SPK Bab2 by Firli

BAB 2
Pengambilan Keputusan, Sistem,

Permodelan, dan Dukungan
1
Pengambilan Keputusan, Sistem,
Permodelan, dan Dukungan
 Dasar Konseptual dari Pengambilan Keputusan

 Pendekatan Sistem
 Bagaimana dukungan diberikan
 Contoh kasus pembuka:

Bagaimana menginvestasikan $10,000,000
Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson, 6th edition, 2
Copyright 2001, Prentice Hall, Upper Saddle River, NJ
Aspek Keputusan Bisnis yang
Umum
Keputusan mungkin diambil oleh suatu kelompok
Anggota kelompok dapat mengalami bias
Pemikiran secara berkelompok
Mungkin terdapat beberapa tujuan yang saling bertentangan
Banyak pilihan
Hasilnya dapat muncul di masa depan
Sikap-sikap dalam menghadapi resiko
Memerlukan informasi
Mengumpulkan informasi perlu waktu dan biaya
Bisa jadi terlalu banyak informasi
Skenario “Bagaimana Jika”
Eksperimen Trial-and-error pada sistem yang sebenarnya dapat
mengakibatkan kerugian
Eksperimen dengan sistem yang sebenarnya – lakukan hanya sekali
Perubahan pada lingkungan dapat berlangsung terus-menerus
Tekanan waktu
Bagaimana keputusan diambil???
Metodologi apa saja yang dapat digunakan?
Apa peranan sistem informasi dalam

mendukung pengambilan keputusan?
DSS
Sistem
Pendukung
Pengambilan Keputusan
Pengambilan Keputusan
Pengambilan Keputusan: suatu proses

pemilihan dari banyak alternatif jalan yang
akan ditempuh yang kegunaannya adalah
untuk mencapai tujuan
Pengambilan keputusan secara manajerial pada

dasarnya sejalan dengan keseluruhan proses
manajemen (Simon, 1977)
Pengambilan Keputusan vs
Pemecahan Masalah
4 Fase Pengambilan Keputusan
menurut Simon
1. Intelijen
2. Merancang
3. Pemilihan
4. Mengimplementasikan
Pengambilan keputusan dan pemecahan masalah

dapat saling dipertukarkan
Sistem
Suatu SISTEM adalah sekumpulan obyek-obyek

seperti manusia, sumberdaya, konsep, dan prosedur
yang ditujukan untuk menjalankan sebuah fungsi
yang dapat diidentifikasikan atau untuk mencapai
sebuah tujuan
Tingkatan Sistem (Hirarki): Semua sistem adalah

subsistem yang saling terhubung melalui antarmuka
Struktur Suatu Sistem
Tiga bagian utama sistem (Gambar 2.1)
Input
Proses
Output
Sistem
Dilingkupi oleh suatu lingkungan
Seringkali mencakup umpan balik
Pengambil Keputusan biasanya dianggap sebagai

bagian dari sistem
Sistem
Lingkungan
Input Output
Proses
Umpan balik
Garis batas
Input adalah elemen yang memasuki sistem
Proses mengubah input menjadi output
Output adalah produk akhir atau konsekuensi karena

berada dalam sistem
Umpan balik adalah aliran informasi dari output ke

pengambil keputusan, yang dapat mengubah input atau
proses (putaran tertutup)
Lingkungan berisi elemen yang terdapat di luar sistem

tetapi mempengaruhi kinerja sistem
Bagaimana Mengidentifikasi
Lingkungan?
Dua pertanyaan (Churchman, 1975)
1. Apakah elemen memberikan pengaruh secara relatif

kepada tujuan sistem? [YA]
2. Apakah memungkinkan bagi pengambil keputusan untuk

memanipulasi elemen ini secara siginifikan? [TIDAK]
Elemen Lingkungan Dapat
Berupa..
Sosial
Politis
Hukum
Fisik
Ekonomi
Seringkali termasuk sistem lain
Garis Batas Memisahkan
Sistem dari Lingkungannya
Garis batas dapat berbentuk fisik atau nonfisik

(berdasarkan definisi cakupannya atau jangka waktu)
Garis batas sistem informasi biasanya adalah

berdasarkan definisi
Sistem Terbuka dan Tertutup
Mendefinisikan suatu garis batas pada dasarnya adalah

menutup sistem
Sistem Tertutup benar-benar independen dari sistem

atau subsistem lain
Sistem Terbuka sangat tergantung dengan

lingkungannya
Sistem Informasi
Mengumpulkan, memproses, menyimpan,

menganalisa, dan menyebarkan informasi dengan
tujuan tertentu
Seringkali menjadi pusat dari banyak organisasi
Menerima input dan memproses data untuk

menyediakan informasi kepada pengambil
keputusan dan membantu mereka
mengkomunikasikan hasilnya
Efektivitas dan Efisiensi
Sistem
2 kelas besar untuk mengukur kinerja
Efektivitas adalah derajat pengukuran tujuan yang telah

tercapai
Melakukan sesuatu yang benar!
Efisiensi adalah ukuran penggunaan input (atau

sumberdaya) untuk mendapatkan output
Melakukan sesuatu dengan benar!
MSS menekankan pada efektivitas

Seringkali pada: beberapa tujuan yang tidak dapat
dikuantisasikan dan saling mengganggu
Model
Komponen utama DSS
Gunakan saja model dan bukannya bereksperimen
pada sistem yang sebenarnya
Sebuah model adalah representasi yang

disederhanakan atau abstraksi dari realitas
Realitas umumnya terlalu kompleks untuk ditiru
semirip mungkin
Kebanyakan kompleksitas yang ada sebenarnya
tidak relevan dalam upaya pemecahan masalah
Derajat Abstraksi Model
(dari terkecil ke terbesar)
Model Ikonik (Skala) : replika fisik dari suatu sistem
Model Analog berkelakuan seperti sistem yang
sebenarnya tetapi dengan tampilan tidak seperti
sistem tersebut (representasi simbolik)
Model Matematis (Kuantitatif) menggunakan relasi
matematika untuk merepresentasikan kompleksitas
sistem.
Ini adalah cara yang kebanyakan digunakan dalam
analisis DSS
Keuntungan Menggunakan Model
1. Penghematan waktu
2. Mudah memanipulasi model
3. Biaya pembuatan rendah
4. Biaya operasional rendah (terutama bila terdapat
kesalahan)
5. Dapat memodelkan resiko dan ketidakpastian
6. Dapat memodelkan sistem yang besar dan sangat
kompleks dengan kemungkinan pemecahan yang
tidak terhingga
7. Meningkatkan dan memperkuat pembelajaran,
serta meningkatkan kemampuan berlatih.
Keuntungan dari grafika komputer: lebih banyak
model ikonik dan analog (simulasi visual)
Proses Permodelan:
Pencermatan Awal
Berapa banyak pesanan untuk grosir Ma-Pa?
Bob dan Jan: Berapa banyak persediaan roti setiap
hari?
Pendekatan solusi
Trial-and-Error (coba-coba)
Simulasi
Optimisasi
Heuristik
Proses Pengambilan
Keputusan
Proses pengambilan keputusan secara sistematik
(Simon, 1977)
Intelijen
Perancangan
Pemilihan
Implementasi
(Gambar 2.2)
Permodelan Sangat Penting dalam proses tersebut
Fase Intelijen
 Mengamati realitas
 Mengidentifikasi dan mendefinisikan masalah
Fase Perancangan
 Membangun model representatif
 Mem-validasi model dan menentukan kriteria evaluasi
Fase Pemilihan
 Mencakup usulan pemecahan masalah dari model
 Bila layak, lanjutkan ke ..
Fase Implementasi
 Pemecahan pada masalah yang sebenarnya
bila Gagal: kembali ke proses permodelan
Seringkali bergerak mundur/kembali ke proses-proses
Fase Intelijen
Memeriksa lingkungan untuk mengidentifikasi situasi

atau kemungkinan timbulnya masalah
Menemukan permasalahan
Mengidentifikasi sasaran dan tujuan organisasional
Menentukan apakah hal-hal tersebut telah terpenuhi
Secara eksplisit mendefinisikan permasalahan
Klasifikasi Masalah
Terstruktur dibandingkan Tidak Terstruktur
Masalah terprogram vs tidak terprogram

Simon (1977)
Masalah Masalah
Tidak Terprogram Terprogram
Dekomposisi Masalah: Membagi masalah yang
kompleks menjadi submasalah (lebih mudah untuk
dipecahkan) -- Chunking (Salami)
Masalah yang nampaknya tidak terlalu terstruktur

mungkin memiliki beberapa submasalah yang
sangat terstruktur
Pengalihan kepemilikan masalah
Keluaran: Pernyataan Masalah
Fase Perancangan
Membuat, mengembangkan, dan menganalisa
tindakan-tindakan yang memungkinkan
Termasuk
Memahami permasalahan
Menguji kelayakan solusi
Membangun, menguji, dan mem-validasi model
Permodelan
Konseptualisasi permasalahan
Abstraksi pada bentuk kuantitatif dan/atau
kualitatif
Model Matematis
Mengidentifikasi variabel
Membuat persamaan yang menjelaskan relasinya
Menyederhanakan melalui asumsi
Menyeimbangkan penyederhanaan model dan
representasi yang akurat dari realitas
Permodelan: suatu seni dan pengetahuan
Topik Permodelan Kuantitatif
Komponen-komponen Model
Struktur Model
Menyeleksi suatu Prinsip Pemilihan
(Kriteria untuk Evaluasi)
Mengembangkan (Membuat) Alternatif
Memperkirakan Keluaran
Mengukur Keluaran
Skenario-skenario
Komponen Model
Kuantitatif
Variabel Pengambilan Keputusan

Variabel yang tidak dapat dikendalikan (dan/atau
Parameter-parameter)
Variabel Hasil (Keluaran)
Relasi matematika
atau
Relasi simbolik atau kualitatif
(Gambar 2.3)
Hasil dari Pengambilan
Keputusan Ditentukan oleh
Keputusan
Faktor yang tidak dapat dikendalikan
Relasi antar variabel
Variabel Hasil
Merefleksikan tingkat efektivitas dari sistem

Variabel yang meiliki ketergantungan
Contoh - Tabel 2.2
Variabel Pengambilan
Keputusan
Menjelaskan alternatif langkah-langkah tindakan

Pengambil Keputusan mengendalikan tindakan
tersebut
Contoh-contoh - Tabel 2.2
Variabel atau Parameter yang
Tidak Dapat Dikendalikan
Faktor-faktor yang mempengaruhi variabel hasil
Tidak dibawah kendali Pengambil Keputusan
Umumnya adalah bagian dari lingkungan
Beberapa diantaranya melingkupi pengambil keputusan
dan disebut dengan pembatas
Contoh - Tabel 2.2
Variabel hasil tengahan

Merefleksikan keluaran yang bersifat tengahan
Struktur Model Kuantitatif
Ekspresi Matematis (misalnya persamaan atau

pertidaksamaan) menghubungkan komponen-
komponen
Model keuangan sederhana

P=R-C
Model Nilai-Sekarang
P = F / (1+i)n
Contoh PL
Model Pemrograman Linier Perhitungan Produksi
Perusahaan MBI
Keputusan: Berapa komputer yang akan dibuat bulan depan?
Ada 2 jenis komputer
Batasan pekerja
Batasan material
Batasan penurunan pasaran
Pembatas CC7 CC8 Hub Batas

Pekerja (hr) 300 500 <= 200.000 / bl
Material $ 10.000 15.000 <= 8.000.000 / bl
Unit 1 >= 100
Unit 1 >= 200
Keuntungan $ 8.000 12.000 Maks
Tujuan: Memaksimalkan Total Keuntungan / Bulan
Model Pemrograman Linier
Komponen
Variabel pengambilan keputusan
Variabel hasil
Variabel yang tidak dapat dikendalikan
(pembatas)
Solusi
X1 = 333,33
X2 = 200
Keuntungan = $5.066.667
Masalah Optimisasi
 Pemrograman Linier
 Pemrograman Tujuan
 Pemrograman Jaringan
 Pemrograman Bil. Bulat
 Masalah Transportasi
 Masalah Penugasan
 Pemrograman Nonlinear
 Pemrograman Dinamis
 Pemrograman Stokastik
 Model Investasi
 Model Inventaris sederhana
 Model Penggantian (anggaran pembiayaan)
Prinsip Pemilihan
Apa kriteria yang digunakan?

Solusi terbaik?
Solusi yang cukup baik?
Seleksi Prinsip Pemilihan
Bukan pada fase Pemilihan
Keputusan yang berhubungan dengan

penerimaan pendekatan solusi
Normatif
Deskriptif
Model Normatif
Alternatif yang dipilih terlihat sebagai yang terbaik

dari semuanya (biasanya gagasan yang bagus)
Proses Optimisasi
Teori keputusan normatif didasarkan pada

pengambil keputusan yang rasional
Asumsi Rasionalitas
Manusia adalah mahluk ekonomi yang memiliki tujuan
untuk memaksimalkan pencapaian sasaran; tentu saja,
pengambil keputusan adalah rasional
Dalam situasi pengambilan keputusan, semua

alternatif tindakan yang memungkinkan dan
konsekuensinya, atau paling tidak kemungkinan dan
nilai konsekuensinya, telah diketahui
Pengambil keputusan memiliki aturan atau acuan yang

memungkinkan mereka untuk menilai tingkat
kebutuhan dari semua konsekuensi analisis
Sub-optimisasi
Mempersempit garis batas sistem
Mempertimbangkan bagian dari sistem lengkap
Mengarah pada solusi (yang mungkin sangat

bagus, tapi) non-optimal
Metode yang dapat dijalankan
Model Deskriptif
Menjelaskan sesuatu apa adanya, atau diyakini
memang seperti itu
Sangat berguna dalam DSS untuk mengevaluasi
konsekuensi dari keputusan dan skenarionya
Tidak ada jaminan bahwa solusi tersebut adalah
optimal
Seringkali sebuah solusi akan cukup baik
Simulasi: Teknik permodelan deskriptif
Descriptive Models
Information flow
Scenario analysis
Financial planning
Complex inventory decisions
Markov analysis (predictions)
Environmental impact analysis
Simulation
Waiting line (queue) management
Satisficing (Good Enough)
Most human decision makers will settle for a good

enough solution
Tradeoff: time and cost of searching for an

optimum versus the value of obtaining one
Good enough or satisficing solution may meet a

certain goal level is attained
(Simon, 1977)
Why Satisfice?
Bounded Rationality (Simon)
Humans have a limited capacity for rational thinking
Generally construct and analyze a simplified model
Behavior to the simplified model may be rational
But, the rational solution to the simplified model may
NOT BE rational in the real-world situation
Rationality is bounded by
 limitations on human processing capacities
 individual differences
Bounded rationality: why many models are descriptive,
not normative
Developing (Generating)
Alternatives
In Optimization Models: Automatically by the Model!
Not Always So!
Issue: When to Stop?
Predicting the Outcome of
Each Alternative
Must predict the future outcome of each proposed

alternative
Consider what the decision maker knows (or
believes) about the forecasted results
Classify Each Situation as Under

 Certainty
 Risk
 Uncertainty
Decision Making Under
Certainty
Assumes complete knowledge available
(deterministic environment)
Example: U.S. Treasury bill investment
Typically for structured problems with short

time horizons
Sometimes DSS approach is needed for certainty
situations
Decision Making Under Risk
(Risk Analysis)
Probabilistic or stochastic decision situation
Must consider several possible outcomes for each
alternative, each with a probability
Long-run probabilities of the occurrences of the
given outcomes are assumed known or estimated
Assess the (calculated) degree of risk associated with

each alternative
Risk Analysis
Calculate the expected value of each alternative
Select the alternative with the best expected value
Example: poker game with some cards face up (7

card game - 2 down, 4 up, 1 down)
Decision Making Under
Uncertainty
Several outcomes possible for each course of action
BUT the decision maker does not know, or cannot
estimate the probability of occurrence
More difficult - insufficient information

Assessing the decision maker's (and/or the
organizational) attitude toward risk
Example: poker game with no cards face up (5 card
stud or draw)
Measuring Outcomes
Goal attainment
Maximize profit
Minimize cost
Customer satisfaction level (minimize number of
complaints)
Maximize quality or satisfaction ratings (surveys)
Scenarios
Useful in
Simulation
What-if analysis
Importance of Scenarios in
MSS
Help identify potential opportunities and/or
problem areas
Provide flexibility in planning
Identify leading edges of changes that management
should monitor
Help validate major assumptions used in modeling
Help check the sensitivity of proposed solutions to
changes in scenarios
Possible Scenarios
Worst possible (low demand, high cost)

Best possible (high demand, high revenue, low cost)
Most likely (median or average values)
Many more
The scenario sets the stage for the analysis
The Choice Phase
The CRITICAL act - decision made here!
Search, evaluation, and recommending an

appropriate solution to the model
Specific set of values for the decision variables in a

selected alternative
The problem is considered solved only after the

recommended solution to the model is successfully
implemented
Search Approaches
Analytical Techniques
Algorithms (Optimization)
Blind and Heuristic Search Techniques
Evaluation: Multiple Goals,
Sensitivity Analysis, What-If,
and Goal Seeking
Evaluation (with the search process) leads to a
recommended solution
Multiple goals
Complex systems have multiple goals
Some may conflict
Typically, quantitative models have a single goal
Can transform a multiple-goal problem into a

single-goal problem
Common Methods
Utility theory
Goal programming
Expression of goals as constraints, using linear
programming
Point system
Computerized models can support multiple

goal decision making
Sensitivity Analysis
Change inputs or parameters, look at model results
Sensitivity analysis checks relationships
Types of Sensitivity Analyses
Automatic
Trial and error
Trial and Error
Change input data and re-solve the
problem
Better and better solutions can be
discovered
How to do? Easy in spreadsheets
(Excel)
 What-if
 Goal seeking
What-If Analysis
Figure 2.9 - Spreadsheet example of a what-if query for a
cash flow problem
Goal Seeking
Backward solution approach

Example: Figure 2.10
What interest rate causes an the net present value of an
investment to break even?
In a DSS the what-if and the goal-seeking options must

be easy to perform
Goal Seeking
The Implementation Phase
There is nothing more difficult to carry out, nor more doubtful
of success, nor more dangerous to handle, than to initiate a
new order of things
(Machiavelli, 1500s)
*** The Introduction of a Change ***
Important Issues
Resistance to change
Degree of top management support
Users’ roles and involvement in system development
Users’ training
How Decisions Are
Supported
Specific MSS technologies relationship to the decision
making process (see Figure 2.10)
Intelligence: DSS, ES, ANN, MIS, Data Mining,

OLAP, EIS, GSS
Design and Choice: DSS, ES, GSS, Management
Science, ANN
Implementation: DSS, ES, GSS
Alternative Decision Making
Models
Paterson decision-making process
Kotter’s process model
Pound’s flow chart of managerial behavior
Kepner-Tregoe rational decision-making approach
Hammond, Kenney, and Raiffa smart choice method
Cougar’s creative problem solving concept and model
Pokras problem-solving methodology
Bazerman’s anatomy of a decision
Harrison’s interdisciplinary approaches
Beach’s naturalistic decision theories
Naturalistic Decision Theories
Focus on how decisions are made, not how they should

be made
Based on behavioral decision theory
Recognition models
Narrative-based models
Recognition Models
Policy
Recognition-primed decision model
Narrative-based Models
(Descriptive)
Scenario model
Story model
Argument-driven action (ADA) model
Incremental models
Image theory
Other Important Decision-
Making Issues
Personality types
Gender
Human cognition
Decision styles
Personality (Temperament)
Types
Strong relationship between personality and
decision making
Type helps explain how to best attack a
problem
Type indicates how to relate to other types
 important for team building
Influences cognitive style and decision style
Temperament
Jung (1923): people are fundamentally different

Hippocrates, too
Myers-Briggs personality profile (DSS in Focus
2.10)
Keirsey and Bates: short Myers-Briggs test
Birkman True Colors: Short test (DSS in Focus
2.11)
Myers-Briggs Dimensions
Extraversion (E) to Intraversion (I)

Sensation (S) to Intuition (N)
Thinking (T) to Feeling (F)
Perceiving (P) to Judging (J)
Birkman True Colors Types
Red Green
Yellow Blue
Gender
Sometimes empirical testing indicates

gender differences in decision making
Results are overwhelmingly inconclusive
Cognition
Cognition: Activities by which an individual resolves
differences between an internalized view of the
environment and what actually exists in that same
environment
Ability to perceive and understand information
Cognitive models are attempts to explain or

understand various human cognitive processes
Cognitive Style
The subjective process through which individuals perceive,
organize, and change information during the decision-making
process
Often determines people's preference for human-machine

interface
Impacts on preferences for qualitative versus quantitative

analysis and preferences for decision-making aids
Affects the way a decision maker frames a problem
Cognitive Style Research
Impacts on the design of management information systems

May be overemphasized
Analytic decision maker

Heuristic decision maker
Decision Styles
The manner in which decision makers
Think and react to problems
Perceive their
 Cognitive response
 Values and beliefs
Varies from individual to individual and from situation to situation

Decision making is a nonlinear process
The manner in which managers make decisions (and the way they
interact with other people) describes their decision style
There are dozens
Some Decision Styles
Heuristic
Analytic
Autocratic
Democratic
Consultative (with individuals or groups)
Combinations and variations
For successful decision-making support, an MSS

must fit the
 Decision situation
 Decision style
The system
 should be flexible and adaptable to different users
 have what-if and goal seeking
 have graphics
 have process flexibility
An MSS should help decision makers use and develop their

own styles, skills, and knowledge
Different decision styles require different types of support
Major factor: individual or group decision maker
The Decision Makers
Individuals
Groups
Individuals
May still have conflicting objectives

Decisions may be fully automated
Groups
Most major decisions made by groups
Conflicting objectives are common
Variable size
People from different departments
People from different organizations
The group decision-making process can be very complicated
Consider Group Support Systems (GSS)
Organizational DSS can help in enterprise-wide decision-making

situations
Summary
Managerial decision making is the whole process of
management
Problem solving also refers to opportunity's evaluation
A system is a collection of objects such as people, resources,
concepts, and procedures intended to perform an
identifiable function or to serve a goal
DSS deals primarily with open systems
A model is a simplified representation or abstraction of
reality
Models enable fast and inexpensive experimentation with
systems
Modeling can employ optimization, heuristic, or simulation
techniques
Decision making involves four major phases: intelligence, design,
choice, and implementation
What-if and goal seeking are the two most common sensitivity
analysis approaches
Computers can support all phases of decision making by automating
many required tasks
Personality (temperament) influences decision making
Gender impacts on decision making are inconclusive
Human cognitive styles may influence human-machine interaction
Human decision styles need to be recognized in designing MSS

SPK Bab2 by Firli

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

SPK Bab2 by Firli

Diunggah oleh

Hak Cipta:

Format Tersedia

BAB 2

Pengambilan Keputusan, Sistem,

Permodelan, dan Dukungan

 Dasar Konseptual dari Pengambilan Keputusan

 Contoh kasus pembuka:

Metodologi apa saja yang dapat digunakan?

Apa peranan sistem informasi dalam

Pengambilan Keputusan: suatu proses

Pengambilan keputusan secara manajerial pada

Pengambilan keputusan dan pemecahan masalah

Suatu SISTEM adalah sekumpulan obyek-obyek

Tingkatan Sistem (Hirarki): Semua sistem adalah

Pengambil Keputusan biasanya dianggap sebagai

Proses mengubah input menjadi output

Output adalah produk akhir atau konsekuensi karena

Umpan balik adalah aliran informasi dari output ke

Lingkungan berisi elemen yang terdapat di luar sistem

1. Apakah elemen memberikan pengaruh secara relatif

2. Apakah memungkinkan bagi pengambil keputusan untuk

Garis batas dapat berbentuk fisik atau nonfisik

Garis batas sistem informasi biasanya adalah

Mendefinisikan suatu garis batas pada dasarnya adalah

Sistem Tertutup benar-benar independen dari sistem

Sistem Terbuka sangat tergantung dengan

Mengumpulkan, memproses, menyimpan,

Seringkali menjadi pusat dari banyak organisasi

Menerima input dan memproses data untuk

Efektivitas adalah derajat pengukuran tujuan yang telah

Efisiensi adalah ukuran penggunaan input (atau

MSS menekankan pada efektivitas

Sebuah model adalah representasi yang

Permodelan Sangat Penting dalam proses tersebut

bila Gagal: kembali ke proses permodelan

Seringkali bergerak mundur/kembali ke proses-proses

Memeriksa lingkungan untuk mengidentifikasi situasi

Terstruktur dibandingkan Tidak Terstruktur

Masalah terprogram vs tidak terprogram

Masalah yang nampaknya tidak terlalu terstruktur

Pengalihan kepemilikan masalah

Keluaran: Pernyataan Masalah

Permodelan: suatu seni dan pengetahuan

Variabel Pengambilan Keputusan

Merefleksikan tingkat efektivitas dari sistem

Menjelaskan alternatif langkah-langkah tindakan

Variabel hasil tengahan

Ekspresi Matematis (misalnya persamaan atau

Model keuangan sederhana

Pembatas CC7 CC8 Hub Batas

Tujuan: Memaksimalkan Total Keuntungan / Bulan

Apa kriteria yang digunakan?

Bukan pada fase Pemilihan

Keputusan yang berhubungan dengan

Alternatif yang dipilih terlihat sebagai yang terbaik

Teori keputusan normatif didasarkan pada

Dalam situasi pengambilan keputusan, semua

Pengambil keputusan memiliki aturan atau acuan yang

Mempersempit garis batas sistem

Mempertimbangkan bagian dari sistem lengkap

Mengarah pada solusi (yang mungkin sangat

Metode yang dapat dijalankan

Most human decision makers will settle for a good

Tradeoff: time and cost of searching for an

Good enough or satisficing solution may meet a