diaudit oleh
Internal Revenue Service dan memberi mereka kesempatan untuk memodifikasi pengurangan.

Situs web perencanaan dan penyesuaian. Karena banyak perusahaan menggunakan Web untuk
keputusan pemasaran, penjualan dan dukungan pelanggan, pada bagaimana desain situs Web
sangat penting. Beberapa perusahaan menawarkan DSSs khusus dirancang untuk menganalisis
perilaku pembeli disitus mereka berdasarkan data yang diambil seperti halaman melihat, pilihan
diklik, dan urutan tampilan halaman pembeli. Sebagai contoh, Datanautics, Inc menawarkan G2,
sistem analisis jalur yang menganalisis bagaimana pengunjung menavigasi melalui situs. Tujuan
untuk mengkonversi pembeli ke pembeli, proses marketer panggilan konversi.

Hasil pengelolaan. Anda mungkin akan terkejut untuk mengetahui bahwa penumpang yang
duduk di sebelah Anda pada sebuah pesawat yang dibayar ketiga dari apa yang Anda dibayar
untuk penerbangan yang sama. Ini adalah hasil dari maskapai menerima rekomendasi dari DSS
yang tujuannya adalah untuk memaksimalkan pendapatan. Konsep ini disebut yield management
atau manajemen pendapatan. Untuk setiap penerbangan, pendapatan manajer memasukkan
sejumlah data, termasuk titik keberangkatan dan waktu, titik tujuan dan waktu kedatangan,
jumlah bandara di mana Halte pesawat, pesawat kapasitas dan informasi dimanfaatkan kapasitas
sebelumnya operasi penerbangan tertentu. Mereka mengubah harga, atau biarkan sistem
mengubah harga, sesuai dengan waktu tiket dibeli, dan berapa lama sebelum penumpang terbang
kembali. Dilema adalah antara menawarkan harga yang rendah untuk mengisi pesawat, atau
menaikan harga dan mempertaruhkan terbang dengan beberapa kursi kosong.

Jasa Keuangan. Secara manual memutuskan berapa banyak uang untuk pinjaman kepada
pelanggan yang pada tingkat bunga dapat menunda proses keputusan ke titik kehilangan
pelanggan potensial. Pelamar pinjaman mereka enggan untuk menunggu lebih dari satu hari atau
bahkan beberapa jam untuk bank respon. Alat bantu otomatis keputusan dapat menghasilkan
menawarkan dalam beberapa menit setelah nasabah memasukkan data. DSS menggabungkan
data ini dengan data yang diperoleh dari kredit Riwayat database dan model terprogram aturan
untuk membuat respon yang cepat.
Pilihan manfaat. Majikan dapat menghemat biaya tenaga kerja dan memberikan kenyamanan
kepada karyawan dengan membantu mereka membuat keputusan. Salah satu daerah yang mana
hal ini dapat terjadi adalah pilihan manfaat, terutama Kesehatan rencana. ADP, Inc, sebuah
perusahaan yang dikenal untuk layanan penggajian, bekerja sama dengan Subimo LLC
menawarkan sebuah aplikasi online untuk membantu karyawan dalam mengevaluasi rencana
perawatan kesehatan biaya. Analisis Berdasarkan kebutuhan medis. Alat menggunakan
seseorang usia, jenis kelamin, wilayah geografis, dan kondisi kesehatan untuk memperkirakan
beberapa biaya perawatan kesehatan keluarga. Memprediksi Kesehatan Layanan individu atau
keluarga kemungkinan akan membutuhkan. Alat pemodelan didasarkan pada data demografis
dan pengalaman lebih dari 60 juta US pasien. Karyawan dapat menggunakan Prediksi untuk
memilih rencana dan untuk memutuskan bagaimana untuk mendanai pengeluaran fleksibel
rekening, tabungan Kesehatan rekening, atau pengaturan penggantian kesehatan.

Alat-alat pendukung keputusan serupa yang ditawarkan oleh perusahaan lain, termasuk beberapa
yang terbesar organisasi manajemen perawatan kesehatan (HMO) di Amerika Serikat. Sebuah
alat yang disebut MyHealthcareAdvisor.com, juga ditawarkan oleh Subimo, menyajikan usaha
kecil yang ingin menambah cakupan karyawan mereka. Diperkirakan bahwa sekitar 60 juta
orang Amerika memiliki akses ke alat yang membantu membuat keputusan tentang rencana
perawatan kesehatan dan pilihan dalam rencana. Menariknya, tentang 95 persen dari pendaftaran
transaksi dilakukan secara online.
3.1 EXPERT SYSTEMS
Hal ini tidak selalu mungkin untuk memanfaatkan keahlian dengan kopling data
kuantitatif dari database dengan model keputusan. Dalam kasus tersebut, expert system mungkin
diperlukan. Ahli sistem (ES) dikembangkan untuk meniru pengetahuan tentang seorang ahli
untuk memecahkan masalah dan membuat keputusan di domain yang relatif sempit. Domain
adalah area tertentu pengetahuan. Sebagai contoh, dalam pengobatan domain adalah sering
diagnosis penyakit tertentu atau keluarga penyakit terkait, seperti bakteri penyakit. Tujuan dari
ESs adalah untuk meniru pengetahuan terstruktur dan tidak terdokumentasikan beberapa (ahli),
dan meletakkannya di pembuangan banyak orang lain yang membutuhkan pengetahuan, sering
pemula atau profesional di domain yang sama tetapi dengan keahlian jauh lebih sedikit. Program
lanjutan mungkin termasuk jaringan saraf (program komputer yang meniru cara otak manusia
bekerja) yang dapat belajar dari situasi baru dan merumuskan aturan-aturan baru di basis
pengetahuan mereka untuk Alamat peristiwa-peristiwa yang awalnya tidak dipertimbangkan
dalam perkembangan mereka. Ahli sistem dan saraf Jaringan adalah dua teknik diteliti dan
diimplementasikan dalam sebuah field yang bernama buatan Intelijen (AI).
Sebagai menggambarkan gambar 10.6, perbedaan utama antara DSSs dan ESs adalah
dalam "dasar" yang mereka gunakan dan bagaimana itu disusun. DSSs menggunakan data dari
database. ES menggunakan basis pengetahuan, yang adalah kumpulan fakta dan hubungan antara
mereka. ES tidak menggunakan modul model Tapi mesin kesimpulan. Mesin kesimpulan adalah
perangkat lunak yang menggabungkan data yang input dengan pengguna dengan relasi data yang
disimpan dalam basis pengetahuan. Hasilnya adalah diagnosis atau saran untuk kursus terbaik
tindakan. Dalam kebanyakan ESs, basis pengetahuan dibangun sebagai rangkaian Jika-maka
aturan. Gambar 10.7 menyediakan suatu ilustrasi sederhana bagaimana aturan seperti itu
digunakan untuk menyimpulkan yang penyakit adalah menginfeksi pohon. Jika kelembaban
rendah, suhu udara rata-rata lebih tinggi dari 60 derajat Fahrenheit, daun pohon hijau gelap, dan
pohon usia 0-2 tahun, maka pohon memiliki penyakit A pada probabilitas 90 persen. Namun,
jika kelembaban rendah, suhu adalah antara 40 dan 65 derajat Fahrenheit, daun pohon hijau, dan
pohon usia 0-2, ada adalah 40 persen kemungkinan bahwa penyakit adalah A dan 50 persen
bahwa penyakit ini B. Diagnosis membantu mencapai keputusan tentang perawatan yang tepat
untuk menghentikan penyakit
Jaringan saraf: digunakan oleh ESs lebih canggih untuk meniru cara belajar otak manusia
Dibangun dengan seperangkat aturan, tapi kemudian menyempurnakan sendiri berdasarkan
tingkat keberhasilan keputusan Sangat efektif untuk mendeteksi penipuan.
Agen intelligent: perangkat lunak yang aktif sampai mendeteksi peristiwa tertentu, dan
kemudian melakukan tindakan yang ditentukan Ada juga kasus berbasis ESs Terutama berguna
dalam pengambilan keputusan medis

Ahli sistem dalam tindakan. ESs telah dilaksanakan untuk membantu para profesional di industri
yang berbeda, seperti Kesehatan perawatan, telekomunikasi, Jasa Keuangan, dan pertanian.
Berikut ini adalah contoh kecil.

Diagnosa medis. Karena obat adalah salah satu paling tidak terstruktur domain, itu tidak
mengherankan bahwa banyak awal ESs dikembangkan untuk membantu dokter dengan diagnosis
gejala dan pengobatan nasihat, seperti disebutkan sebelumnya. MYCIN (diagnosis penyakit
bakteri), lambang (internal medicine diagnostik), dan PUFF (diagnosis penyakit paru) hanya
sedikit dari sistem ini. PUFF termasuk instrumentasi yang menghubungkan ke tubuh pasien dan
feed berbagai data tentang kondisi pasien ke ES untuk dianalisis untuk penyakit paru.

Manajemen medis. Selain diagnostik ESs, beberapa rumah sakit menggunakan sistem yang
membantu membedakan mana tes atau lainnya awal pengobatan pasien harus menerima.
Beberapa keputusan mungkin administratif. Untuk contoh, University of Illinois di Chicago
Medical Center menggunakan aplikasi Discern Ahli. Ini memonitor data pasien dan acara dan
merekomendasikan tindakan, seperti masuk, transfer lain ward atau rumah sakit, debit atau
urutan tes atau pengobatan. Misalnya, seperangkat aturan dalam sistem dapat terlihat seperti ini:
Jika: Perintah untuk SCAN kontras ditingkatkan kucing diterima
DAN: Pasien BUN tingkat yang tinggi
DAN: Pasien KREATININ tingkat yang tinggi
KEMUDIAN: Mengirim pesan ke dokter pasien melalui surat elektronik yang menunjukkan
kemungkinanefek buruk kontras agen menggunakan pengaturan ini.

Pemeliharaan jaringan telepon. AT&T menggunakan ES untuk mendiagnosa dan memperbaiki

jaringan kegagalan. Sistem ini terdiri dari tiga bagian: Monitor, konsultan, dan peramal.
Memonitor terus-menerus memeriksa AT&T jaringan telepon untuk kesalahan. Ketika masalah
terdeteksi, sistem menggunakan disintesis suara untuk memperingatkan jaringan spesialis, yang
kemudian menggunakan konsultan untuk berjalan mereka melalui direkomendasikan pemecahan
masalah dan memperbaiki prosedur untuk memperbaiki masalah. Sebelum perusahaan mulai
menggunakan ES, kecil banyak ahli yang terlatih melakukan pemecahan masalah, yang sekarang
dilakukan oleh karyawan dengan pelatihan kurang. Peramal, Bagian ketiga dari ES, memeriksa
sistem file dan akan memberitahu personil masalah yang mungkin terjadi, berdasarkan
pengalaman sebelumnya, memungkinkan staf untuk mencegah masalah terjadi.

Evaluasi kredit. Pemegang kartu kredit American Express (AmEx) berpotensi dapat mengisi
kartu untuk ratusan ribuan dolar per pembelian. Jelas, sebagian besar pengecer dan restoran tidak
akan memproses biaya sebelum mereka menghubungi AmEx untuk persetujuan. Petugas AmEx
yang mempertimbangkan permintaan menggunakan ES. Sistem permintaan data seperti nomor
rekening, lokasi berdirinya, dan jumlah pembelian. Digabungkan dengan informasi dari database
yang berisi data sebelumnya pada akun, dan pengetahuan dasar dengan kriteria untuk menyetujui
atau menolak kredit, ES memberikan respon.

Deteksi efek Insider Trading. Seperti lembaga-lembaga serupa lainnya, American Stock
Exchange (AMEX) memiliki departemen khusus untuk mencegah insider trading sekuritas di
bawah pengawasan mereka. Insider trading adalah perdagangan saham berdasarkan informasi
yang tersedia hanya untuk orang-orang yang berafiliasi dengan perusahaan, bukan untuk umum.
Amalan ini merupakan pelanggaran serius terhadap undang-undang federal Amerika Serikat.

Deteksi logam Umum. Metallurgists ahli, dan waktu mereka mahal. Mereka biasanya bekerja di
laboratorium, yang juga mahal. General Electric Corp dikembangkan sistem pakar yang
membantu nonexperts untuk mengidentifikasi umum logam dan paduan diluar laboratorium.
Menyediakan pengguna informasi kepadatan, warna, dan kekerasan logam dan hasil kimia
sederhana tes yang dapat dilakukan oleh para pemula di luar pengaturan laboratorium.

Irigasi dan pengendalian hama. Mengetahui jumlah air dan pestisida untuk menggunakan pada
tahap yang berbeda dapat tumbuh kacang Simpan petani jutaan dolar. Setelah banyak penelitian,
Nasional kacang penelitian laboratorium Departemen Pertanian AS dikembangkan ES yang
disebut EXNUT untuk membantu petani kacang yang membuat keputusan ini. Ilmuwan
diproduksi basis pengetahuan besar pada tanaman, cuaca, tanah, dan lainnya faktor-faktor yang
mempengaruhi hasil ladang kacang.

Diagnosis dan prediksi kegagalan mekanis. Mencari tahu apa yang menyebabkan kegagalan
dalam sistem bisa menakutkan. Oleh karena itu, tidak mengherankan bahwa sejumlah besar ESs
membantu metodis mendiagnosa apa yang mungkin menyebabkan kegagalan. Misalnya,
teknisi di Cessna menggunakan Cessna diagnostik dan perbaikan ES untuk Citation X, seorang
eksekutif Jet. Jika, katakanlah, lampu sorot pesawat udara gagal, sistem mulai analisis dengan
tiga mungkin situasi. Teknisi klik item menu yang menggambarkan situasi. Di bagian kiri bawah
bingkai ES daftar komponen yang menyusun Majelis gagal.
4.1 GROUP DECISION SUPPORT SYSTEMS

Juga disebut grup Intelijen sistem, sistem kolaboratif, atau hanya sistem group
Memfasilitasi kontribusi ide, brainstorming, dan memilih menjanjikan solusi Biasanya
memungkinkan peserta untuk menentukan masalah, menyumbangkan ide-ide, kemudian memilih
pada keputusan GDSSs membantu struktur proses pengambilan keputusan sementara
memungkinkan para peserta untuk tetap anonym.

5.1 GEOGRAPHIC INFORMATION SYSTEMS

Sistem informasi geografis (GIS): Bantuan keputusan untuk keputusan yang berkaitan
dengan peta Proses data lokasi untuk membantu dalam pengambilan keputusan GISs digunakan
untuk membantu:
 Menemukan jalan terpendek untuk pengiriman atau rute bus sekolah
 Perencanaan sumber daya cakupan dan perawatan kesehatan polisi kota
 Menemukan lokasi pengeboran minyak
 Mencari situs cocok outdoor rekreasi
 Usaha menentukan lokasi untuk layanan kios
GIS ciri khas terdiri dari tiga komponen:
 Basis data kuantitatif dan kualitatif
 Database Maps
 Sebuah program yang menampilkan informasi pada peta

Teknologi web membantu mempromosikan penggunaan GISs: Contoh: Google Earth,

Mapquest, Yahoo Maps HTML dan XML mendukung presentasi ditandai Maps Digunakan
untuk membantu penjualan dan pemerintah bekerja. Teknologi web membantu mempromosikan
penggunaan GISs oleh organisasi-organisasi swasta dan pemerintah sama. Intranet
memungkinkan karyawan untuk membawa ribuan peta dari gudang penyimpanan terpusat pada
mereka sendiri PCs. HTML dan XML, bahasa utama yang digunakan untuk menulis dan
mengambil halaman Web, mendukung presentasi dari gambar dengan area yang ditandai, yang
membuat mereka ideal untuk pengambilan peta ditandai. Mengklik berbagai area peta dapat
memperbesar dan keluar sebagai baik sebagai membawa terkait informasi dalam bentuk lain
maps atau teks, memanfaatkan kemampuan multimedia web sepenuhnya.
6.1 KESIMPULAN

Keputusan aids termasuk sistem dukungan pengambilan keputusan, ahli sistem, sistem
dukungan pengambilan keputusan kelompok, dan sistem informasi geografisTiga utama tahapan
proses pengambilan keputusan: kecerdasan, Desain, dan pilihan. Dua jenis masalah: tidak
terstruktur dan terstruktur. Kebanyakan DSSs memiliki tiga komponen: data Manajemen modul,
modul manajemen model, dan dialog modul. Analisis sensitivitas mengukur bagaimana
parameter mempengaruhi hasil, dan memungkinkan analisis yang "Bagaimana jika" Spreadsheet
memungkinkan pengguna untuk membuat DSSs tanpa keahlian. Ahli sistem dirancang untuk
meniru pengetahuan tentang ahli, menggunakan teknik kecerdasan buatan Perangkat lunak
jaringan saraf dapat diintegrasikan ke dalam sistem pakar untuk meniru belajar Ahli sistem
digunakan dalam domain sempit yang mana keputusan terstruktur. Sistem informasi geografis
digunakan ketika keputusan melibatkan lokasi dan rute Aids terkomputerisasi keputusan
mungkin mengabaikan keadaan yang penting, yang mengarah ke ke tidak akuratan atau ke tidak
adilan terhadap individu. Keputusan terkomputerisasi aids praktis meninggalkan keputusan
membuat mesin. Mesin menentukan Siapa yang harus menyewa, siapa yang harus menerima
untuk lebih tinggi pendidikan, atau kepadanya untuk memperluas kredit, proses pengambilan
keputusan dapat mengabaikan penting keadaan, dalam hal mana keputusan mungkin tidak akan
akurat dan adil.