You are on page 1of 45

TUGAS INDIVIDU MATA KULIAH

SISTEM PENUNJANG KEPUTUSAN DAN INFORMASI
EKSEKUTIF

Review Buku
REVIEW DECISION SUPPORT AND BUSINESS INTELLIGENCE SYSTEM 9th
Edition; Chapter II, III
By Efrain Turban, Ramesh Sharda, Dursun Delen
&
REVIEW MANAGEMENT INFORMATION SYSTEM 10 Edition; Chapter 10
By James A. O’Brien, George M. Marakas

Oleh:

Bayu Indrayana P056120052.41E

PROGRAM PASCASARJANA MANAJEMEN DAN BISNIS
INSTITUT PERTANIAN BOGOR
2013

DAFTAR ISI

REVIEW DECISION SUPPORT AND BUSINESS INTELLIGENCE SYSTEM 9th
Edition ................................................................................................................................... 1
BAB II Pembuatan Keputusan, Sistem, Pemodelan, dan Dukungan .............................. 1
(Decision Support, Systems, Modeling, and Support) .......................................................... 1
2.1 Pendahuluan dan Definisi ........................................................................................ 1
2.2 Model Keputusan ..................................................................................................... 2
2.3 Fase Proses Pembuatan Keputusan .......................................................................... 4
2.4 Pembuatan Keputusan: Fase intelijen ...................................................................... 4
2.5 Pembuatan Keputusan: Fase Disain ......................................................................... 4
2.6 Pembuatan Keputusan: Fase Pemilihan ................................................................... 5
2.7 Pembuatan Keputusan: Fase Implementasi ............................................................. 5
2.8 Bagaimana Keputusan Didukung ............................................................................ 5
BAB III Pendukung Keputusan Konsep Sistem , Metodologi , dan Teknologi : An
Overview ................................................................................................................................ 8
(Decision Support Systems, Concept, Methodologies, and Technologies: An Ovweview) . 8
3.1 Konfigurasi DSS ...................................................................................................... 8
3.2 Deskripsi DSS .......................................................................................................... 9
3.3 Karakteristik DSS dan Kemampuan ...................................................................... 10
3.4 Komponen DSS ..................................................................................................... 14
3.5 Data manajemen subsistem .................................................................................... 16
3.6 Model Manajemen subsistem ................................................................................ 18
3.7 User Interface (Dialog) Subsystem ........................................................................ 19
3.8 Knowledge-Based Management Subsystem. .......................................................... 22
3.9 Pengguna DSS ....................................................................................................... 22
3.10 Perangkat keras DSS .............................................................................................. 23
3.11 DSS Modeling Language: Planners Lab ................................................................ 23
REVIEW MANAGEMENT INFORMATION SYSTEM 10 Edition By James A.
O’Brien, George M. Marakas............................................................................................ 25
BAB 10 SUPPORTING DECISION MAKING............................................................... 25
A. PENDUKUNG KEPUTUSAN DALAM BISNIS .................................................... 25

ii

10.1 Kualitas Informasi .............................................................................................. 27
10.2 Struktur Keputusan ............................................................................................. 27
10.3 Tren Pendukung Keputusan ............................................................................... 29
10.4 Sistem Informasi Manajemen............................................................................. 30
10.5 Pemrosesan Analisis Online ............................................................................... 31
10.6 Sistem Pendukung Keputusan ............................................................................ 32
10.7 Komponen DSS .................................................................................................. 33
10.8 Sistem Visualisasi dan Informasi Geografis ...................................................... 34
10.9 Penggunaan Sistem Pendukung Keputusan ....................................................... 34
10.10 Analisis Jika-Maka ......................................................................................... 34
10.11 Analisis Sensitivitas........................................................................................ 35
10.12 Analisis Pencarian Sasaran ............................................................................. 35
10.13 Analisis Optimisasi ......................................................................................... 36
10.14 Sistem Informasi Eksekutif ............................................................................ 36
10.15 Sistem Manajemen Pengetahuan .................................................................... 36
B. KECERDASAN BUATAN DAN TEKNOLOGI DALAM BISNIS ....................... 36
10.16 Ruang Lingkup Kecerdasan Buatan ............................................................... 37
10.17 Sistem Pakar (Expert System) ........................................................................ 39
10.18 Pengembangan Sistem Pakar .......................................................................... 40
10.19 Jaringan Saraf Tiruan (Neural Network) ........................................................ 40
10.20 Logika Fuzzy .................................................................................................. 41
10.21 Algoritma Genetika ........................................................................................ 41
10.22 Realita Virtual ................................................................................................ 41

iii

REVIEW DECISION SUPPORT AND BUSINESS INTELLIGENCE SYSTEM 9th
Edition
By Efrain Turban, Ramesh Sharda, Dursun Delen

BAB II Pembuatan Keputusan, Sistem, Pemodelan, dan Dukungan
(Decision Support, Systems, Modeling, and Support)

Tujuan Pembelajaran untuk Bab 2
1. Memahami dasar konseptual pembuatan keputusan
2. Memahami empat fase Simon pengambilan keputusan : inteligensi, desain , pilihan ,
dan implementation
3. Memahami konsep rasionalitas dan dampaknya terhadap pembuat keputusan
4. Memahami pembuatan, definisi , dan kemampuan dari Decision Support Systems
keputusan ( DSS ) dan business intelligence (BI)
5. Menggambarkan komponen DSS dan level teknologi
6. Menggambarkan berbagai jenis DSS dan menjelaskan penggunaannya
7. Menjelaskan pentingnya database dan database manajemen
8. Menjelaskan pentingnya model dan model manajemen

2.1 Pendahuluan dan Definisi

Lingkungan bisnis yang cepat berubah sering membutuhkan keputusan cepat, yang
sebenarnya bisa merugikan kualitas keputusan. Biaya tinggi dan waktu yang lama dalam
mengumpulkan informasi serta menganalisis masalah. Sulitnya menentukan kapan harus
berhenti dan membuat keputusan, mungkin kurangnya informasi yang cukup untuk
membuat keputusan cerdas, dan sebaliknya kemungkinan ketersediaan terlalu banyaknya
informasi (information overload).

Aspek dari pembuatan keputusan yang penting untuk dimengerti agar dapat
mengembangkan dukungan komputer yang efektif meliputi hal berikut ini:
a. Karakteristik dari pembuatan keputusan, seperti groupthink, experimentation, dan
information overload.
b. Decision styles dari para pembuat keputusan.
c. Tujuan dari para pembuat keputusan.
d. Disiplin keilmuan pendukung, gaya dan bagaimana mereka berhubungan dengan
karakteristik pribadi dari pembuat keputusan, dan sifat keterlibatan kelompok dalam
keputusan.
e. Rasionalitas pembuat keputusan. Seorang pembuat keputusan seharusnya tidak
hanya menerapkan alat teknologi informasi secara sporadis. Sebaliknya, pembuat

1

2.2 Model Keputusan Kategori model yang dapat berguna dalam bisnis meliputi model ikonik (skala. tetapi tidak dalam basis individu. b. Hal ini penting untuk mempertimbangkan karena gaya keputusan yang berbeda membutuhkan berbagai jenis dukungan. 2 . mungkin termasuk orang-orang dari departemen yang berbeda. Sebagian ahli pada subjek tersebut tidak setuju untuk membedakan antara dua konsep itu. model mental. Pengambil keputusan individu membutuhkan akses data dan para ahli yang dapat memberikan saran. Mereka yang membedakan menganggap bahwa pengambilan keputusan merupakan proses pembuatan rekomendasi. Dalam perbedaan konsep antara pengambilan keputusan dan pemecahan masalah. Seringnya pertentangan tujuan dalam pengaturan pengambilan keputusan kelompok. sedangkan hal lain dapat saling membantu. model analog. Gaya pengambilan keputusan adalah cara dimana seorang pengambil keputusan berpikir dan bereaksi terhadap masalah. pembuatan keputusan kelompok dapat lebih rumit daripada membuat keputusan individu. d. keputusan mendapat dukungan melalui pendekatan rasional yang menyederhanakan realitas dan menyediakan cara yang relatif cepat dan murah mempertimbangkan berbagai program alternatif tindakan untuk tiba di terbaik atau solusi yang baik untuk masalah ini. Sedangkan pihak lainnya menggunakan istilah secara bergantian. c. sedangkan pemecahan masalah meliputi pelaksanaan rekomendasi dan mungkin memantau dampaknya untuk menentukan apakah atau tidak masalah telah dipecahkan. dan model matematik (kuantitatif). fisik). Meidentifikasi persamaan dan perbedaan antara membuat keputusan individu versus kelompok dijelaskan sebagai berikut: a. Beberapa friksi terjadi. Keuntungan model matematika dalam pembuatan keputusan adalah sebagai berikut di bawah ini. Individu dalam berkolaborasi mungkin memiliki gaya kognitif. beberapa orang menganggap pengambilan keputusan sebagai tiga langkah pertama dalam pemecahan masalah. atau bahkan dari organisasi yang berbeda. Konsensus dapat menjadi masalah politik yang sulit dalam pengambilan keputusan kelompok. sementara basis kelompok membutuhkan alat kolaborasi dalam berkomunikasi satu dengan yang lainnya. Kelompok dapat menjadi ukuran variabel. yang tidak menjadi masalah dalam pengambilan keputusan individu. dan gaya pengambilan keputusan yang berbeda. Untuk alasan tersebut. tipe kepribadian.

Bahkan dalam masalah sederhana. 3 . f. manajer dapat memperkirakan risiko dari tindakan-tindakan tertentu. Hal ini karena model ini biasanya lebih murah daripada sistem nyata. h. Tahun beroperasi dapat disimulasikan dalam hitungan menit atau detik waktu komputer. Hal ini berlaku dari model matematika. bukan sistem yang berjalan. sebuah model mental yang mengatakan "jika aku makan makanan ini. Model meningkatkan dan memperkuat pembelajaran dan pelatihan. Model memungkinkan kompresi waktu. Namun. Bagian kedua dari pernyataan ini adalah khusus tentang model matematika. Matematika model menggambarkan parameter mereka dalam bentuk angka-angka di atas kertas atau data dalam komputer. variabel berubah untuk melihat efek dari perubahan tersebut. Manfaat ini secara eksplisit tentang model matematika. selain itu akan mencicipi. e. manajer sering memiliki sejumlah besar alternatif dari yang untuk memilih. Model manipulasi (mengubah variabel keputusan atau lingkungan) jauh lebih mudah daripada memanipulasi sistem nyata.a. g. Hal ini karena kesalahan hanya mempengaruhi model sja. c. Model matematika memungkinkan pengambil keputusan untuk memvariasikan parameter seperti tingkat inflasi. b. dan kesalahan sengaja dibuat untuk belajar bagaimana memperbaikinya. Ada banyak applet Java dan program web lainnya yang siap memecahkan model. serta lebih menyakitkan. Kebanyakan model yang tersedia melalui Web adalah model matematika. Pengoperasian model matematika dapat diamati dan dikaji. Biaya rendah selama percobaan trial-and-error jika model yang digunakan. Biaya analisis pemodelan jauh lebih sedikit daripada biaya percobaan serupa yang dilakukan pada sistem nyata. Dengan pemodelan. harga minyak atau pertumbuhan permintaan. Sebagai contoh. tetapi umumnya bukan dari jenis lain. kompresi waktu mengurangi biaya waktu-terkait seperti personel. yang dapat diubah dengan mudah tanpa mempengaruhi operasi dari sistem nyata. kadang-kadang tak terbatas. Lingkungan bisnis melibatkan ketidakpastian. Model matematika memungkinkan analisis yang sangat besar. Model dan metode solusi yang tersedia melalui Web. Eksperimentasi adalah mudah dan tidak mengganggu operasi harian organisasi. d. i. dan bisnis tidak menjalankan risiko operasi gangguan sementara alternatif diselidiki dalam model. untuk mencerminkan semua skenario masa depan yang menarik. jumlah solusi yang mungkin. jenis lain dari model memungkinkan kompresi waktu juga. saya akan mendapatkan reaksi alergi" mengarah ke keputusan untuk menghindarinya jauh lebih cepat.

4 . desain. Hal yang optimal dapat terjadi untuk bagian dari sistem (atau organisasi). kemudian mengidentifikasi dan mendefinisikan masalah. Klasifikasi masalah memungkinkan pengambil keputusan untuk menggunakan alat- alat yang telah dikembangkan untuk menangani masalah dalam kategori tersebut.3 Fase Proses Pembuatan Keputusan Empat fase Simon (1977) mengenai pengambilan keputusan adalah intelijen. Pemecahan masalah tidak dapat diselesaikan sampai tanggung jawab kepemilikan ditetapkan. Jika evaluasi memerlukan pembangunan model. Pada fase ini kepemilikan masalah juga harus terbentuk. Gejala adalah bagaimana masalah memanifestasikan dirinya.4 Pembuatan Keputusan: Fase Intelijen Masalah timbul dari ketidakpuasan terhadap sesuatu hal yang terjadi. Dekomposisi masalah berarti membagi masalah yang kompleks menjadi bagian yang lebih detil. Untuk mencapai itu. bahkan mungkin termasuk pendekatan solusi standar. pemilihan. Penetapan kepemilikan masalah (problem ownership) sangat penting dalam proses pengambilan keputusan. semua alternatif harus dipertimbangkan. Hal ini dapat diakibatkan dari perubahan dalam ekspektasi pembuat keputusan atau dari perubahan situasi. Contoh bisnis: harga tinggi (masalah) dan tingkat persediaan yang belum terjual tinggi (gejala). Fase intelijen meliputi pengumpulan informasi dengan memeriksa realitas. Fase implementasi keputusan menjalankan solusi yang terpilih. 2.5 Pembuatan Keputusan: Fase Desain Optimasi mengacu pada yang "terbaik". Masalah yang yang terjadi sepanjang proses pembuatan keputusan adalah perbedaan negatif yang terjadi diantara para pembuat keputusan. Lain adalah varians kualitas pada produk (gejala) dan buruk dikalibrasi atau usang manufaktur peralatan (masalah). dan implementasi. Suboptimisasi adalah optimalisasi subsistem. Ini merupakan perbedaan atau kesenjangan antara apa yang diinginkan dengan apa yang terjadi. 2. dan yang optimal harus menjadi yang terbaik. tanpa mempertimbangkan dampaknya terhadap bagian lain dari sistem secara keseluruhan.2. Fase pemilihan meliputi pemilihan solusi tentatif dan menguji validitasnya. mungkin tidak untuk seluruh sistem (atau organisasi). maka dilakukan pada fase ini juga. Desain terdiri dari penentuan alternatif dan evaluasi.

8 Bagaimana Keputusan Didukung Teknologi dan alat bantu keputusan dapat membantu dalam setiap tahapan proses pembuatan keputusan. Karakteristik individu dapat mengakibatkan terbatasnya rasionalitas. Model-model preskriptif sering dikembangkan dengan memanfaatkan metode optimasi.7 Pembuatan Keputusan: Fase Implementasi Implementasi didefinisikan sebagai awal dari sebuah tatanan yang baru. Manusia pada umumnya memiliki keterbatasan yang mencegah dari hal-hal yang benar-benar rasional. dan pembenaran. Skenario adalah pernyataan asumsi tentang lingkungan operasi dari sistem tertentu dalam waktu tertentu. Dengan kata lain. Fase pemilihan merupakan titik waktu ketika keputusan benar-benar dibuat. Dukungan terhadap keputusan bisnis dapat menggunakan teknologi intelijen berupa data mining dan OLAP untuk mengidentifikasi hubungan antara kegiatan dan faktor lainnya. Ini biasanya merupakan model simulasi. 2. penjelasan. orang memiliki kecenderungan untuk mengukur ketidakpastian dan risiko buruk. 2. itu adalah dasar untuk memutuskan apakah satu pendekatan atau yang lain lebih unggul. 2. Secara umum.6 Pembuatan Keputusan: Fase Pemilihan Sebuah prinsip pilihan adalah kriteria yang digunakan untuk menggambarkan penerimaan pendekatan solusi. Sistem pendukung keputusan (SPK) mendukung pelaksanaan keputusan melalui komunikasi. Pendekatan normatif menggunakan model mengenai “apa yang seharusnya dilakukan”. a. menempatkan solusi yang direkomendasikan untuk dilaksanakan. Dalam pengambilan keputusan terdapat dua pendakatan yaitu pendekatan normatif dan deskriptif. Pendekatan deskriptif menggunakan model yang memungkin seorang pembuat keputusan melakuan skenario “what-if”. Analisis sensitivitas menentukan bagaimana alternatif merespon perubahan kecil dalam parameter input. pengenalan perubahan. Sistem informasi 5 . Fase Intelejen: Kebutuhan utama pendukung keputusan untuk tahap kecerdasan adalah kemampuan untuk memindai sumber informasi eksternal dan peluang serta masalah internal kemudian menafsirkan hasil. Beberapa kesalahan dalam pengambilan keputusan dapat dikaitkan dengan gagasan pengambilan keputusan berdasarkan intuisi. Skala evaluasi individu untuk biaya dan manfaat dari keputusan mungkin nonlinier dan mungkin tidak mengikuti orang-orang dari organisasi.

b. Semua tahapan proses pengambilan keputusan dapat didukung oleh membaiknya komunikasi dengan komputasi kolaboratif melalui GSS dan KMS. Skenario yang berbeda dapat diuji untuk opsi yang dipilih untuk memperkuat keputusan akhir. Hal ini dapat membantu penjual. dan sistem SCM dapat menguji dampak dari setiap pilihan. OLAP dan perangkat lunak data mining berguna dalam mengidentifikasi hubungan untuk digunakan dalam model tersebut. menjadi lebih efektif dengan mengakses CRM mereka saat di jalan. menyepakati kriteria pilihan dan bobot mereka. komputer tablet. Teknologi baru dapat memberikan dukungan pengambilan keputusan. Fase Implementasi : SPK dapat digunakan dalam pelaksanaan kegiatan seperti komunikasi keputusan. geografis ( GIS ) dapat dimanfaatkan baik sebagai berdiri sendiri atau terintegrasi dengan sistem ini. CRM. misalnya. Perangkat nirkabel yang mengambil kepentingan yang lebih besar dalam perusahaan. Tahap desain: Tahap ini menghasilkan program alternatif tindakan. sehingga pengambil keputusan dapat menentukan peluang dan masalah dalam arti spasial. upaya kolaborasi. ponsel. c. Jika sebuah kelompok membuat keputusan. d. Beberapa kegiatan ini dapat menggunakan model standar seperti model keuangan dan peramalan. Dengan perkembangan mobile commerce. dan keputusan. Pelaksanaan Keputusan ini juga dapat didukung oleh sistem pakar yang dapat digunakan sebagai sistem penasehat mengenai masalah pelaksanaan seperti penanganan resistensi terhadap perubahan. ERP. hanya bisa membantu mereka dalam pekerjaan mereka. Sebuah sistem pakar dapat membantu dengan metode kualitatif serta dengan keahlian yang dibutuhkan dalam memilih analisis kuantitatif dan model peramalan. SPK dapat mendukung tahap pilihan melalui “what-if” dan tujuan mencari analisis. dan peramalan konsekuensi dari berbagai alternatif. dan pengguna dapat merespon sistem dengan informasi terkini. lebih banyak perangkat personal (personal digital assistant. Entah model standar atau khusus dapat menghasilkan alternatif untuk masalah terstruktur. sistem pendukung kelompok dapat memberikan dukungan untuk mengarah pada konsensus . Sistem komputerisasi dapat memfasilitasi komunikasi dengan membantu orang menjelaskan dan membenarkan saran dan pendapat mereka . Sebuah sistem manajemen pengetahuan membantu pengalaman masa lalu mengidentifikasi serupa. Fase Pemilihan : Selain menyediakan model yang cepat mengidentifikasi alternatif terbaik atau cukup baik. 6 . penjelasan. Akses konstan ke data perusahaan. dan pembenaran. komputer laptop) dapat mengakses sumber-sumber informasi. persediaan dan sebaliknya.

7 .umumnya dengan mengakses server Web khusus yang menyediakan data dan komunikasi langsung ke perangkat m-commerce.

User interface mengacu pada cara seorang manajer atau pengetahuan pekerja dapat menggunakan sistem untuk mendukung pengambilan keputusan nya membuat kebutuhan tanpa harus menjadi ahli dalam teknologi . dan pengguna 7. serta perangkat lunak yang digunakan untuk mengelola penggunaan model dalam DSS . masalah DSS saat ini 3. Metodologi . Methodologies. subsistem manajemen model. Jelaskan dampak internet pada DSS dan sebaliknya 8. Jelaskan peran unik pengguna dalam DSS dibandingkan dengan sistem informasi manajemen ( MIS ) 9. BAB III Pendukung Keputusan Konsep Sistem . Memahami klasifikasi DSS penting 11. Menjelaskan komponen dan struktur masing-masing komponen DSS : subsistem manajemen data . 2. Memahami komponen DSS dan bagaimana mereka mengintegrasikan 6. and Technologies: An Ovweview) Tujuan Pembelajaran untuk Bab 3 1.1 Konfigurasi DSS 1. Tiga komponen utama adalah: data. Menjadi akrab dengan beberapa area aplikasi DSS dan aplikasi 12. 3. dan Teknologi : An Overview (Decision Support Systems. dan bagaimana data tersebut diatur dan dikelola oleh DBMS . Memahami kemungkinan sistem pendukung keputusan ( DSS ) konfigurasi 2. user interface ( dialog ) subsistem . Memahami perbedaan utama dan persamaan antara DSS dan intelijen bisnis ( BI ) sistem 3. Memahami penting . 8 . Memahami definisi penting dari DSS 5. subsistem manajemen berbasis pengetahuan . model. Data mengacu pada informasi yang dibutuhkan untuk membuat keputusan . dan user interface . Jelaskan hardware DSS dan platform perangkat lunak 10. biasanya disimpan dalam database . Jelaskan karakteristik dan kemampuan DSS 4. 4. Concept. Model mengacu pada model yang digunakan untuk menganalisis data dan memprediksi hasil keputusan .

1 dan n . Paket spreadsheet seperti Excel termasuk built -in model untuk situasi umum . 6. istilah .jika" skenario untuk menguji dampak dari nilai-nilai . Gambar 1 Konfigurasi DSS 5. Model Excel pembayaran hipotek dapat memberitahu pembeli rumah potensial apa pembayaran bulanan akan untuk hipotek dari pokok yang diberikan . 3. atau mungkin mengeksplorasi pilihan lain . Menggunakan model keuangan tersebut bisa marah kecenderungan manajemen untuk menangani penurunan pendapatan dengan memotong ini berlebihan .1 dan pengeluaran R & D di tahun n . Rumus Excel juga memungkinkan pengguna untuk membuat berbagai macam model . Model memainkan peran kunci dalam DSS .2 Deskripsi DSS Sebuah sistem identifikasi untuk dukungan manajer mengambil keputusan di semistructured dan tidak terstruktur di suatu situasi. "Sebuah sistem informasi yang tujuan utamanya adalah untuk mendukung pekerja pengetahuan membuat keputusan nonstructured 9 .2 . 7. Data subyektif dapat dimanfaatkan dengan menggunakan " apa . dan tingkat suku bunga . Data subjektif dapat dimanfaatkan dalam DSS dalam terang situasi yang digambarkan dalam contoh sketsa pembukaan . formula mungkin berhubungan pendapatan perusahaan di tahun n untuk pengeluaran pemasaran pada tahun n . Sebagai contoh. terutama keuangan . mempertimbangkan memperluas pembayaran selama jangka panjang . Misalnya. Jika angka ini terlalu tinggi pembeli kemudian dapat menemukan rumah lebih murah atau lebih besar uang muka . memotong biaya lain untuk membelinya .

pada area spesifik.produk dengan tujuan utama mereka . Secara eksplisit tidak termasuk sistem yang menyediakan beberapa pendukung keputusan sebagai . Hal ini tidak memerlukan keputusan untuk menjadi manajerial atau masalah menjadi masalah manajemen. karakteristik kunci dan kemampuan DSS ditunjukkan pada Gambar dan diperkuat dalam teks di bawah ini : Gambar 2 Kunci karakteristik dan kemampuan dari DSS 10 . Definisi ini lebih dekat dengan yang pertama. fleksibel. tetapi membutuhkan DSS untuk memiliki area aplikasi spesifik. Pendekatan DSS (atau metodologi) untuk mendukung pengambilan keputusan  Menggunakan interaktif. model dan pengetahuan bersama dengan (sering grafis.3 Karakteristik DSS dan Kemampuan 1. beradaptasi mampu-komputer sistem informasi berbasis (CBIS)  Dikembangkan oleh end user untuk mendukung solusi untuk manajemen nonstructured tertentu problem  Menggunakan data. web- based) user friendly antarmuka  Menggabungkan wawasan pembuat keputusan sendiri  Mendukung semua fase pengambilan keputusan  Dapat digunakan oleh pengguna tunggal atau oleh banyak 3.

• Dukungan untuk keputusan saling tergantung dan / atau berurutan . atau memodifikasi mereka untuk memecahkan. • Pengguna akhir dapat mengembangkan dan memodifikasi DSS sederhana dengan sendirinya. dari eksekutif atas ke manajer lini . desain . mengubah. multimedia . dan implementasi . (Aplikasi DSS Paling baru menggunakan antarmuka berbasis web. • Mendukung semua empat fase pengambilan keputusan : inteligensi. Penting untuk memasukkan model dalam DSS. yang adalah apa yang membedakan DSS dari MSS lainnya . kualitas ) daripada efisiensi. • Akses ke berbagai sumber data. ketepatan waktu . • Model umumnya digunakan untuk memungkinkan bereksperimen dengan strategi yang berbeda . • Pengguna dapat menambah. atau mengatur ulang elemen dasar. menghapus. • Dukungan untuk semua tingkatan manajerial . Pemodelan kemampuan DSS . ) • Meningkatkan efektifitas pengambilan keputusan (akurasi . diperlukan untuk mengaktifkan bereksperimen dengan keputusan yang berbeda di bawah konfigurasi yang berbeda dan asumsi. • Dukungan untuk individu dan kelompok . 3. • Dukungan untuk (terutama) situasi semiterstruktur dan tidak terstruktur . termasuk GIS . masalah serupa lainnya . • User-friendly interface. dan berorientasi objek.  Bisnis analisis menyiratkan penggunaan model dan data untuk meningkatkan organisasi kinerja dan / atau postur yang kompetitif  Web analytics berarti menggunakan analisis bisnis informasi web real-time untuk membantu dalam pengambilan keputusan. Jenis DSS dapat pengguna akhir berkembang pada spreadsheet. • Digunakan oleh pengambil keputusan individu atau didistribusikan di seluruh satu atau lebih organisasi 2. menggabungkan. sering berhubungan dengan e-Commerce 11 . dan jenis . format . pilihan. DSS yang lebih besar memerlukan IS spesialis . • Pembuat Keputusan mengontrol semua langkah dari proses pengambilan keputusan dalam memecahkan suatu masalah . menggabungkan penilaian manusia dengan informasi yang terkomputerisasi . • Dukungan berbagai proses pengambilan keputusan dan gaya. Yang sederhana mencerminkan keterbatasan spreadsheet sebagai alat pembangunan DSS dan keterbatasan pengguna akhir yang khas dalam mengembangkan sistem informasi yang kompleks.

kelompok.  Predictive analytics menjelaskan bisnis metode analisis masalah peramalan dan peluang bukan hanya melaporkan mereka sebagai mereka terjadi  DSS Classifications  Lainnya DSS Kategori  DSS institusional dan ad-hoc  Pribadi. dan ES aplikasi) 6. DSS berorientasi solver 5. • Komunikasi . data mining .driven dan kelompok DSS ( GSS ) • Data-driven DSS • DSS Dokumen -driven • DSS Pengetahuan . dan aplikasi manajemen ES 12 . DSS berorientasi aturan (termasuk yang paling berbasis pengetahuan DSS. Senyawa DSS 1. Klasifikasi DSS dari SIGDSS AIS . DSS berorientasi teks 2. DSS berorientasi basis data.driven. dan organisasi dukungan  Sistem pendukung individu versus kelompok sistem pendukung (GSS)  Sistem custom-made dibandingkan siap pakai sistem  DSS Classifications  Holsapple dan Whinston itu Klasifikasi 1. 3. manajemen. DSS berorientasi spreadsheet 4. data mining.

5. dan aplikasi manajemen ES . Ini mencakup semua DSS berbasis teks dan paling KMS .  DSS aturan berorientasi • H & W termasuk SIGDSS paling AIS berbasis pengetahuan DSS . masalah yang tidak diharapkan terjadi masih sering melakukannya . dari waktu ke waktu . Mendefinisikan istilah siap pakai DSS . Sebuah DSS dokumen -driven bergantung pada pengetahuan coding . pencarian . • DSS Model -driven • DSS Compound . Dokumen -driven DSS . Karena paket seperti Excel dapat mencakup DBMS dasar atau dapat mudah antarmuka dengan satu . Masalah tersebut biasanya muncul di tingkat pengendalian strategis dan manajemen . Namun.  H & W senyawa DSS mengintegrasikan dua atau lebih dari mereka dikutip di atas dan sesuai dengan konsep SIGDSS AIS sama. data mining . mereka dapat menangani beberapa sifat SIA SIGDSS DSS berorientasi database terutama manipulasi pengetahuan deskriptif . hibrida yang menggabungkan dua atau lebih kategori ini 2.  DSS spreadsheet berorientasi • H & W umumnya bentuk lain dari AIS DSS model- driven . atau ternyata DSS diterapkan untuk masalah lain juga . Seperti DSS tidak perlu memiliki derajat yang sama fleksibilitas sebagai DSS institusional untuk mengatasi variasi dalam masalah. sebagai berikut :  DSS berorientasi teks • H & W adalah sama seperti AIS SIGDSS dokumen -driven DSS . analisis . kemampuan DSS institusional dan DSS ad hoc . H & W klasifikasi map mudah ke orang-orang dari SIGDSS AIS . Ini harus memiliki fleksibilitas untuk berurusan dengan keputusan manifestasi yang berbeda . Sebuah DSS institusional direncanakan dan dikembangkan untuk menangani keputusan yang berulang . DSS Dokumen -driven memiliki penekanan minimal pada model matematika . Sebuah hoc DSS ad dikembangkan untuk menangani masalah satu kali . di mana fasilitas spreadsheet yang digunakan untuk membuat dan mengelola model .  DSS berorientasi solver • H & W memetakan langsung ke AIS model-driven DSS .  DSS database berorientasi • H & W adalah AIS SIGDSS data-driven DSS . 3. dan pengambilan keputusan untuk dukungan . Daftar dan membandingkan Holsapple dan Whinston klasifikasi dengan mereka yang SIGDSS AIS. DSS tersebut cenderung digunakan pada kontrol manajerial dan tingkat operasional. 13 . 4. dengan data yang berbeda .

Secara singkat Web dapat digunakan dalam setiap komponen utama DSS . Sebuah DSS siap pakai merupakan produk software DSS dirancang untuk digunakan .4 Komponen DSS Gambar 3 Skematik DSS 1. 2. • User interface mencakup bi-directional komunikasi manusia-komputer dan manajemen. dengan sedikit modifikasi. model manajemen . Komponen utama adalah: pengelolaan data . keuangan). DSS tersebut sering dirancang untuk industri tertentu (misalnya. 3. • Pengetahuan dasar mencakup peningkatan kecerdasan buatan untuk komponen lainnya. antarmuka pengguna dan basis pengetahuan . • Manajemen Model meliputi model dan sistem manajemen mereka. 14 . rumah sakit) atau area fungsional (misalnya . oleh beberapa organisasi yang memiliki keputusan sebanding membuat kebutuhan. • Manajemen data mencakup sistem manajemen database dan satu atau lebih database.

4. • User interface sistem dialog : Web browser memberikan. untuk model eksternal . misalnya melalui penalaran simbolik. 15 . mungkin juga terhubung ke sistem manajemen database untuk memperoleh data yang dibutuhkan . • metode AI juga dapat mengaktifkan pengambilan keputusan otomatis untuk masalah yang cukup terstruktur. • sistem manajemen database ( DBMS ): Data biasanya disimpan pada server diakses melalui Web. • Manajemen data. yang juga diakses melalui Web. • User interface ( UI ) menghubungkan pengguna ke komponen sistem lainnya . dan basis pengetahuan organisasi . • Bbasis pengetahuan subsistem . konsisten antarmuka pengguna grafis akrab ( GUI ) struktur. • sistem manajemen berbasis pengetahuan ( KBMS ) : Banyak metode AI telah diimplementasikan dalam sistem berbasis Web. • Alat seperti sistem pakar dan jaringan saraf dapat lebih akurat daripada metode lain. Menjelaskan struktur dasar DSS dan komponennya. dan berkomunikasi dengan pengguna melalui UI . dapat mengendalikan atau dikendalikan oleh subsistem berbasis pengetahuan. menghubungkan ke sumber data internal dan eksternal . selain yang terhubung ke pengguna melalui UI. Model juga dapat dikembangkan untuk berjalan pada server aplikasi. • Model dikendalikan oleh subsistem model manajemen. • Seluruh DSS dapat berkomunikasi dengan sistem lain dan jaringan jika diperlukan. membuat mereka mudah untuk mengintegrasikan dengan komponen DSS lainnya. Sebuah komponen berbasis pengetahuan dapat membantu masing-masing dari tiga komponen lain dalam cara:  teknik kecerdasan buatan dapat membantu pengguna dalam menggunakan komponen lain • metode AI dapat membantu secara langsung dalam pengambilan keputusan . • Model manajemen subsistem manajemen link data ke model . selain koneksi ke manajemen model dan subsistem berbasis pengetahuan telah disebutkan. • Model dasar sistem manajemen ( MBMS ) : Model dapat disimpan dan diakses secara eksternal melalui Web. 3.

Hal ini juga berisi aturan akses bahwa akses pengguna control untuk kolom atau baris dari tabel database tertentu. DSS besar umumnya memiliki database mereka sendiri untuk tiga alasan : • DSS mungkin harus mengintegrasikan data dari berbagai sumber .3. bahkan jika mereka tidak diakses melalui Web. dan maknanya . dengan pertanyaan jarang terjadi. dikelola oleh subjek DBMS untuk kontrol akses yang sesuai.5 Data manajemen subsistem 1. atau bisa juga. yang masing- masing database yang terpisah dan yang tidak dapat digabungkan secara langsung . dan data. dan mengembalikan hasilnya ke penerbit . Semua. DSS umumnya meliputi database sendiri. file teks. 16 . direktori. merumuskan basis data akses untuk mengisi mereka . meskipun alat ( s ) digunakan dan antarmuka pengguna mungkin mirip atau identik . tunduk pada pembatasan akses yang melampaui keamanan data perusahaan normal. dan definisi data yang dikandungnya.  Direktori : Tujuan utama dari direktori .terstruktur . menentukan bagaimana permintaan tersebut dapat dipenuhi .  Query fasilitas : Menerima permintaan data dari komponen DSS lain. (Data pribadi subset dari data internal. Persamaan dan perbedaan antara data internal . Memisahkan dari bagian dari komunitas pengguna mungkin lebih ekonomis daripada upgrade perangkat keras yang akan diperlukan . • Struktur database yang terbaik untuk data statis digunakan untuk analisis . eksternal . 2. sumber . ) 3. Data internal biasanya diakses melalui intranet sedangkan data eksternal diakses melalui Internet . atau multimedia dari berbagai jenis. Semua bisa obyektif atau subyektif. Semua dapat digunakan untuk mendukung berbagai keputusan. adalah untuk menjawab pertanyaan tentang ketersediaan item data . dan swasta . Komponen DBMS : fasilitas query. Kemiripan : Semua jenis ini bisa dalam catatan / lapangan file bentuk . sedangkan data eksternal berasal dari luar . • Berbagi satu database untuk kedua penggunaan dapat menyebabkan masalah kinerja pada beban puncak kali. Perbedaan : Data internal berasal dari sendiri sistem pemrosesan transaksi organisasi. tetapi kompleks. mungkin tidak cocok untuk data dinamis yang digunakan untuk pemrosesan transaksi dengan sering tapi sederhana query dan update .  Data: Ini adalah isi sebenarnya dari database . Dan semuanya dapat diakses melalui antarmuka Web-seperti . dan sebaliknya .

Fasilitas permintaan melakukan tugas-tugas. tiga fungsi dasar adalah penyimpanan. dan mengembalikan hasilnya ke penerbit permintaan . Fungsi utama ( kemampuan ) dari DBMS Seperti terdaftar dan dibahas dalam bagian ini . pencarian . merumuskan permintaan rinci. Ini mencakup definisi data dan informasi lainnya yang diperlukan untuk memfasilitasi dan mengontrol akses ke data melalui DMBS . 5. 6. meringkas. dan kontrol . DBMS mengelola database untuk mengatur . dan data katalog. itu sering perlu untuk mengakses. Fungsi dari fasilitas query Dalam membangun dan menggunakan DSS . Ekstraksi adalah proses menangkap data ( seringkali dari berbagai sumber ) . ekstrak / mengakses. Ia menerima permintaan data dari komponen DSS lain. 17 . mengubah. menghapus . menentukan bagaimana permintaan dapat dipenuhi ( konsultasi direktori data jika diperlukan ). dan data query.4. menyaring mereka. 7. kondensasi dan reorganisasi data untuk memuat ke dalam database DSS seperti data warehouse . Fungsi dari direktori Ini adalah katalog dari semua data dalam database . memanipulasi.

18 . dan merger . Mengetahui jenis model juga memungkinkan orang untuk menarik kesimpulan tentang struktur kemungkinan dan komunitas pengguna tanpa mengetahui lebih banyak tentang hal itu. Tujuan dari klasifikasi ini adalah untuk menunjukkan pentingnya keputusan tersebut dan menunjukkan apa tingkat manajerial bertanggung jawab untuk pelaksanaannya .membeli keputusan atau merancang rencana promosi besar. Model taktis mendukung manajemen terutama tengah dalam alokasi sumber daya dan terkendali. Misalnya. pemeriksaan akuisisi. atau operasional . Model diklasifikasikan sebagai strategis. Gambar 4 Struktur Data Manajemen Subsistem 3. taktis . misalnya. Model strategis mendukung perencanaan manajemen puncak strategis.6 Model Manajemen subsistem Gambar 5 Struktur Model Manajemen Subsistem 1. diversifikasi. membuat-atau.

yang mengandung data yang relevan untuk berbagai situasi dan diatur oleh software yang disebut Database Management Systems (DBMS). MBMS meliputi statistik. yaitu : a. 2. 3. Bandingkan fitur dan struktur MBMS kepada mereka dari DBMS . Sejalan dengan itu. Komponen pengetahuan membantu dalam pemilihan model Sebuah komponen pengetahuan dapat membantu dalam pemilihan model dengan menangkap pengetahuan para ahli manusia untuk penerapan model yang berbeda dalam situasi yang berbeda . untuk daftar . 19 . daerah mereka penerapan dan kekuatan dan kelemahan mereka . Termasuk database. menilai dampak kemungkinan jadwal alternatif pekerjaan harian dan mingguan . Pelaksanaannya Model . 3. Ini sejajar dengan sistem manajemen database dalam fungsi dengan menyediakan kemampuan sebanding dengan model manajemen . integrasi. Lihat kemas Teks : Wawasan Teknologi 3. Model Operasional mendukung manajer menengah dan supervisor dalam sangat keputusan jangka pendek.7 . Informasi ini diambil dari sumber data internal maupun eksternal. didukung oleh permintaan dan pelaporan fasilitas. Beberapa fungsi utama dari MBMS. Pemilihan model untuk DSS sulit Pemilihan model sulit karena membutuhkan keahlian untuk memahami model yang tersedia. dan fasilitas pengolahan perintah sesuai dengan permintaan dan pelaporan fasilitas DBMS dalam yang memungkinkan pengguna untuk mengakses model apa pun kebutuhan mereka meminta.6 di Bagian 3. misalnya. ilmu manajemen . membuatnya tersedia untuk orang-orang yang memiliki keahlian lebih di daerah ini . 5. dan model manajemen untuk mengkoordinasikan penggunaannya . atau model kuantitatif lainnya yang memberikan kemampuan analitis sistem. Ini berisi model direktori yang sejajar dengan direktori data dari DBMS .7 User Interface (Dialog) Subsystem Komponen Decision Support System (DSS) terdiri atas beberapa hal. 4. DBMS mencakup database yang berisi data yang relevan dan dikelola oleh perangkat lunak manajemen database melalui kamus data . Data Management.

Melibatkan model finansial. statistikal. UIMS memproses perintah pengguna. dan manajemen software yang diperlukan. Pada bagian ini dijelaskan bahwa sebuah antarmuka pengguna mencakup semua aspek komunikasi antara user dan Decision Support System (DSS) atau Management Support System (MSS). Selebihnya. Ini berarti menyediakan antarmuka. bahasa action didasarkan pada Web atau sistem operasi konsep GUI. atau berbagai model kuantitatif lainnya. Knowledge Management. dan mengirimkannya ke data dan subsistem model manajemen. d. menyajikan informasi dari subsistem kepada pengguna. management science. Subsistem optional ini dapat mendukung subsistem lain atau bertindak sebagai komponen yang berdiri sendiri. sehingga dapat memberikan ke sistem suatu kemampuan analitis. Tujuan mendasarnya adalah untuk mempermudah pengguna dalam mendapatkan bantuan keputusan dari DSS. c. mengeluarkannya dalam bahasa action apapun yang dibutuhkan. Hal ini ditangani oleh User Interface Management System (UIMS). Model Management. Proses antarmuka pengguna mengacu pada aliran informasi (a) dari pengguna ke sistem dan (b) dari sistem ke pengguna. Communication (dialog subsystem). 20 . Hal ini juga dapat menggabungkan kemampuan pengolahan bahasa alami. User dapat berkomunikasi dan memberikan perintah pada DSS melalui subsistem ini. Di arah sebaliknya. b.

21 . platform-independen di tingkat laptop/komputer (Windows. jaringan sensor). mesin pencari yang lebih baik sebagai salah satu wujud dari peningkatan AI. tersedia untuk berbagai perangkat mulai dari ukuran komputer sampai ke ponsel. input otomatis (misalnya. interpretasi gerakan. Perangkat ini memungkinkan pengguna untuk mengakses baik internal (intranet) dan situs eksternal (Internet. dan virtual reality. Linux) dan juga didukung oleh berbagai macam alat pemecahan masalah lainnya. Gambar 6 Skema Sistem Antarmuka Pengguna Perangkat dalam web biasanya digunakan didalam antarmuka pengguna karena perangkat tersebut telah menjadi sarana standar bagi para pengguna untuk terhubung ke berbagai jenis perangkat lunak. extranet). Dijelaskan pula bahwa empat perkembangan baru dalam DSS. chip RFID. pemrosesan paralel untuk meningkatkan skalabilitas. selain perkembangan pada user interface adalah memperbaharui alat atau perangkat Web. Mac OS. peningkatan integrasi dengan komponen yang beragam seperti GIS. output suara. solusi DSS siap pakai untuk segmen pasar tertentu. Beberapa perkembangan baru dalam antarmuka pengguna adalah pengenalan suara.

jaringan saraf dan agen cerdas adalah perangkat lunak. Mereka biasanya melakukan tugas-tugas seorang manajer.3. Sebagai contoh dalam buku tersebut manfaat pertama komponen berbasis pengetahuan adalah. dapat dianggap konsep yang berguna.8 Knowledge-Based Management Subsystem. logika fuzzy. 3. Komponen berbasis pengetahuan dapat menyediakan keahlian yang dibutuhkan untuk memecahkan beberapa aspek dari masalah keputusan atau memberikan pengetahuan untuk meningkatkan operasi komponen DSS lainnya. 22 . dan spesialis staf. berlatar belakang pendidikan administrasi bisnis formal (tidak dalam ilmu komputer). • Pengguna alat ahli terampil dalam penerapan satu atau lebih jenis alat pemecahan masalah khusus. Sistem pakar. • Fasilitator (dalam GSS) mengendalikan dan mengkoordinasikan penggunaan perangkat lunak untuk mendukung pekerjaan orang yang bekerja dalam kelompok. sistem pakar bisa mengetahui urutan terbaik untuk mengolah akses basis data dari query yang kompleks. dan keterampilan yang cukup dalam menggunakan DSS dan alat konstruksi. menghilangkan kebutuhan untuk penerbangan yang tidak produktif. dan penalaran berbasis kasus. yang membantu mereka menggunakan aspek DSS yang berada di luar kemampuan teknis mereka atau yang membutuhkan waktu mereka lebih banyak. sistem pakar dapat memasukkan aturan untuk membantu memilih jalur terbaik untuk pesawat sehingga tiba di sebuah pangkalan perawatan sebelum layanan 400 jam nya habis. Sedangkan logika fuzzy dan penalaran berbasis kasus. Empat jenis perantara didalam DSS diantaranya adalah: • Asisten Staf yang memiliki pengetahuan khusus tentang masalah manajemen dan beberapa pengalaman dengan teknologi pendukung keputusan. Sebagai contoh manfaat kedua. agen cerdas. Neural networks. Berbagai alat berbasis pengetahuan yang didalamnya memiliki sistem manajemen berbasis pengetahuan ini dapat mencakup sistem pakar. sebaliknya. • Analis bisnis yang memiliki pengetahuan umum didalam aplikasi.9 Pengguna DSS Dua kelas umum dari pengguna DSS diantaranya adalah Manajer yang dibebankan oleh organisasi dengan bantuan DSS dirancang untuk membantu memecahkan masalah. Seorang pengguna alat ahli melakukan tugas-tugas yang pemecah masalah tidak memiliki keterampilan atau pelatihan untuk melakukannya. yang dapat dimasukkan ke dalam alat dari jenis apa pun. Fasilitator juga bertanggung jawab untuk pelaksanaan sesi workgroup.

Planers Lab memiliki beberapa keunggulan dibandingkan dengan software yang lain diantaranya adalah (1) mudah dalam membangun model berorientasi aljabar. seperti penyimpanan untuk gudang data atau paket perangkat lunak peramalan.Sebagian besar pengguna biasanya sangat mahir dalam pola penggunaan DSS mereka hal ini dikarenakan sebagian besar nilai dari suatu DSS adalah pada kemampuannya untuk mencoba berbagai kombinasi parameter dan membuat penyelidikan secara rinci. termasuk DSS.10 Perangkat keras DSS Hardware yang digunakan didalam DSS biasanya adalah setiap personal computer (PC). Mac OS atau Linux. Hal ini secara inheren menunjukan proses interaktif yang bekerja lebih baik di bawah kontrol langsung dari pengguna. Lebih dari 1500 perusahaan sawasta dan pemerintahan serta 250 universitas di Amerika menggunakan IFPS. Selain itu perangkat mobile termasuk laptop yang menggunakan OS apapun seperti pada PC. apakah itu menjalankan Windows. yang sebagian besar PC tidak memilikinya. yang mendukung web browser dapat terhubung ke DSS berbasis Web. 3. Planners Lab adalah salah satu perangkat lunak yang digunakan untuk membuat dan membangun DSS. DSS itu sendiri dapat berjalan pada sistem klien. Untuk mengembangkan bahasa pemrograman tersebut contohnya adalah Java membutuhkan programmer yang handal. Akuisisi baru terbatas pada hardware DSS spesifik dan perangkat lunak. dan (2) sangat mudah memvisualisasikan keluaran model. Pada masa awal DSS. PDA (biasanya menjalankan Windows CE atau Palm OS saat ini) dan ponsel. pada server (general purpose atau server aplikasi khusus) atau mainframe.11 DSS Modeling Language: Planners Lab DSS dapat dikembangkan dengan bahasa pemrograman tradisional atau spreadsheet. biasanya menggunakan hardware standar. satu produk perangkat lunak yang sangat sukses adalah Sistem Perencanaan Keuangan Interaktif (IFPS) dari Execucom Sistem Corporation di Austin. 23 . Hardware DSS dan pilihan perangkat lunak sering didasarkan pada sistem dari perusahaan yang sudah ada hal ini terjadi karena sebagian MSS. Mereka biasanya tidak membenarkan akuisisi sistem baru dioptimalkan untuk kebutuhan mereka. IFPS merupakan software yang handal untuk perencanaan keuangan. Model yang kompleks biasanya berjalan di hardware yang cepat. 3. Texas.

Perbandingan Spreadsheet dengan Planners Lab 3. Links. 24 . grafik garis dikembangkan untuk mendukung interaksi animasi. Goal Seek dan What if analysis dapat Memiliki fitur yang mudah untuk dilakukan mensimulasikan dan memvisualisasikan menggunakan berbagai jenis grafik seperti What If. grafik batang dll Pengguna tidak dapat melihat fungsi Antarmuka visualisasi intuitif yang dilakukan dalam spreadsheet memungkinkan pengguna akhir untuk menguji dan memahami asumsi.Perbandingan spreadsheet dengan Planners Lab disajikan dalam tabel berikut: Spreadsheet Planners Lab Mendukung Visualisasi menggunakan Memiliki antarmuka yang grafik seperti bar.14. Resources. Goal Seek. Tabel 1. and the Teradata University Network Connection Dalam sub-chapter ini memberikan informasi tentang keberadaan Teradata Iniversity Network Connection yang meberikan banyak informasi dan kasus yang meggunakan atau memanfaatkan DSS.

Mengidentifikasi perubahan yang terjadi dalam bentuk dan penggunaan pendukung keputusan dalam bisnis. virtual reality. Menjelaskan bagaimana sistem informasi berikut dapat mendukung kebutuhan informasi eksekutif. Sistem manajemen pengetahuan 6. Informasi perusahaan portal c. 7. PENDUKUNG KEPUTUSAN DALAM BISNIS Agar sukses dalam bisnis saat ini. Menjelaskan bagaimana pengolahan analisis online dapat memenuhi kebutuhan informasi kunci dari manajer. Internet. dan Manajemen Jenis informasi yang dibutuhkan oleh pengambil keputusan di dalam suatu perusahaan berhubungan langsung dengan tingkat pengambilan keputusan manajemen dan jumlah struktur dalam situasi keputusan yang mereka hadapi. 3. 2. genetik algoritma. manajer. REVIEW MANAGEMENT INFORMATION SYSTEM 10 Edition By James A. intranet dan teknoilogi informasi lainnya yang berbasis Web dalam mendukung aktivitas pengambilan keputusan dari setiap manajer dan pekerja yang berpengetahuan dalam bisnis. Kerangka kerja Piramidal Manajerial klasik masih dapat diterapkan saat ini padaorganisasi yang dirampingkan dan didatarkan atau struktur organisasi nonhierarkis. tingkat pengambilan keputusan manajemen yang harus didukung oleh teknologi infomasi dalam organisasi yang sukses adalah: 25 . dan agen cerdas dapat digunakan dalam bisnis. perusahaan membutuhkan sistem informasi yang dapat mendukung kebutuhan pengambilan keputusan dan berbagai informasi dari manajer dan praktisi bisnis. Jadi. dan profesional bisnis: a. 5. A. logika fuzzy. 4. dan pesertanya terus berubah seiring dengan evolusi struktur organisasi saat ini. bentuk. Berikan contoh dari beberapa sistem pakar cara dapatdigunakan dalam situasi pengambilan keputusan bisnis. Keputusan. George M. Menjelaskan dukungan konsep sistem pengambilan keputusan dan bagaimana hal itu berbeda dari manajemen tradisional infor-sistem informasi. Marakas BAB 10 SUPPORTING DECISION MAKING Tujuan Pembelajaran 1. namun ukuran. Mengidentifikasi peran dan pelaporan alternatif sistem informasi manajemen. Identifikasi bagaimana saraf jaringan. Tingkat pengambilan keputusan manajemen masih ada. Sistem informasi eksekutif b. O’Brien. Infromasi.

Mereka juga mengalokasikan sumber daya dan mengawasi kinerja sub unit organisasi mereka. divisi. dan kelompok kerja lainnya. dan tujuan bisnis untuk subunit mereka di perusahaan. ekonomi. strategi. Semakin banyak praktisi bisnis dalam tim mandiri serta manajer unit bisnis yang mengembangkan rencana jangka pendek dan jangka menengah. b) Manajemen Taktis.Gambar 1 Diagram Kebutuhan informasi para pengambil keputusan a) Manajemen Strategis. tim proses. tim proyek. dan tujuan sebagai bagian dari proses perencanaan strategis. Anggota tim mandiri atau manajer operasional mengembangkan rencana jangka pendek seperti jadwal produksi mingguan. c) Manajemen Operasional. prosedur. dewan direksi dan komite eksekutif yang terdiri dari CEO dan eksekutif atas mengembangkan tujuan umum organisasi. 26 . dan anggaran serta menentukan kebijakan. Mereka juga mengawasi kinerja strategis organisasi dan arah keseluruhannya dalam lingkungan politik. Mereka mengarahkan penggunaan sumebr daya dan kinerja tugas berdasarkan prosedur dan sesuai dengan anggaran dan jadwal yang mereka tetapkan untuk tim tersebut dan kelompok kerja di organisasi. dan bisnis yang kompetitif. termasuk departemen. jadwal. kebijakan. Umumnya.

isi.2 Struktur Keputusan Keputusan yang dibuat pada tingkat manajemen operasional cenderung lebih terstruktur. atau sulit dipahami tidak akan sangat berarti. dapat disebutkan lebih awal.1 Kualitas Informasi Apa karateristik yang akan membuat produk informasi bernilai dan bermanfaat bagi Anda? Salah satu cara untuk menjawab pertanyaan penting ini adalah dengan menguji karateristik atau atribut Kualitas Informasi. berguna atau bernilai bagi Anda dan praktisi bisnis lainnya. 27 . tidak akurat. Informasi yang kuno. Informasi perlu dipandang memiliki tiga dimensi: waktu. dan bentuk. Keputusan yang terstruktur melibatkan situsi di mana prosedur yang diikuti ketika keputusan diperlukan. yaitu produk informasi yang memiliki karateristik. Gambar 2 Atribut yang harus ada dalam informasi produk berkualitas tinggi 10. sedangkan keputusan pada tingkat taktis lebih semiterstruktur. atribut. Kita memerlukan informasi berkualitas tinggi.10. Keputusan tak terstruktur melibatkan situasi keputusan di mana tidak mungkin menentukan lebih awal mengenai prosedur keputusan yang harus diikuti. dan keputusan pada tingkat strategis lebih tak terstruktur. kebanyakan keputusan bersifat semiterstruktur. Contoh struktur keputusan dan tingkat manajemen. Akan tetapi. atau kualitas yang membuat informasi lebih bernilai. Gambar dibawah ini meringkas atribut yang penting dari kualitas informasi dan mengelompokkannya ke dalam tiga dimensi tersebut.

keputusan mengenai peluncuran layanan e-commerce yang baru atau membuat perubahan besar mengnai tunjangan karyawan akan berada pada jangkuan tak terstruktur hinggan semiterstruktur. peramalan. Gambar berikut menyediakan berbagai contoh keputusan bisnis menurut jenis terstruktur keputusan dan tingkat manajemen. dan lebih ringkas. sistem informasi harus dirancang untuk menghasilkan berbagai produk informasi untuk memenuhi kebutuhan pengambil keputusan yang berubah-ubah di dalam organisasi. Dengan demikian. dan kecerdasan eksternal untuk mendukung perencanaan mereka yang lebih tak terstruktur dan tanggung jawab pembuatan kebijakan. pengambil keputusan pada tingkat manajemen strategis dapat menggunakan sistem keputusan (detection support system-DSS) untuk mendapatkan laporan yang tak terjadwal. Di sisi lain. pengambil keputusan pada tingkat manajemen operasional dapat bergantung pada sistem informasi manajemen untuk menyediakan 28 . Maksudnya. adalah hoc. beberapa prosedur keputusan dapat ditentukan. namun tidak cukup untuk mengarah ke suatu keputusan yang direkomendasikan. Misalnya. Misalnya. Perbedaan utama dalam keputusan kemampuan dukungan informasi manajemen sistem dan keputusan mendukung sistem.

serta Internet.laporan internal yang telah ditentukan sebelumnya dengan penekan pada perbandingan data yang lama dan yang sekarang guna mendukung tanggung jawab mereka yang lebih terstruktur untuk operasional sehari-hari. Akan tetapi. dan berbasis Web untuk menyediakan infomasi bisnis utama dan alat analisis untuk manajer. dan aplikasi e-business lainnya. 10. telah mempercepat pengembangan dan penggunaan pengiriman informasi “kelas eksekutif” dan alat software pendukung keputusan oleh manajemen dari tingkat yang lebih rendah dan oleh individu dan tim praktisi bisnis. dan paket software DSS/EIS membuat pendukung keputusan tersedia bagi manajemen tingkat bawah. pribadi. selama tahun 1990- an. Jadi. serta bagi individu nonmanajerial dan tim mandiri dari praktisi bisnis.3 Tren Pendukung Keputusan Penggunaan sistem informasi untuk mendukung pengambilan keputusan bisnis telah menjadi salah satu tujuan utama dari penggunan teknologi. 29 . pemasok. ekspansi yang dramatis ini telah membuka pintu ke penggunaan alat seperti kecerdasan bisnis (business intellegence-BI) oleh pemasok. sistem pendukung keputusan (1970-an). Inisiatif e-business dan ecommerce yang sedang diimplementasikan oleh banyak perusahaan juga memperluas ekspektasi serta penggunaan informasi dan pendukung keputusan dari karyawan. dan pemilik kepentingan bisnis. dan mitra bisnis lainnya. Kecepatan perkembangan teknologi informasi seperti hardware komputer. sistem informasi eksekutif (1980) terus meluas. Beberapa teknologi informasi utama yang dibuat secara khusus. pelanggan. Selain itu. Semua pemilik kepentingan dalam bisnis mengharapkan akses yang mudah dan instan ke informasi dan analisis data mandiri berbasis Web yang proaktif dan pribadi untuk mendukung persyaratan pengambilan keputusan dari semua konstituen mereka. pertumbuhan ekstranet dan intrnet korporat. baik peneliti akademik maupun praktisi bisnis melaporkan bahwa fokus manajerial tradisional yang berasal dari sistem informasi manajemen yang klasik (1960-an). pelanggan. Tren ini telah mengalami percepatan seiring dengan pertumbuhan yang sangat cepat dari Internet serta intranet dan ekstranet dari perusahaan yang menggunakan Internet dan pemilikkepentingannya. manajer. praktisi bisnis. manajemen rantai pasokan. dan pemilik kepentingan bisnis lainnya dari suatu perusahaan untuk manajemen hubungan pelanggan.

laporan dibuat secara periodik namun hanya berisi informasi mengenai kondisi pengecualian tersebut. dan software manajemen database menyediakan akses ke informasi di intranet dan database operasional lainnya di dalam organisasi. Dalam beberapa kasus. Bentuk tradisional penyediaan informasi bagi manajer dengan menggunakan format yang telah ditentukan dan menyediakan informasi secara rutin kepada manajer.4 Sistem Informasi Manajemen Sistem Informasi Manajemen adalah jenis awal dari sistem informasi yang dikembangkan untuk mendukung pengambilan keputusan manajerial . Manajer dan pengambilan keputusan bisnis lainnya menggunakan SIM untuk memeproleh informasi mengenai tempat kerja mereka yang berjaringan yang mendukung aktivitas pengambilan keputusan mereka. Browser Web. Dalam kasus lainnya. laporan dibuat hanya jika terjadi kondisi pengecualian. Ada empat alternatif pelaporan utama yang disediakan oleh sistem ini yaitu: a) Laporan Terjadwal secara Periodik (Periodic Scheduled Reports). SIM mengahsilkan prosuk informasi yang mendukung banyak kebutuhan pengambilan keputusan harian dari para manajer dan praktisi bisnis. Contoh laporan terjadwal secara periodik adalah laporan analisis penjualan harian dan mingguan dan laporan keuangan bulanan. Alternatif Pelaporan Manajemen SIM menyediakan berbagai produk informasi bagi para manajer. Pelaporan pengecualian mengurangi 30 . Data mengenai lingkungan bisnis diperoleh dari Intranet atau database ekstranet jika diperlukan. dan permintaan. manajer kredit dapat diberi laporan yang hanya berisi informasi mengenai pelanggan yang melewati batas kreditnya. Gambar 3 Bisnis intelejen aplikasi didasarkan pada personalisasi dan Web informasi 10. pengecualian. b) Laporan Pengecualian (Exeption Reports). Informasi ini dapat berbentuk laporan periodik. Database operasional dipertahankan oleh sistem pemrosesan informasi. program aplikasi. Misalnya.

banyak perusahaan sedang menggunakan software penyiaran Web (webcasting) untuk menyiarkan laporan secara selektif dan informasi lainnya ke komputer berjaringan milik para manajer atau pakar melalui intranet perusahaan 10. Informasi tersedia kapanpun manajer menginginkannya. OLAP dapat bergerak ke arah kebalikan dan secara otomatis menampilkan rincian data yang telah dikonsolidasikan. termasuk konsolidasi. dan wilayah ke regional. sehingga tidak perlu memberikan seluruh laporan aktivitas bisnis secara rinci bagi pengambil keputusan. dan database Multidimensi lainnya untuk menemukan pola. drill down (penggalian). Irisan yang lain dapat menunjukkan semua penjualan menurut saluran penjualan dari setiap produk. Jadi. d) Pelaporan Dorong (Push Reporting). tren. Misalnya. Misalnya. manajer tidak harus menunggu laporan periodik untuk tiba sesuai yang dijadwalkan. kelebihan informasi. gudang data. Pengirisan dan 31 . penjualan menurut prduk individual atau staf penjualan yang menghasilkan total penjualan regional dapat dengan mudah diakses. b) Penggalian. slicing and dicing (pengirisan dan pemotongan) a) Konsolidasi. Pengirisan dan pemotongan merujuk pada kemampuan untuk melihat database dari penjualan dapat menunjukkan semua penjualan dari satu jenis prosuk secara regional. Jadi. sehingga proses analisis atau pengambilan keputusan tidak terganggu. Pemrosesan analitis online melibatkan beberapa operasional analitis dasar. Sesi OLAP dilakukan secara online dan langsung. Konsolidasi melibatkan pengumpulan data. dengan respons yang cepat ke permintaan manajer dan analis. browser Web dan bahasa permintaan DBMS serta penghasil laporan (reports generator) memungkinkan manajer di tempat kerja komputer untuk memperoleh tanggapan langsung atau menemukan dan mendapatkan laporan tertentu sebagai hasil dari permintaan informasi yang mereka butuhkan. Ini disebut penggalian. c) Pengirisan dan Pemotongan. OLAP mencakup analisis hubungan yang rumit antara ribuan atau bahkan jutaan data yang disimpan dalam data mart. dan kondisi pengecualian. Misalnya data kantor penjualan dapat dikumpulkan ke wilayah. Hal ini dapat melibatkan pengumpulan sederhana atau pengelompokan yang rumit dengan melibatkan data yang saling berhubungan. c) Laporan Permintaan dan Tanggapan (Demand reports and Renponses).5 Pemrosesan Analisis Online Pemrosesan Analisis Online atau Online Analytical Processing-OLAP memungkinkan manajer dan analis secara interakfit menguji dan memanipulasi sejumlah besar data yang rinci danterkonsolidasi dari banyak perspektif. Informasi didorong ke manajer di tempat kerja berjaringan.

dan praktisi bisnis secara individual. 10. Gambar 4 Pengolahan analisis online mungkin membutuhkan penggunaan server khusus dan database multidimensi. Model analitis 2. Sistem DSS didesain sebagai sistem respons cepat dan ad hoc yang diawali dan dikendalikan oleh pengambil keputusan bisnis.6 Sistem Pendukung Keputusan Sistem Pendukung Keputusan (Decision Support System-DSS) adalah sistem informasi berbasis komputer yang menyediakan dukungan informasi yang inetraktif bagi manajer dan praktisi bisnis selama proses pengambilan keputusan. Sistem pendukung keputusan menggunakan: 1. Database khusus 3. 32 . pemotongan sering dilakukan sejalan dengan sumbu waktu untuk menganalisis tren dan menemukan pola berbasis waktu pada data. Proses pemodelan berbasis komputer yang interaktif untuk mendukung pembuatan keputusan bisnis yang semiterstruktur dan tak terstruktur. Penilaian dan pandangan pembuat keputusan 4. Sistem pendukung keputusan dapat secara langsung mendukung jenis keputusan khusus dan gaya pengambilan keputusan pribadi serta kebutuhan eksekutif. manajer.

Banyak paket DSS yang saat ini tersedia dalam mikrokomputer dan versi berbasis Web. DSS dapat mencakup model pemrograman linear. Tentu saja. 33 . Paket software DSS dapat mengombinasikan komponen model untuk membuat model terpadu yang mendukung jenis keputusan tertentu. model peramalan regresi ganda.10.7 Komponen DSS Berbeda dengan SIM. Gambar 5 Komponen DSS yang dapat di implementasikan di marketing berbasis web. Sistem Pendukung Keputusan bergantung pada Model Bases (basis model) dan database sebagai sumber daya sistem yang vital. atau program statistik dan matematis serta modul program. Software DSS biasanya terdiri atas rutinitas pemodelan analitis yang telah dibangun dan juga memungkinkan Anda untuk membangun odel Anda. Basis model dss adalah komponen software yang trdiri dari model-odel yang digunakan dalam rutinitas komputasional dan analitis yang secara matematis menyatakan hubungan antarvariabel. paket Spreasheet elektronik juga menyediakan beberapa bangunan model spreasheet dan pemodelan analitis yang ditawarkan oleh software DSS yang berdaya lebih tinggi. Modelmodel seperti ini dapat disimpan dalam bentuk Template atau model Spreadsheet. dan model nilai sekarang penganggaran modal.

mengoptimakan rute disribusi. Analisis optimisasi 10. jika Anda menggunakan spreasheet. Itu adalah inti dari konsep sistem pendukung keputusan. mereka tidak perlu menentukan kebutuhan informasi mereka di depan. seorang pemakai akhir membuat perubahan etrhadap variabel. penggunaan paket software DSS untuk pendukung keputusan dapat menghasilkan berbagai tampilan sebagai respons terhadap alternatif perubahan jika-maka yang dimasukkan oleh manajer. dan mengamati perubahan yang dihasilkan dalam nilai variabel lainnya. karena pengambil keputusan tidak meminta infomasi yang telah ditentukan sebelumnya. Melainkan. mereka mengeksplorasi alternatif yang memungkinkan. Banyak perusahaan yang menggunakan teknlogi GIS bersama dengan Global Positioning System-GPS (sistem penempatan global) untuk membantu mereka memilih lokasi toko ritel yang baru.9 Penggunaan Sistem Pendukung Keputusan Penggunaan Decision Support System-DSS (sistem pendukung keputusan) melibatkan proses Analytical Modelling (pemodelan analitis) yang interaktif. Analisis pencarian sasaran 4.8 Sistem Visualisasi dan Informasi Geografis Geographic Information System-GIS (sistem informasi geografis) dan Data Visualization System-DVS (sistem visalisasi data) adalah kategori khusus dari DSS yang memadukan grafis komputer dengan fitur DSS lainnya. Aplikasi bisnis seperti penambangan data biasanya menggunakan grafik inetraktif yang memungkinkan pemakai menggali data secara langsng dan memanipulasi data model bisnis untuk membantu menjelaskan maknanya untuk pengambilan keputusan bisnis. Misalnya.10 Analisis Jika-Maka Analisis What-if (jika-maka). Analisis sensitivitas 3. Misalnya. Kemudian anda dapat meminta program 34 . atau hubungan antarvariabel.10. Penggunaan sistem pendukung keputusan melibatkan empat jenis dasar aktivitas pemodelan analitis: 1. mereka menggunakan DSS untuk menemukan informasi yang mereka butuhkan untuk membantu mereka membuat keputusan. Analisi jika-maka 2. anda mungkin mengubah jumlah pendapatan (variabel) atau rumus tarif pajak (hubungan antravariabel) dalam model spreasheet keuangan sederhana. Jadi. Hal ini berbeda dari respons permintaan dari sistem informasi manajemen. atau menganalisis demografi pasar sasaran mereka. Sistem informasi geografis adalah DSS yang menggunakan database geografis untuk membuat dan menampilkan peta dan tampilan grafis lainnya yang mendukung keputusan mengenai distribusi geografis orang- orang an sumber daya lainnya. Sebaliknya. 10.

Analisis seperti ini akan diulangi hingga manajer pusat dengan apa yang ditunjukkan oleh hasilnya mengenai pengaruh berbagai keputusan yang mungkin dilakukan. Analisis pencarian sasaran yang juga disebut How Can (bagaimana bisa) menetapkan nilai sasaran (tujuan umum) untuk satu variabel dan kemudian secara berulang-ulang mengubah variabel lainnya hingga nilai sasarn tercapai. bukan pertanyaan. Analisis ini tidak mengamati bagaimana perubahan satu variabel mempengaruhi variabel lainnya. Dengan demikian. khususnya variabel seperti laba bersih. analisis sensitivitas sebenarnya adalah kasus analisis jika-maka yang melibatkan perubahan yang berulang-ulang terhadap satu variabel.spreasheet untuk secara instan menghitung ulang semua variable yang terpengaruh di dalam spreasheet. Anda akan menemukan berapa jumalh pendapaatan atau tingkat pengeluaran yang perlu dicapai oleh suatu bisnis untuk mencapai sasaran laba bersih $2 juta. “Bagaimana kita bisa mencapai laba bersih $2 juta?”. dan pengaruhnya terhadap variabel spreasheet lainnya diamati dan dievaluasi. laba bersih adalah contoh bottom-line (garis dasar). Dalam contoh spreasheet. yaitu faktor kunci dalam membuat keputusan apapun. nilai dari satu variabel diubah berulang-ulang dan hasil perubahan pada variabel lainnya diamati. Mislanya.12 Analisis Pencarian Sasaran Goal Seeing (analisis pencarian sasaran) membalikkan arah analisis yang dilakukan dalam jika-maka dan sensivitas. Bagi banyak manajer. nilai pendapatan dapat diubah secara berulang-ulang dengan peningkatan kecil. analisis pencarian sasaran adalah salah satu metode penting dari pendukung keputusan. Kemudian Anda dapat secara berulang-ulang mengubah nilai pendapatan dan pengeluaran dalam model spreasheet hingga hasil $2 juta tercapai. anda dapat menentukan nilai sasaran $2 juta untuk laba bersih bagi suatu bisnis. analisis sensitivitas digunaka ketika pengambil keputusan tidak yakin dengan asumsi yang dibuat dalam memperkirakan nilai beberapa variabel utama. 10. Jadi. Umumnya. Jadi. Umumnya. 10.11 Analisis Sensitivitas Analisis Sensitivitas adalah kasus khusus dari analisis jika-maka. Pemakai manajerial akan sangat tertarik dalam mengamati dan mengevaluasi perubahan yang terjadi terhadap nilai di spreasheet. bentuk pemodelan analisis ini akan membantu menjawab pertanyaan. 35 . “Apa yang terjadi jika kita mengubah pendapatan dan pengeluaran?” Jadi. Hal ini akan membantu manajer memahami dampak berbagai tingkat pendapatan etrhadap faktor-faktor lain yang terlibat dalam keputusan yang dipertimbangkan. Beberapa pkaet DSS secara otomatis membuat perubahan kecil ke satu variabel ketika diminta melakukan analisis sensitivitas.

database hipermedia di situs Web intranet korporat telah menjadi basis pengetahuan untuk penyimpanan dan penyebaran pengetahuan bisnis. yaitu faktor. tim. Kecerdasan Buatan /AI sendir merupakan ranah teknologi dan sains yang berasal dari ilmu komputer. unit bisnis. matematika dan ke-teknikan 36 . fokusnya adalah untuk memenuhi kebutuhan informasi strategis manajemen tingkat atas. Jadi.14 Sistem Informasi Eksekutif Executive Information Systems-EIS adalah sistem informasi yang menggabungkan berbagai fitur sistem informasi manajemen dan sistem pendukung keputusan.13 Analisis Optimisasi Analisis optimisasi adalah perluasan yang lebih rumit dari analisis pencarian sasaran. biologu. anda dapat mencoba menentukan tingkat laba tertinggi yang dapat dicapai dengan mengubah nilai sumber pendapatan tertentu dan kategori pengeluaran. 10. Optimisasi umumnya dicapai dengan menggunakan software seperti Solver dalam Microsoft Excel dan paket software lainnya untuk teknik optimisasi seperti pemrograman linear.faktor utama yang penting untuk mencapai tujuan strategis organisasi. mengatur. dan solusi bisnis di tingkat proyek. dan tingkat perusahaan.10. dan saling berbagi pengetahuan bisnis di dalam organisasi. para eksekutif di jaringan toko ritel akan memepertimbangkan faktor- faktor seperti hasil penjualan ecommerce dan tradisional. Ketika pertama kali dikembangkan. tujuan pertama dari sistem informasi eksekutif adalah untuk menyediakan akses informasi yang mudah dan cepat kepada eksekutif tingkat atas mengenai Critical Success Factors-CSF (faktorfaktor penentu keberhasilan) perusahaan. berdasarkan batasan tertentu. atau bauran lini produksinya sebagi faktor penentu untuk tetap bertahan dan sukses. Misalnya. Di banyak organisasi. Pengetahuan ini sering berbentuk best practise. KECERDASAN BUATAN DAN TEKNOLOGI DALAM BISNIS Kecerdasan buatan (Artificial Inteligence/AI) dipraktekkan dalam bisnis dengan berbagai cara. Perubahan pada variabel tersebut dapat terikat pada batasan seperti kapasitas proses produksi atau batasan pembiayaan yang tersedia.15 Sistem Manajemen Pengetahuan Knowledge Management Systems-KMS (sistem manajemen pengetahuan) sebagai penggunaan teknologi informasi untuk membantu mengumpulkan. kebijakan. ilmu bahasa. psikologi. Misalnya. 10. B. hingga nilai terbaik untuk variable sasaran ditemukan. Sasarannya bukan nilai sasaran etrtentu untuk suatu variabel. melainkan untuk mencari nilai optimium untuksatu atau beberapa variabel diubah secara berulang-ulang.

walaupun dimungkinkan adanya aspek lain dan adanya tumpang tindih antar aspek. robotik dan natural interface. Praktek semacam ini banyak diimplementasikan pada transaksi melalui Web. Salah satu metode turunan dari Turin adalah CAPTCHA (Completely Automated Public Turing test to tell Computer and Human Apart). 37 . Beberapa atribut perilaku cerdas. sehingga bisa dipastikan bahwa yang bisa melalui ter tersebut adalah manusia.Dengan kehadiran kecerdasan buatan tersebut komputer diharapkan memiliki kemampuan untuk berfikir sebaik mungkin seperti halnya manusia. Test CAPTCHA tersebut pada mulanya berupa serangkaian proses yang diciptakan oleh manusia untuk mengetes komputer. hal tersebut belum dapat meredam berbagai kritik dan keraguan atas teknologi kecerdasan buatan.(enginering). namun saat ini digunakan sebaliknya yaitu diciptakan (create) oleh komputer untuk mengetes manusia. Alan Turing.16 Ruang Lingkup Kecerdasan Buatan Ruang lingkup utama dari kecerdasan buatan yang terdiri dari tiga aspek utama yaitu kognitif. 10. Walaupun penelitian serupa terus dikembangkan. Komputer juga didorong mampu berfungsi layaknya kecerdasan manusia sebagaimana. Karena komputer pada umumnya tidak dapat lolos dari tes CAPTCHA. Banyak pakar dengan berbagai latar belakan mempertanyakan kemampuan dari kecerdasan buatan tersebut. sebagai pelopor kecerdasan buatan kala itu mengajukan metode untuk mengetahui sejauhmana kemampuan komputer dalam berfikir layaknya manusia. AI mencoba untuk menduplikasi kemampuan ini dalam sistem berbasis komputer. Kehadiran teknologi kecerdasan buatan sempat diragukan kemampuannya ketika pertama kali dicetuskan pada tahun 1950an.

menggunakan expert system dan berbagai teknologi dalam kecerdasan buatan untuk menggantikan peran manusia dalam bidang tertentu 38 . ambigu dan permasalahan yang bersifat semi struktural  Jaringan saraf tiruan mampu bekerja dengan mengenali pola dan mencari solusi dengan pola tersebut  Algoritma genetika bekerja layaknya teori Darwin yang dapat mensimulasikan proses evolusi  Inteligence Agent. Penggunaan kecerdasan buatan dalam aspek ilmu kognitif dapat dicontohkan sebagai berikut:  penggunaan expert system dan knowledge based system  sistem logika fuzzy. Untuk itu diperlukan pembahasan terperinci dari tiga aspek tersebut sebagai berikut: 1. Gambar 6 Atribut utama kecerdasan buatan. untuk memproses data yang tidak lengkap. Kognitif. psikologi matematik dan berbagai disiplin lainnya. Aspek ini berfokus pada upaya bagaimana otak manusia bekerja untuk berfikir dan belajar serta berbasis pada penelitian tentang bagaimana manusia memproses informasi. neurologi. Perhatikan bahwa banyak aplikasi AI dapat dikelompokkan menjadi tiga bidang utama yaitu kognitif ilmu pengetahuan. dan interface alami. merupakan area kecerdasan buatan yang bersumber dari ilmu biologi. robotika.

melakukan pencarian terhadap pengetahuan dan metode yang berkaitan dengan pertanyaan kemudian menyusun sejumlah argumen dan saran terhadap suatu subjek permasalahan. Natural Interface. Sedangkan sofware memuat program-program untuk melakukan pendugaan dan media berkomunikasi dengan pengguna. Juga dimungkinkan dalam aktivitas lokomosi dan pergerakan suatu barang dari area satu ke area lain atau menentukan tujuan pergerakan. Sistem pakar memiliki dua komponen yaitu dasar pengetahuan dan software. Sistem pakar mampu melestarikan kepakaran seseorang dan menyimpannya. Pengembangan natural interface dilandasi keinginan penggunaan komputer secara alami. sehingga perusahaan tidak perlu khawatir kehilangan pakarnya dikarenakan pakar tersebut berhenti dari perusahaan. 10. Sistem pakar bertindak layaknya konsultan. dapat menampung informasi dari banyak pakar dengan sekaligus dan bekerja lebih cepat dan konsisten.17 Sistem Pakar (Expert System) Salah satu penggunaan kecerdasan buatan yang paling populer adalah sistem pakar. Penggunaan sistem pakar kini kian meluas ke berbagai bidang profesi seperti mendiagnosa penyakit. Robotik. 2. Sistem pakar memungkinkan mendukung keputusan karena mampu memberikan sejumlah alasan terhadap suatu permasalahan yang membutuhkan pengetahuan tertentu. Sehingga dari sudut pandang bisnis. Sistem pakar mendapatkan pengetahuan dari para ahli. sistem pakar memungkinkan pengetahuan yang dimiliki dan terekam didalamnya untuk dibagi dan digunakan secara bersama. psikologi dan kecerdasan buatan sehingga memungkinkan robot memiliki daya melihat. dan bisa melampaui kinerja seorang pakar. menganalisa kandungan bahan. berdasar pada ilmu keteknikan. sistem pakar dapat dilibatkan dalam proses atau siklus bisnis. meraba dan ketangkasan dalam menangani atau memanipulasi. Menanyakan sejumlah pertanyaan kepada pengguna. Keinginan untuk menjadikan komputer dan robot mampu memahami bahasa manusia menjadikan berbagai riset tentang aspek ini berkembang. dan digunakan secara spesifik dan pada permasalahan yang kompleks guna berperan layakanya konsultan ahli. Terlebih lagi. 3. memberi saran rekomendasi atas perbaikan. menilai sesuatu. Hal tersebut dimungkinkan karena sistem pakar tidak mengenal lelah. 39 . Sistem pakar bermula dari sistem informasi pengetahuan (knowledge based). sebagai contohnya adalah pengenalan bahasa alami dan pengenalan suara. Pengetahuan berisi kejadian atau fakta tentang subjek dan tatacara penilaian terhadap subjek. membimbing konsumen atau melakukan perencanaan keuangan. Kedua hal tersebut menjadi objek pengembangan pada aspek natural interface.

Posisi knowledge engineer mirip dengan analis sistem informasi. Para ahli juga menentukan modul dan metode apa yang digunakan oleh sistem untuk menilai dan menyelesaikan permasalahan berdasarkan kepakaran. Sistem pakar mampu menghasilkan analisisis tajam terhadap objek yang dikuasainya. dari sejumlah data karakteristik nasabah kredit dan data 40 . Metode tersebut meruapakan cara termudah untuk mengembangkan sistem tersebut. Ketika suatu perusahaan memutuskan untuk membuat suatu sistem pakar. namun lemah terhadap penunjangan keputusan yang bersifat subjektif. Semakin banyak data yang bisa dimasukkan. 10. semakin bagus output yang dihasilkan karena komputer akan terus belajar dari data yang baru diinputkan. Sebagai contoh. ESS merupakan paket software berisis sistem pakar tanpa fasilitas pemrograman. maka diperlukan knowledge engineer dan para ahli. perawatan dan pengembangan.18 Pengembangan Sistem Pakar Expert system shell (ESS) digunakan sebagai alat bantu pengembangan sistem pakar. Secara teknis. tidak fokus. Proses pengambilan pengetahuan tersebut memerlukan kepakaran tersendiri. Proses tersebut bisa jadi dilakukan berulang-ulang agar sistem pakar dapat menyamai output yang dihasilkan oleh para ahli. perawatan dan pengemabngan dari sistem pakar membutuhkan biaya yang tidak sedikit. Kemudahan juga diperoleh dari variasi biaya paket software ESS. Juga sistem pakar tidak dapat belajar dari pengetahuan yang dimilikinya secara mandiri melainkan harus diajarkan. ESS kadang dilengkapi dengan fitur tambahan seperti editor dan pengolah antar muka. karena inti dari sistem pakar adalah pengetahuan.19 Jaringan Saraf Tiruan (Neural Network) Neural network merupakan model komputasi yang menyerupai kerja jejaring interkoneksi pada otak manusia yang disebut neuron. Kelemahan dari sistem pakar ada pada ketidakmampuan untuk belajar. yaotu seseorang yang bertugas memasukkan pengetahuan yang didapat dari para pakar kedalam sistem. Sistem pakar hanya dapat menyelesaikan permasalahan yang spesifik karena keterbatasan bahan pengetahuan yang dimiliki dan tidak dapat menyelesaikan masalah yang bersifat subjektif. jejaring sarat tiruan dapat belajar dari data-data yang dimasukkan untuk menghasilkan pola dan hubungan antar data tersebut. oleh karena itu pengetahuan yang telah dimasukkan kedalam sistem oleh engineer harus dites terlebih dahulu. ESS saat ini semakin mudah digunakan. Dalam pengembangan sistem pakar dikenal knowledge engineer. 10. bahkan pengembang yang tidak memiliki latar belakang teknologi informasi dapat mengembangkan sistem pakar. Knowledge engineer membantu para ahli untuk merancang sistem pakar dengan bantuan ESS. Seperti halnya kerja otak manusia.

jejaring saraf tiruan harus terus senantiasa dilatih dengan menginput sejumlah data dengan beragam variasi karakter. karena seringkali manusia berpendapat yang sifatnya subjektif. Metode algoritma genetik mengikuti teori seleksi alam Darwin. Sekalipun metode fuzzy bekerja dengan situasi yang tidak presisi. sedangkan melalui algoritma genetikaproses tersebut dapat berjalan dengan singkat. Bagaimana logika fuzzy dapat menghasilkan output yang sifatnya tidak presisi? Penjelasannya sebagai berikut: Ketika data yang dinput bersifat ambigu dan tidak sempurnya.20 Logika Fuzzy Walaupun sederhana namun logika fuzzy merupakan aplikasi yang sangat serius digunakan sebagai kecerdasan buatan untuk aplikasi bisnis. metode fuzzy mampu menghasilkan kesimpulan dengan cepat namun dapat diterima dari data tersebut. Untuk menghasilkan akurasi yang tinggi. 10. pengacakan dan beberapa fungsi matematis untuk mensimulasikan proses evolusi yanang nantinya dapat berguna bagi keputusan bisnis. Logika fuzzy mampu bekerja dengan data yang sifatnya ambigu.kualitas pinjaman.21 Algoritma Genetika Penggunaan algoritma genetika saat ini sedang berkembang. 10. memungkinkan bagi sistem yang bekerja dengan jejaring saraf tiruan untuk mengenali karakter peminjam seperti apa yang akan berpotensi masalah.22 Realita Virtual Realita virtual merupakan simulasi dunia nyata via komputer. Penggunaan algoritma genetika khususnya berguna bagi perusahaan yang telah memiliki sejumlah solusi yang pernah dipraktekkan namun masih dinilai perlu untuk memilih mana yang terbaik dari sekian banyak solusi tersebut. tidak tegas dan menghasilkan keputusan yang sifatnya perkiraan dan berada diantara dua hal yang diperbandingkan. Proses ini dapat menyingkat waktu mengingat proses evolusi yang terjadi dialam berlangsung ribuan tahun. Realita Virtual mengalami peningkatan pengunaan paling cepat dibanding model kecerdasan buatan lainnya karena 41 . Algoritma genetik menggunakan sejumlah proses matematis untuk memilih secara acak (random) dan menseleksi output mana yang baik dan mana yang lemah sehingga yang tersisa adalah solusi yang paling baik dan optimal. namun logika fuzzy bukanlah suatu yang sifatnya tidak pasti dan tidak presisi. 10. karena logika fuzzy mampu memberi ketepatan yang berguna dalam pengambilan keputusan. begitu pula sebaliknya. Metode fuzzy bekerja layaknya manusia berpendapat.

simulasi penerbangan. Penggunaan teknologi realita virtual sangat luas seperti teknik CAD (Computer Aided Design). Teknologi realita virtual memungkinkan interaksi dan penyajian data dalam kacamata video. dan games. Teknik CAD paling banyak digunakan dalam bisnis. Teknik tersebut memungkinkan desainer atau arsitek melakukan tes terhadap desain yang telah dibuat tanpa harus membuat rancangan fisiknya terlebih dahulu. percobaan ilmiah di bidang fisika dan biologi. Penggunaan multi sensor dalam realita virtual dan memungkinkan bertinteraksi dengan panca indra lainnya menjadikan pengguna realita virtual memberikan pengalaman tersendiri bagi pengguna. Visualisasi yang dihasilkan dapat dimanfaatkan oleh praktisi farmasi untuk mengembangkan bahan pengobatan baru atau menjadi model pengganti tubuh manusia. hiburan. demo produk. Teknologi realita virtual dikatakan telepresence apabila digunakan oleh seorang atau banyak orang di berbagai tempat secara bersamaan. realistik dan melibatkan interaksi antara indra manusia dan antarmuka komputer.lebih natural. diagnosa medis. earphone dan sensor-sensor yang mendeteksi pergerakan sejumlah organ tubuh. 42 . Realita Virtual juga sering dikenal dengan telepresence.