05/11/2016
Materi Kuliah [03] [03] SPK & Business Intelligence
Management Support System Dr. Sri Kusumadewi Magister Teknik Informatika Program Pascasarjana Fakultas Teknologi Industri Universitas Islam Indonesia 2016 1
Kompetensi Dasar • Mahasiswa mampu menjelaskan menjelaskan tahapan‐tahapan dalam pemodelan Management Support System. • Mahasiswa mampu melakukan pemodelan Management Support System.
2
1
05/11/2016
Referensi Utama • Turban,, Efraim;; Aronson,, Jay, y, E.;; Liang, g, Ting-Peng. 2005. Decision Support Systems and Intelligent Systems. International Edition, Edisi 7. New Jersey: Pearson Prentice-Hall Education International.
3
3
Pemodelan • Pemodelan merupakan suatu upaya untuk melakukan analisis l k k li i sistem dengan cara meniru it d i bentuk nyata‐nya daripada melakukannya pada sistem nyata.
4
2
05/11/2016
Alasan Penggunaan Model • Manipulasi model (seperti mengubah variabel) akan lebih mudah dilakukan daripada akan lebih mudah dilakukan daripada melakukan‐nya pada sistem nyata. • Model dapat menghemat waktu. • Biaya untuk menganalisis model jauh lebih murah jika dibandingkan dengan mengaplikasikannya pada sistem nyata. mengaplikasikannya pada sistem nyata. • Resiko kesalahan pada bentuk model dengan melakukan trial & error (coba‐coba) jauh lebih rendah jika dibandingkan dengan melakukannya pada sistem nyata. 5
Alasan Penggunaan Model • Lingkungan bisnis yang banyak mengandung p ketidakpastian. • Model matematika dapat menganalisis kemungkinan solusi dalam jumlah yang lebih banyak bahkan tidak terbatas. • Model meningkatkan pembelajaran & pelatihan. Model‐model model dan metode dan metode‐metode metode untuk untuk • Model mendapatkan solusi telah tersedia di web. • Ada beberapa Java applet (atau pemrograman web lainnya) yang tersedia untuk menyelesaikan model‐model tersebut. 6
3
05/11/2016
Pemodelan • Pemodelan pada SPK mencakup beberapa isu, antara lain: – – – – – – –
Identifikasi masalah dan analisis lingkungan Identifikasi variabel Forecasting Penggunaan beberapa model keputusan Seleksi kategori model yang sesuai Seleksi kategori model yang sesuai Manajemen model Pemodelan berbasis pengetahuan 7
Pemodelan • Pemodelan pada SPK mencakup beberapa isu, antara lain: – – – – – – –
Identifikasi masalah dan analisis lingkungan Identifikasi variabel Forecasting Penggunaan beberapa model keputusan Seleksi kategori model yang sesuai Seleksi kategori model yang sesuai Manajemen model Pemodelan berbasis pengetahuan 8
4
05/11/2016
Identifikasi Masalah • Pada tahap ini akan dilakukan pengawasan, pelacakan, dan interpretasi terhadap pelacakan, dan interpretasi informasi‐informasi yang telah terkumpul. • Pada bagian ini perlu juga diidentifikasi budaya organisasi dan proses pengambilan keputusan. • Analisis dilakukan dengan mempertimbangkan tahapan sbb: – Analisis proses bisnis yang terjadi. – Analisis penyebab masalah. 9
Analisis Proses Bisnis • Proses bisnis (business process) adalah urutan tugas atau aktivitas yang dilakukan oleh orang atau sumber daya lain dalam rangka menyelesaikan tujuan organisasi (Magal SR, 2009). • Proses bisnis dapat dideskripsikan dengan berbagai cara, seperti: – Blok diagram. – Diagram aktivitas. – Flowchart, dll. 10
5
05/11/2016
Analisis Proses Bisnis • Analisis proses bisnis dilakukan dalam rangka: – Memahami budaya organisasi. – Mengumpulkan informasi – Melacak dimungkinkannya masalah yang timbul dalam organisasi
11
Sumber: Inasari 12
6
05/11/2016
Analisis Penyebab Masalah • Untuk mendapatkan solusi yang optimum, perlu dicari penyebab suatu masalah dicari penyebab suatu masalah. • Diagram tulang ikan (Fishbone Diagram) adalah diagram yang digunakan untuk menganalisis masalah dengan cara mengkategorikan penyebab utama yang sangat potensial dalam memunculkan permasalahan tersebut. • Diagram tulang ikan disebut juga Diagram Ishikawa atau Sebab‐Akibat (cause‐effect) 13
Analisis Penyebab Masalah • Diagram Tulang Ikan:
14
7
05/11/2016
Identifikasi Variabel • Pada tahap ini akan diidentifikasi variabel‐ variabel yang relevan. i b l l • Untuk kepentingan tersebut, dapat digunakan alat bantu seperti: – Influence Diagram – Bayesian Networks Bayesian Networks
untuk menunjukkan relasi antar variabel‐ variabel tersebut. 15
Influence Diagram • Influence diagram adalah representasi grafis d i dari suatu model keputusan yang digunakan t d lk t di k untuk membantu perancangan model (terutama model matematis), pengembangan dan pemahaman (Turban, 2005). • Kata influence f merujuk pada ketergantungan j p g g suatu variabel pada tingkatan tertentu terhadap variabel yang lainnya. 16
8
05/11/2016
Influence Diagram • Simbol yang digunakan (Lumina, 2010): – Empat Persegipanjang, variabel keputusan, yang masih dapat dikendalikan oleh pengambil keputusan. – Oval, chance variable, yang mengandung ketidakpastian dan tidak dapat dikendalikan secara langsung oleh pengambil keputusan. – Empat Persegipanjang bersudut tumpul, variabel umum Empat Persegipanjang bersudut tumpul variabel umum yang dapat berupa fungsi. – Segienam, variabel tujuan (hasil), yang menunjukkan hasil terbaik. 17
Influence Diagram Variabel Keputusan
Variabel Umum
Chance Variable
Variabel Tujuan
18
9
05/11/2016
Influence Diagram A
B
• Variabel A mempengaruhi B
19
Influence Diagram: Contoh… • Penentuan kapasitas produksi dan biaya produksi.
20
10
05/11/2016
Influence Diagram: Contoh… • Pimpinan perusahaan ingin memilih alternatif t b ik b d terbaik berdasarkan beberapa kriteria yang k b b k it i ada, yaitu: – Harga; – Daya dukung terhadap produktivitas perusahaan; – Nilai investasi dalam 10 tahun ke depan; dan – Ketersediaan barang.
21
Influence Diagram: Contoh… Harga
Nilai Harga
Tingkat Kepentingan Harga
Besar Investasi
Nilai Besar Investasi
Tingkat Kepentingan Nilai Investasi
Jenis Barang
Ketersediaan Barang
Nilai Preferensi Barang
Nilai Ketersediaan Barang
Tingkat Kepentingan Ketersediaan Barang
Daya Dukung terhadap Produktivitas Perusahaan
Nilai Daya Dukung
Tingkat Kepentingan Daya Dukung
22
11
05/11/2016
Jaringan Bayes • Jaringan Bayes (Bayesian Network) adalah model grafis d l fi yang menunjukkan j kk hubungan h b probabilitas antar variabel yang berkepentingan dalam sistem. • Jaringan Bayes dapat digunakan untuk menunjukkan j hubungan g sebab‐akibat.
23
Jaringan Bayes: Contoh Penentuan Jenis Hunian
24
12
05/11/2016
Jaringan Bayes: Contoh Penentuan Resiko Stroke
25
Forecasting • Apabila suatu keputusan diambil, maka akibatnya akan dirasakan di kemudian hari. kib t k di k di k di h i • Oleh karena itu, perlu dipertimbangkan adanya peramalan (forecasting) untuk memprediksi kemungkinan yang akan terjadi.
26
13
05/11/2016
Penggunaan Beberapa Model • Suatu sistem pendukung keputusan dapat t di i t b b terdiri‐atas beberapa model. d l • Masing‐masing model merepresentasikan bagian yang berbeda dari masalah pengambilan keputusan.
27
Seleksi Kategori Model • Turban (2005) mengkategorikan model sistem pendukung keputusan dalam tujuh model, pendukung keputusan dalam tujuh model, yaitu: – Model optimasi untuk masalah‐masalah dengan alternatif‐alternatif dalam jumlah relatif kecil. – Model optimasi dengan algoritma. – Model optimasi dengan formula analitik. – Model simulasi. M d l i l i – Model heuristik. – Model prediktif. – Model‐model yang lainnya. 28
14
05/11/2016
Kategori SPK (1) • Model optimasi untuk masalah‐masalah d dengan alternatif‐alternatif dalam jumlah lt tif lt tif d l j l h relatif kecil. – Model ini akan melakukan pencarian terhadap solusi terbaik dari sejumlah alternatif. – Teknik‐teknik untuk penyelesaian masalah ini antara lain dengan menggunakan tabel keputusan atau pohon keputusan. – Multi‐Attribute Decision Making merupakan model ini. 29
Tabel Keputusan • Pada tabel keputusan, nilai kebenaran suatu kondisi diberikan berdasarkan nilai logika dari kondisi diberikan berdasarkan nilai logika dari setiap atribut Ek. • Hanya ada dua nilai kebenaran, yaitu Ek = benar atau Ek = salah. • Secara umum, tabel keputusan berbentuk: D E {E1, EE2, ..., EEK} D = E {E dengan D adalah nilai kebenaran suatu kondisi, dan Ei adalah nilai kebenaran atribut ke‐i (i = 1, 2, ... K). 30
15
05/11/2016
Tabel Keputusan: Contoh Ekspresi logika Variabel Logika
Ekspresi Logika
E1
Memiliki IPK > 3,00
E2
Minimal tengah duduk di semester 3
E3
Nilai matakuliah algoritma pemrograman = A
E4
Nilai matakuliah kecerdasan buatan = A
E5
Nilai matakuliah basisdata = A
E6
Nilai matakuliah grafika komputer = A
E7
Nilai matakuliah jaringan komputer = A
E8
Nilai matakuliah informatika kedokteran minimal B 31
Tabel Keputusan: Contoh No
Atribut* E1
E2
E3
1
Y
Y
Y
2
Y
3
Y
4
Y
5
Y
6
Y
7
Y
8
Y
9
Y
E4
E5
E6
E7
E8
Laboratorium Pemrograman & Informatika Teori
Y Y
Komputasi & Sist. Cerdas Y
Sistem Informasi & RPL Y
Y
Grafika & Multimedia Y
Y Y Y Y
Sistem & Jaringan Komp. Komp Y
Informatika Kedokteran
Y
Informatika Kedokteran
Y
Informatika Kedokteran
Y
Informatika Kedokteran 32
16
05/11/2016
Pohon Keputusan: Contoh • Pohon keputusan adalah salah satu metode penyelesaian masalah keputusan dengan cara merepresentasikan masalah keputusan dengan cara merepresentasikan pengetahuan dalam bentuk pohon. • Suatu pohon memiliki conditional node yang menunjukkan kebenaran suatu ekspresi atau atribut. • Conditional node tersebut memberikan beberapa kemungkinan nilai, dapat berupa nilai boolean (Benar atau Salah) atau beberapa alternatif nilai yang mungkin dimiliki Salah), atau beberapa alternatif nilai yang mungkin dimiliki oleh suatu atribut, misal untuk atribut Harga (murah, normal, mahal).
33
Pohon Keputusan: Contoh
34
17
05/11/2016
Multi‐Attribute Decision Making (MADM) • SSecara umum, model Multi‐Attribute Decision d l M lti Att ib t D i i Making (MADM) dapat didefinisikan sebagai berikut (Zimermann, 1991): – Misalkan A = {ai | i = 1,...,m} adalah himpunan alternatif‐alternatif keputusan dan C = {cj | j = 1,..., n} adalah himpunan tujuan yang diharapkan, n} adalah yang diharapkan maka akan ditentukan alternatif x0 yang memiliki derajat harapan tertinggi terhadap tujuan–tujuan yang relevan cj. 35
Multi‐Attribute Decision Making (MADM) • Janko (2005) memberikan batasan tentang adanya beberapa fitur umum yang akan yang akan digunakan dalam MADM, yaitu: – Alternatif, adalah obyek‐obyek yang berbeda dan memiliki kesempatan yang sama untuk dipilih oleh pengambil keputusan. – Atribut, sering juga disebut sebagai karakteristik, komponen atau kriteria keputusan. Meskipun komponen, atau keputusan Meskipun pada kebanyakan kriteria bersifat satu level, namun tidak menutup kemungkinan adanya sub kriteria yang berhubungan dengan kriteria yang telah diberikan. 36
18
05/11/2016
Multi‐Attribute Decision Making (MADM) – Konflik antar kriteria, beberapa kriteria biasanya mempunyai konflik antara satu dengan yang lainnya, yang lainnya misalnya kriteria keuntungan akan mengalami konflik dengan kriteria biaya. – Bobot keputusan, bobot keputusan menunjukkan kepentingan relatif dari setiap kriteria, W = (w1, w2, ..., wn). Pada MADM akan dicari bobot kepentingan d i ti k it i dari setiap kriteria. – Matriks keputusan, suatu matriks keputusan X yang berukuran m x n, berisi elemen‐elemen xij, yang merepresentasikan rating dari alternatif Ai (i=1,2,...,m) terhadap kriteria Cj (j=1,2,...,n). 37
Multi‐Attribute Decision Making (MADM) • Masalah MADM adalah mengevaluasi m alternatif Ai (i=1 2 m) terhadap sekumpulan atribut atau kriteria C (i=1,2,...,m) terhadap sekumpulan atribut atau kriteria Cj (j=1,2,...,n), dimana setiap atribut saling tidak bergantung satu dengan yang lainnya. • Kriteria atau atribut dapat dibagi menjadi dua kategori, yaitu: – Kriteria keuntungan adalah kriteria yang nilainya akan dimaksimumkan, misalnya: keuntungan, IPK (untuk kasus pemilihan mahasiswa berprestasi), dll. – Kriteria biaya adalah kriteria yang nilainya akan diminimumkan, misalnya: harga produk yang akan dibeli, biaya produksi, dll.
38
19
05/11/2016
Multi‐Attribute Decision Making (MADM) • Pada MADM, matriks keputusan setiap alternatif terhadap setiap atribut, X, diberikan sebagai:
x 11 x X 21 x m1
x 12 x 22 x m2
x 1n x 2 n x mn
d dengan x k i ki j l if k i h d ij merupakan rating kinerja alternatif ke‐i terhadap atribut ke‐j. • Nilai bobot yang menunjukkan tingkat kepentingan relatif setiap atribut, diberikan sebagai, W: W = {w1, w2, ..., wn} 39
Multi‐Attribute Decision Making (MADM) • Rating kinerja (X), dan nilai bobot (W) merupakan nilai utama yang merepresentasikan preferensi absolut dari y g p p pengambil keputusan. • Masalah MADM diakhiri dengan proses perankingan untuk mendapatkan alternatif terbaik yang diperoleh berdasarkan nilai keseluruhan preferensi yang diberikan (Yeh, 2002). • Pada MADM, umumnya akan dicari solusi ideal. • Pada solusi ideal akan memaksimumkan semua kriteria Pada solusi ideal akan memaksimumkan semua kriteria keuntungan dan meminimumkan semua kriteria biaya.
40
20
05/11/2016
Multi‐Attribute Decision Making (MADM) Masalah
Kriteria‐1 (C1)
Kriteria‐2 (C2)
Alternatif‐1 (A1)
Alternatif‐2 (A2)
...
...
Kriteria‐m (Cn)
Alternatif‐n (Am)
41
Kategori SPK (2) • Model optimasi dengan algoritma. – Model ini akan melakukan pencarian terhadap solusi terbaik dari banyak alternatif. – Proses pencarian dilakukan tahap demi tahap. – Teknik‐teknik untuk penyelesaian masalah ini antara lain dengan menggunakan linear programming atau model matematika yang lainnya, atau menggunakan model jaringan.
42
21
05/11/2016
Optimasi ‐ contoh • Maksimumkan 50x1 + 10x2 • dengan batasan: – 5 x1 + 7 x2 50 – 3 x1 + 5 x2 30 – x1, x2 > 0
43
Kategori SPK (3) • Model optimasi dengan formula analitik. – Model ini akan melakukan pencarian terhadap solusi hanya dengan satu langkah melalui rumus tertentu. – Model seperti ini banyak dijumpai pada masalah‐ masalah inventory.
44
22
05/11/2016
Kategori SPK (4) • Model simulasi. – Model ini akan melakukan pencarian terhadap solusi cukup baik atau solusi terbaik pada beberapa alternatif yang akan diuji dalam penelitian. – Model ini lebih banyak digunakan untuk beberapa ti simulasi. tipe i l i
45
Kategori SPK (5) • Model heuristik. – Model ini akan melakukan pencarian terhadap solusi yang cukup baik melalui serangkaian aturan (rules). – Model ini lebih banyak direpresentasikan dengan menggunakan pemrograman heuristik atau sistem pakar k
46
23
05/11/2016
Kategori SPK (6) • Model prediktif. – Model ini akan melakukan prediksi untuk masa depan apabila diberikan skenario tertentu. – Model ini lebih banyak direpresentasikan dengan menggunakan model peramalan (forecasting) atau analisis Makov
47
Kategori SPK (7) • Model‐model yang lainnya. – Model ini akan menyelesaikan kasus what‐if menggunakan formula tertentu. – Model ini lebih banyak digunakan pada pemodelan keuangan atau konsep antrian.
48
24
05/11/2016
Kategori Model • Model statis umumnya memberikan asumsi adanya d operasii perulangan l d dengan menggunakan kondisi yang identik. • Model dinamik (time‐dependent) merepresentasikan skenario yang senantiasa berubah dari waktu ke waktu.
49
Manajemen Model • Untuk menjaga integritas dan aplikabilitasnya, model d l perlu l dikelola dik l l sebaik b ik mungkin. ki • Untuk keperluan tersebut dibutuhkan suatu model base management system. • Model Base Management System (MBMS) merupakan paket perangkat lunak yang yang dibangun dengan kapabilitas yang mirip dengan DBMS. 50
25
05/11/2016
Komponen DSS • Turban, dkk (2005) – Manajemen data – Manajemen model – Model‐model eksternal – Subsistem berbasis pengetahuan – Antarmuka pengguna
51
5. Model terpilih
4. Informasi yang dibutuhkan
Manajem men Data
6. Jawaban
3. Pemilihan model
Manajem men Model
2. Pertanyaan
Manajemen n Antarmuka
1. Masalah Perusahaan membutuhkan beberapa karyawan baru di bagian pengepakan produk. Ada beberapa calon karyawan yang telah mendaftarkan diri. Berapa banyak karyawan yang dibutuhkan? Siapa saja yang layak diterima?
7. Solusi Telah dapat ditentukan jumlah karyawan yang harus diterima beserta nama-nama karyawan yang layak diterima.
What – If Models
Organizational Information
Optimization Models
External Information
Goal-seeking Models
Personal Information
Statistical Models
52
26
05/11/2016
Sistem berbasis komputer lainnya
Internet, intranet, ekstranet
Data: eksternal dan internal Manajemen data
Manajemen model
Model-model eksternal
Subsistem berbasis pengetahuan Antarmuka pengguna
Basis pengetahuan terorganisasi
Manajer (pengguna) 53
Subsistem Manajemen Data (DMS) • Subsistem manajemen data, terdiri‐atas basisdata yang berisi data yang terkait dengan permasalahan yang akan diselesaikan.
54
27
05/11/2016
Subsistem Manajemen Data DSS database Elemenelemen pada subsistem manajemen data
Database Management System Data dictionary Query facility
55
Basis pengetahuan terorganisasi
Sumber data eksternal
Sumber data internal
Ekstraksi
Query facility
Data dictionary
DSS database
Database management system: Retrieval, Inquiry, Update, Report generation, Delete
Data pribadi, private i Data warehouse perusahaan Manajemen antarmuka Manajemen model Subsistem berbasis pengetahuan
56
28
05/11/2016
Subsistem Manajemen Model (MMS) • SSubsistem manajemen model, merupakan bit j d l k paket perangkat lunak yang berisi statistik, ilmu manajemen, atau model kuantitatif lainnya yang mampu memberikan kapabilitas analitik bagi sistem.
57
Model • Strategik, taktik, operasional. • Statistik, keuangan, teknik, akuntansi, dll. • Blok-blok pembentukan model.
Model dictionary
Manajemen Model • Model creation, using subroutine, building blocks. • Generation new routines and reports • Model updating & changing. • Data manipulation.
Manajemen data
Manajemen antarmuka
Data dictionary
Subsistem berbasis pengetahuan 58
29
05/11/2016
Subsistem User Interface • Subsistem Subsistem antarmuka, yang digunakan oleh antarmuka yang digunakan oleh pengguna untuk berkomunikasi dengan sistem. • Untuk sistem berbasis web, web browser digunakan untuk keperluan tersebut.
59
Manajemen data & DBMS
Subsistem berbasis pengetahuan
Manajemen model & MBMS
User Interface Management System (UIMS) Natural Language Processor
INPUT Action Languages
OUTPUT Display Languages
PC display
Printer, Plotter
User
60
30
05/11/2016
Subsistem Manajemen berbasis Pengetahuan • Subsistem manajemen berbasis pengetahuan, yang digunakan untuk mendukung subsistem‐ subsistem yang lainnya. • Beberapa metode dalam kecerdasan buatan dapat digunakan untuk keperluan tersebut dapat digunakan untuk keperluan tersebut.
61
Pemodelan Berbasis Pengetahuan • Sistem berbasis pengetahuan menggunakan sekumpulan aturan dalam aturan dalam menyelesaikan permasalahannya. • Sistem pakar merupakan salah satu model pendukung keputusan yang bersifat kualitatif. • Sistem pakar merupakan sistem berbasis pengetahuan. t h
62
31