TUGAS KELOMPOK

MERANGKUM BAB VI SISTEM PENDUKUNG MANAJERIAL

Disusun untuk memenuhi tugas kelompok Mata Kuliah Sistem Informasi Manajemen yang
diampu oleh Drs. Yong Dirgiatmo, M.Sc., Ph.D

Disusun oleh kelompok 9:

Annamyrat Kakayev F0217122

Fahrurrozy Nur Rizqi F0219051

MANAJEMEN

FAKULTAS EKONOMI DAN BISNIS

UNIVERSITAS SEBELAS MARET SURAKARTA

2021
 BAB VI

SISTEM PENDUKUNG MANAJERIAL

SISTEM PENDUKUNG KEPUTUSAN
Sistem pendukung keputusan (DSS) adalah sistem berbasis komputer, hampir selalu
interaktif, dirancang untuk membantu manajer (atau pembuat keputusan lain) dalam membuat
keputusan. DSS menggabungkan data dan model untuk membantu pembuat keputusan
memecahkan masalah, terutama masalah yang tidak terstruktur dengan baik.
PENAMBANGAN DATA
Penambangan data menggunakan berbagai teknologi (seperti pohon keputusan dan
jaringan neural) untuk menelusuri, atau "menambang", "nugget" informasi dari sejumlah besar
data yang disimpan di gudang data organisasi.
SISTEM DUKUNGAN KELOMPOK
Alat kolaborasi semacam itu — yang secara khusus ditujukan untuk mendukung rapat —
adalah jenis perangkat kelompok khusus yang disebut sistem dukungan kelompok (GSS). GGSs
adalah varian DSS yang penting di mana sistem dirancang untuk mendukung kelompok daripada
individu.
SISTEM INFORMASI GEOGRAFIS
Sistem informasi geografis (GIS), sistem pendukung keputusan spasial (SDSS), intelijen
lokasi, geodemografi, pemetaan komputer, dan perutean otomatis adalah nama untuk
sekumpulan aplikasi berdasarkan manipulasi hubungan di ruang angkasa. Teknologi geografis
seperti GIS menangkap, menyimpan, memanipulasi, menampilkan, dan menganalisis data yang
direferensikan secara spasial ke Bumi.
Bisnis Mengadopsi Teknologi Geografis
Teknologi geografis dalam bisnis adalah rahasia yang dijaga dengan baik selama
bertahun-tahun; Pengadopsi bisnis GIS yang paling awal jarang membicarakannya karena nilai
kompetitifnya.
Aplikasi bisnis lainnya mencakup analisis dan perencanaan pasar, logistik dan perutean, real
estat, teknik lingkungan, dan analisis pola geografis yang digunakan bankir hipotek untuk
menunjukkan bahwa mereka tidak "mengubah garis batas" area — yaitu, menolak pinjaman
berdasarkan lokasi secara tidak adil.
Masalah untuk Organisasi Sistem Informasi
Aplikasi bisnis SIG pada awalnya sering kali diperkenalkan ke dalam perusahaan untuk
mendukung fungsi tunggal seperti riset pasar atau layanan lapangan. Pengalaman menunjukkan
kepada kita bahwa GIS segera menyebar di dalam dan di seluruh kelompok.
SISTEM INFORMASI EKSEKUTIF / SISTEM KECERDASAN BISNIS
Konsep utama di balik sistem informasi eksekutif (EIS) adalah bahwa sistem tersebut
memberikan informasi terkini secara online tentang kondisi bisnis dalam bentuk agregat yang
mudah diakses oleh eksekutif senior dan manajer lainnya. EIS dirancang untuk digunakan
langsung oleh para manajer ini tanpa bantuan perantara.
SISTEM MANAJEMEN PENGETAHUAN

Sistem manajemen pengetahuan (KMS) adalah sistem yang memungkinkan individu dan
organisasi untuk meningkatkan pembelajaran, meningkatkan kinerja, dan, diharapkan,
menghasilkan keunggulan kompetitif berkelanjutan jangka panjang. Sederhananya, 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, gudang pengetahuan), dan koneksi dari orang ke
alat (misalnya, kalender komunitas, forum diskusi). Tujuan dari KMS adalah untuk
memanfaatkan pengetahuan individu dan organisasi dan menyebarkannya ke seluruh perusahaan
untuk memperoleh perbaikan operasional dan pasar.

DUA INISIATIF KMS TERBARU DI DALAM PERUSAHAAN FARMASI

KMS PERUSAHAAN Tim KM dibentuk untuk mengembangkan KMS di seluruh

organisasi yang melayani berbagai komunitas praktik. Pengoperasian komunitas praktik
melibatkan kombinasi perangkat lunak dan proses. Setiap komunitas memiliki koordinator yang
ditunjuk yang tugasnya memastikan bahwa komunitas tersebut berkembang (beberapa komunitas
memiliki dua atau tiga koordinator). Koordinatornya adalah relawan dan tidak menerima
kompensasi tambahan; namun, mereka cenderung menjadi anggota yang sangat terlihat di
komunitas mereka. Koordinator melakukan banyak fungsi khusus seperti menyambut anggota
baru, mengembangkan dan memelihara standar perilaku dan standar pengetahuan di dalam
komunitas, memelihara kalender komunitas, memantau forum diskusi, memastikan bahwa
pengetahuan di komunitas sesuai.

PENJUALAN LAPANGAN KMS

 Tim KM yang berbeda dibentuk untuk memimpin pengembangan bidang penjualan
KMS. Berbeda dengan KMS korporat, misi tim KMS ini adalah merancang dan membangun
kedua konten dan struktur KMS. Oleh karena itu, dikembangkan suatu taksonomi pengetahuan
sehingga pengetahuan tentang masing-masing obat yang dijual oleh perusahaan diatur secara
terpisah. Perwakilan penjualan hanya memiliki akses ke pengetahuan tentang obat yang mereka
jual. Operasi penjualan dan manajemen merek akan mengembangkan draf awal dari konten
pengetahuan, yang akan mereka berikan kepada tim KM. Tim KM akan memformat dokumen
dan meletakkannya di lokasi yang tepat di KMS sesuai taksonomi. Sistem ini dirancang untuk
menjadi gudang pengetahuan utama yang digunakan oleh perwakilan penjualan lapangan dan
manajer penjualan. Selain itu, semua komunikasi pengetahuan dengan perwakilan penjualan
lapangan diharapkan dapat dilakukan melalui KMS penjualan lapangan.

SUKSES KMS

Apa yang dibutuhkan KMS agar sukses? Salah satu aliran penelitian menyarankan bahwa
baik sisi penawaran (yaitu, kontribusi pengetahuan) dan permintaan (yaitu, penggunaan kembali
pengetahuan) dari KM harus dipertimbangkan secara bersamaan. Dengan kata lain, faktor
pendukung organisasi di sisi penawaran yang melibatkan komitmen kepemimpinan, manajer dan
dukungan rekan untuk inisiatif KM, dan kendali kualitas pengetahuan dan di sisi permintaan
melibatkan sistem insentif dan 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).

KECERDASAN BUATAN

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

SISTEM PAKAR
 Bagaimana seseorang 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 pakar di bidang yang
diteliti. Insinyur pengetahuan mencoba mempelajari semua yang mereka bisa tentang cara pakar
membuat keputusan.

Memperoleh Sistem Pakar

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 di antaranya yang memerlukan
konstruksi dari semua bagian ini.

Contoh Sistem Pakar

Mungkin contoh klasik dari sistem pakar adalah MYCIN, yang dikembangkan di
Universitas Stanford dipertengahan 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 pada lokomotif diesel, dan AT&T
mengembangkan ACE untuk menemukan kesalahan pada kabel telepon. Schlumberger, Ltd.,
sebuah perusahaan minyak internasional, mengembangkan sistem pakar bernama Dipmeter
untuk memberikan saran ketika mata bor macet saat mengebor sumur.

JARINGAN SARAF

Sementara sistem pakar mencoba menangkap keahlian manusia dalam program

komputer, jaringan saraf mencoba menemukan pola yang bermakna dari sejumlah besar data.
Jaringan saraf dapat mengenali pola yang terlalu tidak jelas untuk dideteksi manusia, dan mereka
beradaptasi saat informasi baru diterima. Karakteristik utama dari jaringan saraf adalah mereka
belajar. Program jaringan saraf awalnya diberi sekumpulan data yang terdiri dari banyak variabel
yang terkait dengan sejumlah besar kasus, atau peristiwa, di mana hasilnya diketahui. Program
ini menganalisis data, menghitung semua korelasi, dan kemudian memilih sekumpulan variabel
yang sangat berkorelasi dengan hasil tertentu yang diketahui sebagai pola awal.

REALITAS MAYA
 Realitas virtual adalah area aplikasi menarik dengan kepentingan yang berkembang pesat.
Realitas virtual (VR) mengacu pada penggunaan sistem berbasis komputer untuk menciptakan
lingkungan yang tampak nyata bagi satu atau lebih indera (biasanya termasuk penglihatan)
pengguna manusia atau pengguna. Contoh utama VR adalah holodeck di atas kapal USS
Enterprise di Star Trek: Generasi Selanjutnya, di mana Data dapat menjadi Sherlock Holmes
dalam suasana realistis dengan karakter realistis dan di mana Jean-Luc Picard dapat memainkan
peran sebagai mata pribadi yang keras kepala di awal abad kedua puluh. Pengembangan VR
masih dalam tahap awal, dan akan membutuhkan waktu yang lama sebelum segala sesuatu yang
mendekati holodeck Perusahaan dapat dilakukan dari jarak jauh. Namun banyak vendor
mengembangkan perangkat keras dan perangkat lunak VR, dan banyak aplikasi VR yang
berharga mulai bermunculan.