Decision Support and

Business Intelligence
Systems
(9th Ed., Prentice Hall)

Chapter 4:
Modeling and Analysis
 Learning Objectives
 Memahami konsep dasar pemodelan sistem dukungan
manajemen (MSS)
 Jelaskan bagaimana model MSS berinteraksi dengan
data dan pengguna
 Memahami kelas model terkenal dan pengambilan
keputusan dengan beberapa alternatif
 Jelaskan bagaimana spreadsheet dapat
digunakan untuk pemodelan dan solusi MSS
 Jelaskan konsep dasar optimasi, simulasi dan heuristik,
kapan harus menggunakan

-2 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 Tujuan belajar
 Menjelaskan bagaimana struktur model
pemrograman linear
 Memahami bagaimana metode pencarian yang
digunakan untuk memecahkan model MSS
 Jelaskan perbedaan antara algoritma, blind search,
dan heuristik
 Jelaskan bagaimana menangani beberapa tujuan
 Jelaskan apa yang dimaksud dengan analisis
sensitivitas, what-if analysis, dan pencarian tujuan
 Menjelaskan isu-isu kunci dari model manajemen
-3 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall
 Modeling and Analysis Topics
 Pemodelan untuk MSS (komponen kritis)
 Model Statis dan dinamis
 Mengatasi kepastian, ketidakpastian, dan risiko
 Diagram pengaruh (dalam file PDF diposting)
 Pemodelan MSS dalam spreadsheet
 Analisis keputusan dari beberapa alternatif (dengan
tabel keputusan dan pohon keputusan)
 Optimasi melalui pemrograman matematika
 Pemrograman heuristik
 simulasi
 Manajemen berbasis model
-4 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall
 MSS Modeling
 Elemen kunci pada MSS
 Mengurangi biaya dan meningkatkan
pendapatan
 DuPont Simulates Rail Transportation System dan Avoids
Costly Capital Expenses

 Procter & Gamble menggunakan beberapa model

DSS untuk mendukung keputusan strategis
 Locating distribution centers, assignment of DCs to
warehouses/customers, forecasting demand, scheduling
production per product type, etc.
 Fiat, Pillowtex (…operational efficiency)…
-5 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall
 Isu utama permodelan
 Identifikasi masalah dan analisis lingkungan
(pengumpulan informasi)
 Identifikasi variabel
 Diagram pengaruh, peta kognitif
 Peramalan / prediksi
 Informasi lebih lanjut menyebabkan prediksi yang lebih baik
 Beberapa model: sebuah MSS dapat mencakup
beberapa model, yang masing-masing mewakili
bagian yang berbeda dari masalah pengambilan
keputusan
 Kategori >>> model
 Manajemen Model
-6 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall
 Kategori Model
Category Objective Techniques
Optimisasi masalah Menemukan solusi terbaik dari Tabel keputusan, pohon
dengan beberapa beberapa alternatif keputusan
alternatif
Optimisasi dengan Menemukan solusi terbaik dari Model pemrograman Linear
algorithma banyak alternatif dan matematikal
dengan proses bertahap
Optimisasi dengan Menemukan solusi terbaik Model inventori
formula analisis menggunalan formula

Simulasi Mendapatkan sebuah solusi yang Beberapa model simulasi

cukup baik dengan percobaan
menggunakan model dinamis
sistem
Heuristik Mendapatkan sebuah solusi yang Pemrograman Heuristik
cukup baik menggunakan aturan dan expert systems
“common-sense”
Prediksi dan model lain Prediksi masa depan, what-if Forecasting, Markov chains,
analysis, … financial, …

-7 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 Model Statis dan Dinamis
 Analisis Statis
 Satu snapshot dari situasi
 Interval tunggal
 Sekali ketetapan
 Analisis Dinamis
 Model dinamis
 Mengevaluasi skenario yang berubah dari waktu ke
waktu
 tergantung waktu
 Menyajikan tren dan pola dari waktu ke waktu
 Lebih realistis: Memperpanjang model statis
-8 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall
 Pembuatan keputusan:
Mengatasi kepastian, ketidak pastian dan resiko
 Model tertentu
 Asumsikan pengetahuan yang lengkap
 Kenali semua hasil potensial
 Dapat menghasilkan solusi optimal
 ketidaktentuan
 Beberapa hasil untuk setiap keputusan
 Probabilitas setiap hasil tidak diketahui
 Pengetahuan akan menyebabkan berkurangnya ketidakpastian
 Analisis risiko (pengambilan keputusan probabilistik)
 Probabilitas dari setiap kejadian
 Tingkat ketidakpastian => Risk (nilai yang diharapkan)

-9 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 Tertentu, tidak tentu dan resiko

-10 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 Diagram pengaruh (influence
Diagrams )
 Representasi grafis dari model
 "Model dari model"
 Sebuah alat untuk komunikasi visual
 Beberapa diagram pengaruh menggunakan model matematika
 Kerangka untuk mengekspresikan Model hubungan MSS
 Rectangle = variabel keputusan
 Lingkaran variabel = variabel intermediate/antara
 Oval = variabel hasil (outcome) : menengah atau akhir

 Variabel yang terhubung dengan panah  menunjukkan arah

pengaruh (hubungan)

-11 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 Influence Diagrams: Relationships
CERTAINTY

Amount in Interest
CDs Collected
Bentuk panah
UNCERTAINTY
menunjukkan
jenis
Price hubungan
Sales

RANDOM (risk) variable: Place a tilde (~) above the variable’s name

~
Demand
Sales

-12 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 Influence Diagrams: contoh
Diagram pengaruh untuk model keuntungan
Unit Price

~ Income
Amount used in
Advertisement Units Sold
Profit

Profit = Income – Expense Unit Cost Expenses

Income = UnitsSold * UnitPrice
UnitsSold = 0.5 * Advertisement Expense
Expenses = UnitsCost * UnitSold + FixedCost

Fixed Cost

-13 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 Influence Diagrams: Software
 Analytica, Lumina Decision Systems
 Supports hierarchical (multi-level) diagrams
 DecisionPro, Vanguard Software Co.
 Supports hierarchical (tree structured) diagrams
 DATA Decision Analysis, TreeAge Software
 Includes influence diagrams, decision trees and simulation
 Definitive Scenario, Definitive Software
 Integrates influence diagrams and Excel, also supports
Monte Carlo simulations
 PrecisionTree, Palisade Co.
 Creates influence diagrams and decision trees directly in an
Excel spreadsheet
-14 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall
 Analytica Influence Diagram of a Marketing
Problem: The Marketing Model

-15 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 Analytica: The Price Submodel

-16 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 Analytica: The Sales Submodel

-17 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 MSS Modeling with Spreadsheets
 Spreadsheet: paling populer sebagai alat pemodelan
 Fleksibel dan mudah digunakan
 Fungsi powerfull
 Fungsi Add-in dan solver
 Programabilitas (melalui macro)
 What-if analysis
 tujuan mencari
 manajemen database sederhana
 Integrasi seamless model dan data
 Menggabungkan kedua model statis dan dinamis
 Examples: Microsoft Excel, Lotus 1-2-3

-18 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 Excel spreadsheet - static model example:
Simple loan calculation of monthly payments

F  P (1  i ) n
 i (1  i ) n 
A  P 
 (1  i ) n
 1 

-19 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 Excel spreadsheet -
Dynamic model
example:
Simple loan
calculation of
monthly payments
and effects of
prepayment

-20 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 Decision Analysis: beberapa alternatif
Situasi satu tujuan
Tabel Keputusan
 Analisis keputusan dengan
beberapa kriteria
 Fitur termasuk variabel
keputusan (alternatif),
variabel tak terkendali,
variabel hasil
 Pohon keputusan
 Representasi grafis dari
hubungan
 Beberapa kriteria Pendekatan
 Menunjukkan hubungan yang
kompleks
 Rumit, alternatif jika banyak
ada

-21 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 Tabel keputusan
 Contoh investasi

 Satu tujuan: memaksimalkan keuntungan

setelah satu tahun

 Keuntungan tergantung pada status ekonomi

(keadaan alam)
 Pertumbuhan yang baik
 Stagnasi
 Inflasi
-22 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall
 Contoh investasi:
situasi yang mungkin
1. Jika pertumbuhan solid dalam perekonomian,
obligasi yield 12%, saham 15%, deposito berjangka
6,5%

2. Jika stagnasi, obligasi yield 6%, saham 3%,

deposito berjangka 6,5%

3. Jika inflasi, obligasi yield 3%, saham kehilangan

2%, deposito berjangka menghasilkan 6,5%

-23 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 Investment Example:
Table Keputusan
 Payoff Decision variables (alternatives)
 Uncontrollable variables (states of economy)
 Result variables (projected yield)
 Tabular representation:

-24 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 Investment Example:
Menyelesaikan ketidak tentuan
 Optimistic approach
 Pessimistic approach
 Treating Risk:
 Use known probabilities
 Risk analysis: compute expected values

-25 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 Decision Analysis: A Few Alternatives
 Other methods of treating risk
 Simulation, Certainty factors, Fuzzy logic
 Multiple goals
 Yield, safety, and liquidity

-26 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 MSS Model Mathematical
 Non-Quantitative Models (Qualitative)
 Menggunakan simbol-2 hubungan antara variabel keputusan, variabel bebas
dan variabel hasil
 Quantitative Models: menghubungkan secara matematis
variabel keputusan, variabel bebas dan variabel hasil
 Variabel keputusan menjelaskan alternatif pilihan.
 Variabel bebas merupakan variabel diluar kendali pembuat keputusan
 Variabel hasil tergantung pada kombinasi antara variabel keputusan dan
variabel bebas yang dipilih
b les
a
V ari
t Uncontrollable
d en
p en Variables
e
I nd Dependent Variables
Decision Mathematical Result
Variables Relationships Variables
Intermediate
Variables
-27 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall
 Optimization
via Mathematical Programming
 Mathematical Programming
Serangkaian alat yang dirancang untuk
membantu memecahkan masalah manajerial yang
mana pembuat keputusan harus mengalokasikan
beberapa sumber daya diantara aktifitas
persaingan untuk mengoptimalkan pencapaian
tujuan
 Optimal solution: solusi paling paling baik
untuk memodelkan masalah.
 Linear programming (LP): sebuah model
matematika untuk mengoptimalkan masalah
sumber daya, semua hubungan adalah linear
-28 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall
 Karakteristik masalah LP
1. Keterbatasan kuantitas sumber daya ekonomi
2. Sumber daya digunakan untuk produksi
produk atau jasa
3. Dua atau lebih cara (solusi, program) untuk
menggunakan sumber daya
4. Setiap aktifitas(produk atau jasa)
memberikan keuntungan dalam mencapai
tujuan
5. Alokasi selalu dibatasi hambatan

-29 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 Linear Programming Steps
 1. Identify the …
 Decision variables
 Objective function
 Objective function coefficients
 Constraints
 Capacities / Demands Line

 2. Represent the model

 LINDO: Write mathematical formulation
 EXCEL: Input data into specific cells in Excel

 3. Run the model and observe the results

-30 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall
 EXAMPLE 1: BOB’S MUFFLER SHOP

Bob memproduksi 2 jenis muffler, keluarga dan olahraga.

Setiap muffler keluarga memberi keuntungan $ 10 dan setiap
muffler olahraga $ 18. Angka-angka ini dikenal sebagai 'margin
kontribusi' produk '.

Keuntungannya ditentukan oleh fungsi $ 10f + $ 18s, di mana f

dan s adalah jumlah total dari setiap jenis knalpot dijual. Ini
adalah fungsi tujuannya.

Variabel keputusannya adalah berapa jumlah muffler keluarga

dan olahraga untuk diproduksi setiap bulan.

Dalam situasi tak terbatas, ia ingin menjual muffler olahraga

sebanyak-banyaknya karena kontribusi mereka lebih tinggi.
Namun ...
 EXAMPLE 1: BACKGROUND

Dalam rangka untuk menciptakan sebuah knalpot, Bob harus

menggunakan braket, tukang, dan aluminium. Sumber daya
yang dibutuhkan untuk masing-masing jenis:

Family Sports
Brackets 2.00 6.00
Labor hours 1.00 0.80
Max Alloy 1 1.5

Dalam hitungan bulan ia mengalam keterbatasan dalam

sumber daya:
Quantity
Brackets 150
Labor hours 40
Max Alloy 50

Ini masalah konstrain.

EXAMPLE 1: Memodelkan konstrain sebagai Persamaan Linear
Konstrain dapat dimodelkan sebagai persamaan linear:

2f + 6s ≤ 150 (brackets)
f + .8s ≤ 40 (labor)
f + 1.5s ≤ 50 (alloy)
Bob juga memiliki kontrak yang luar biasa yang memaksa dia
untuk memproduksi 5 muffler bergaya sport setiap bulan dan
tahu, dari historis kinerja, bahwa permintaan muffler keluarga
pada bulan tertentu tidak akan melebihi 35.

Kendala ini dapat dimodelkan sebagai:

f ≤ 35 (maximum demand)
s ≥ 5 (contractual obligation)

Fungsi obyektif (profit) adalah :

10f + 18s
 EXAMPLE 1: GRAPHING A CONSTRAINT

Situasi ini dapat direpresentasikan secara grafis. Pertimbangkan

kendala yang dikenakan oleh kurung: 2f + 6s ≤ 150.

Jika memproduksi nol muffler keluarga , perubahan persamaan untuk

(0) f + 6s ≤ 150, yang mengurangi ke s ≤ 25. Jadi maksimal 25
muffler sporty dapat dibuat jika tidak ada muffler keluarga yang
diuat.

Demikian pula, 75 muffler keluarga dapat dibuat jika tidak ada

muffler sporty diproduksi.

Representasi grafis dari

masalah diatas.
 EXAMPLE 1: RANGE OF FEASIBILITY

Titik dalam garis adalah scenario jika semua bracket digunakan.

Area dibawah garis disebut Range of Feasibility karena mampu

mengcover semua product mixs yang saling terkait.

Sembarang titik yang diatas garis tidak fisibel karena Bob tidak
mempunyai cukup bracket untuk membuat kombinasi muffler.

Infeasible
Point:

(30 sport,
Range of 40 family)
Feasibility
 EXAMPLE 1: GRAPHING ALL CONSTRAINTS

Konstrain yang lain dapat ditambahkan dengan cara yang

sama.
2f + 6s ≤ 150 (brackets)
f + .8s ≤ 40 (labor)
f + 1.5s ≤ 50 (alloy)
f ≤ 35 (maximum demand)
s ≥ 5 (contractual obligation)
 EXAMPLE 1: THE COMPOSITE RANGE OF FEASIBILITY

Range feasibility adalah area yang dikelilingi garis.

2f + 6s ≤ 150 (brackets)
f + .8s ≤ 40 (labor)
f + 1.5s ≤ 50 (alloy)
f ≤ 35 (maximum demand)
s ≥ 5 (contractual obligation)

Range of
Feasibility
 EXAMPLE 1: POTENTIAL PROFIT LINES

Fungsi laba akan membentuk garis dengan kemiringan -5 / 9,

rasio kontribusi margin muffler keluarga untuk muffler
olahraga.

Setiap baris berhubungan dengan tingkat tertentu dari total

keuntungan. Semakin jauh keluar garis, semakin besar jumlah
laba.

$100 $190 $280 $370 $460

Total Profit: $550
EXAMPLE 1: FEASIBLE PROFIT LINES
Dengan
menggabungkan garis
keuntungan dengan
kisaran kelayakan,
Anda dapat
mengidentifikasi garis
laba tertinggi yang
menyentuh titik layak.
 EXAMPLE 1: OPTIMAL SOLUTION VIA GRAPHICAL
METHOD

The optimal point is a mix of 25 family mufflers and 16.67

sport mufflers. This combination will net Bob $550.

Optimal
point
  Perusahaan MALINDO ARSHA DANA akan membuat almari dan
rolling door.keuntungan yang diperoleh dari satu unit almari
adalah $ 15,sedangkang keuntungan yang diperoleh satu unit
rolling door adalah $25.namun untuk memperoleh keuntungan
tersebut perusdahaan MALINDO ARSHA DANA menghadapi
kendala keterbatasan jam kerja.untuk pembuatan satu unit
almari memerlukan 4 jam kerja,sedangkan untuk pembuatan
rolling door memerlukan 6 jam kerja.untuk pengecatan satu
unit almari memerlukan waktu 3 jam kerja,dan untuk
pengecatan rolling door memerlukan waktu 5 jam kerja.jumlah
jam kerja yang tersedia untuk pembuatan almari dan rolling
door adalah 360 per bulan.sedangkan jumlah jam kerja untuk
pengecatan adalah 260 jam per bulan.berapa jumlah almari
dan rolling door yang sebaiknya diproduksi agar keuntungan
perusahaan maksimum..??
-41 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall
 Sensitivity, What-if, and
Goal Seeking Analysis
 Sensitivity
 Assesses impact of change in inputs on outputs
 Eliminates or reduces variables
 Can be automatic or trial and error
 What-if
 Assesses solutions based on changes in variables or
assumptions (scenario analysis)
 Goal seeking
 Backwards approach, starts with goal
 Determines values of inputs needed to achieve goal
 Example is break-even point determination
-42 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall
 Heuristic Programming
 Cuts the search space
 Gets satisfactory solutions more
quickly and less expensively
 Finds good enough feasible
solutions to very complex
problems
 Heuristics can be
 Quantitative
 Qualitative (in ES)

 Traveling Salesman Problem

>>>
-43 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall
 Heuristic Programming - SEARCH

-44 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 Traveling Salesman Problem
 What is it?
 A traveling salesman must visit customers in
several cities, visiting each city only once, across
the country. Goal: Find the shortest possible route
 Total number of unique routes (TNUR):
TNUR = (1/2) (Number of Cities – 1)!
Number of Cities TNUR
5 12
6 60
9 20,160
20 1.22 1018

-45 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 When to Use Heuristics
When to Use Heuristics
 Inexact or limited input data
 Complex reality
 Reliable, exact algorithm not available
 Computation time excessive
 For making quick decisions

Limitations of Heuristics
 Cannot guarantee an optimal solution

-46 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 Modern Heuristic Methods
 Tabu search
 Intelligent search algorithm

 Genetic algorithms
 Survival of the fittest

 Simulated annealing
 Analogy to Thermodynamics

-47 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 Simulation
 Technique for conducting experiments with a
computer on a comprehensive model of the
behavior of a system

 Frequently used in DSS tools

-48 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 Major Characteristics of Simulation
 Imitates reality and capture its richness
 Technique for conducting experiments
 Descriptive, not normative tool
 Often to “solve” very complex problems

! Simulation is normally used only when a

problem is too complex to be treated using
numerical optimization techniques

-49 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 Advantages of Simulation
 The theory is fairly straightforward
 Great deal of time compression
 Experiment with different alternatives
 The model reflects manager’s perspective
 Can handle wide variety of problem types
 Can include the real complexities of problems
 Produces important performance measures
 Often it is the only DSS modeling tool for
non-structured problems
-50 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall
 Limitations of Simulation
 Cannot guarantee an optimal solution
 Slow and costly construction process
 Cannot transfer solutions and inferences to
solve other problems (problem specific)
 So easy to explain/sell to managers, may lead
overlooking analytical solutions
 Software may require special skills

-51 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 Simulation Methodology
 Model real system and conduct repetitive experiments.
 Steps:
1. Define problem 5. Conduct experiments
2. Construct simulation model 6. Evaluate results
3. Test and validate model 7. Implement solution
4. Design experiments

-52 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 Simulation Types
 Stochastic vs. Deterministic Simulation
 In stochastic simulations: We use distributions (Discrete or
Continuous probability distributions)
 Time-dependent vs. Time-independent Simulation
 Time independent stochastic simulation via Monte Carlo
technique (X = A + B)
 Discrete event vs. Continuous simulation
 Steady State vs. Transient Simulation

 Simulation Implementation
 Visual simulation
 Object-oriented simulation
-53 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall
 Visual Interactive Modeling (VIM) /
Visual Interactive Simulation (VIS)
 Visual interactive modeling (VIM)
Also called
 Visual interactive problem solving
 Visual interactive modeling
 Visual interactive simulation
 Uses computer graphics to present the impact
of different management decisions
 Often integrated with GIS
 Users perform sensitivity analysis
 Static or a dynamic (animation) systems

-54 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 Model Base Management
 MBMS: capabilities similar to that of DBMS
 But, there are no comprehensive model base
management packages
 Each organization uses models somewhat
differently
 There are many model classes
 Within each class there are different solution
approaches
 Relations MBMS
 Object-oriented MBMS

-55 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 End of the Chapter

 Questions / Comments…

-56 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall

 All rights reserved. No part of this publication may be reproduced, stored in a
retrieval system, or transmitted, in any form or by any means, electronic,
mechanical, photocopying, recording, or otherwise, without the prior written
permission of the publisher. Printed in the United States of America.

Copyright © 2011 Pearson Education, Inc.

Publishing as Prentice Hall

-57 Copyright © 2011 Pearson Education, Inc. Publishing as Prentice Hall