Management Support System

• Mahasiswa mampu menjelaskan

tahapan-tahapan dalam pemodelan

Management Support System.

• Mahasiswa mampu melakukan

pemodelan Management Support

System.

• Turban, Efraim; Aronson, Jay, E.; Liang,

Ting-Peng. 2005. Decision Support Systems and Intelligent Systems. International

Edition, Edisi 7. New Jersey: Pearson Prentice-Hall Education International.

Pemodelan

• Pemodelan merupakan suatu upaya untuk

melakukan analisis sistem dengan cara meniru

bentuk nyata-nya daripada melakukannya

Alasan Penggunaan Model

• Manipulasi model (seperti mengubah variabel) 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.

• Resiko kesalahan pada bentuk model dengan

melakukan trial & error (coba-coba) jauh lebih

Alasan Penggunaan Model

• Lingkungan bisnis yang banyak mengandung

ketidakpastian.

• Model matematika dapat menganalisis

kemungkinan solusi dalam jumlah yang lebih

banyak bahkan tidak terbatas.

• Model meningkatkan pembelajaran & pelatihan.

• Model-model dan metode-metode untuk

mendapatkan solusi telah tersedia di web. • Ada beberapa Java applet (atau

• 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

– Manajemen model

• 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

– Manajemen model

• Pada tahap ini akan dilakukan pengawasan, pelacakan, dan interpretasi terhadap

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.

• 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.

• Analisis proses bisnis dilakukan dalam rangka:

– Memahami budaya organisasi. – Mengumpulkan informasi

– Melacak dimungkinkannya masalah yang timbul dalam organisasi

Costomer service

Packaging unit, Pengecekan barcode

Picking unit Menjemput paket dari bandara Frontliner

Penerimaan order konsumen, Pemberian AWB,

Pencatatan identitas pengirim, tujuan, paket

Frontliner Pengambilan paket secara

langsung oleh konsumen

Laporan-laporan Konsumen

(pengirim)

Konsumen (penerima)

Warehouse acceptance unit Breakdown (mensortir) paket Picking unit Mengantar paket ke bandara

Atau agen tujuan

Database server

Warehouse acceptance Unit

Pengecekan barcode Mensortir paket berdasarkan tujuan

Alur proses Arus informasi

Analisis Penyebab Masalah

• Untuk mendapatkan solusi yang optimum, perlu 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)

Analisis Penyebab Masalah

Identifikasi Variabel

• Pada tahap ini akan diidentifikasi variabel-variabel yang relevan.

• Untuk kepentingan tersebut, dapat digunakan alat bantu seperti:

– Influence Diagram – Bayesian Networks

untuk menunjukkan relasi antar variabel-variabel tersebut.

Influence Diagram

• Influence diagram adalah representasi grafis dari suatu model keputusan yang digunakan untuk membantu perancangan model

(terutama model matematis), pengembangan dan pemahaman (Turban, 2005).

• Kata influence merujuk pada ketergantungan suatu variabel pada tingkatan tertentu

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

yang dapat berupa fungsi.

– Segienam, variabel tujuan (hasil), yang menunjukkan

Influence Diagram

Variabel Keputusan Chance Variable

Influence Diagram

A

B

Influence Diagram: Contoh…

• Penentuan kapasitas produksi dan biaya produksi. Kapasitas Produk Permintaan Pasar Permintaan Pasar Persediaan Barang di Gudang Keuangan Biaya per Tenaga Kerja

Harga Bahan Baku

Harga Bahan Baku

Total Biaya Tenaga Kerja Jumlah Tenaga Kerja Biaya Produksi Operasional alat Operasional alat

Influence Diagram: Contoh…

• Pimpinan perusahaan ingin memilih alternatif terbaik berdasarkan beberapa kriteria yang

ada, yaitu:

– Harga;

– Daya dukung terhadap produktivitas perusahaan;

– Nilai investasi dalam 10 tahun ke depan; dan – Ketersediaan barang.

Harga Harga Besar Investasi Besar Investasi Jenis Barang Ketersediaan Barang Ketersediaan Barang Tingkat Kepentingan Harga Tingkat Kepentingan Nilai Investasi Tingkat Kepentingan Ketersediaan Barang Nilai Ketersediaan Barang Nilai Besar Investasi Nilai Harga Nilai Preferensi Barang

Jaringan Bayes

• Jaringan Bayes (Bayesian Network) adalah model grafis yang menunjukkan hubungan probabilitas antar variabel yang

berkepentingan dalam sistem.

• Jaringan Bayes dapat digunakan untuk menunjukkan hubungan sebab-akibat.

Jaringan Bayes: Contoh

Jaringan Bayes: Contoh

Forecasting

• Apabila suatu keputusan diambil, maka

akibatnya akan dirasakan di kemudian hari. • Oleh karena itu, perlu dipertimbangkan

adanya peramalan (forecasting) untuk

Penggunaan Beberapa Model

• Suatu sistem pendukung keputusan dapat terdiri-atas beberapa model.

• Masing-masing model merepresentasikan bagian yang berbeda dari masalah

Seleksi Kategori Model

• Turban (2005) mengkategorikan model sistem 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.

– Model heuristik. – Model prediktif.

Kategori SPK

(1)

• Model optimasi untuk masalah-masalah dengan alternatif-alternatif dalam jumlah 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.

• Pada tabel keputusan, nilai kebenaran suatu kondisi diberikan berdasarkan nilai logika dari setiap atribut E_k.

• Hanya ada dua nilai kebenaran, yaitu E_k =

benar atau E_k = salah.

• Secara umum, tabel keputusan berbentuk: D = E {E₁, E₂, ..., E_K}

dengan D adalah nilai kebenaran suatu

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

Tabel Keputusan:

Contoh

No Atribut* Laboratorium

E₁ E₂ E₃ E₄ E₅ E₆ E₇ E₈

1 Y Y Y Pemrograman & _{Informatika Teori}

2 Y Y Komputasi & Sist. Cerdas

3 Y Y Y Sistem Informasi & RPL

4 Y Y Grafika & Multimedia

5 Y Y Y Sistem & Jaringan Komp.

6 Y Y Y Informatika Kedokteran

Pohon Keputusan:

Contoh

• Pohon keputusan adalah salah satu metode penyelesaian 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 oleh suatu atribut, misal untuk atribut Harga (murah, normal, mahal).

Tekanan darah TINGGI TIA Tinggi Normal Ya Tidak TINGGI _Merokok Ya RENDAH Tidak Obesitas Ya Tidak

Multi-Attribute Decision Making (MADM)

• Secara umum, model Multi-Attribute Decision

Making (MADM) dapat didefinisikan sebagai

berikut (Zimermann, 1991):

– Misalkan A = {a_i | i = 1,...,m} adalah himpunan

alternatif-alternatif keputusan dan C = {c_j | j = 1,..., n} adalah himpunan tujuan yang diharapkan,

maka akan ditentukan alternatif x₀ yang memiliki derajat harapan tertinggi terhadap tujuan–tujuan yang relevan c_j.

• Janko (2005) memberikan batasan tentang adanya beberapa fitur umum 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 pada kebanyakan kriteria bersifat satu level,

namun tidak menutup kemungkinan adanya sub kriteria yang berhubungan dengan kriteria yang

– Konflik antar kriteria, beberapa kriteria biasanya

mempunyai konflik antara satu dengan yang lainnya, misalnya kriteria keuntungan akan mengalami

konflik dengan kriteria biaya.

– Bobot keputusan, bobot keputusan menunjukkan kepentingan relatif dari setiap kriteria, W = (w₁, w₂, ..., w_n). Pada MADM akan dicari bobot kepentingan dari setiap kriteria.

– Matriks keputusan, suatu matriks keputusan X yang berukuran m x n, berisi elemen-elemen x_ij, yang

• Masalah MADM adalah mengevaluasi m alternatif A_i

(i=1,2,...,m) terhadap sekumpulan atribut atau kriteria C_j

(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.

• Pada MADM, matriks keputusan setiap alternatif terhadap setiap atribut, X, diberikan sebagai:

dengan x_ij merupakan rating kinerja alternatif ke-i terhadap atribut ke-j.

• Nilai bobot yang menunjukkan tingkat kepentingan relatif setiap atribut, diberikan sebagai, W:

W = {w , w , ..., w }              mn 2 m 1 m n 2 22 21 n 1 12 11 x x x x x x x x x X      

• Rating kinerja (X), dan nilai bobot (W) merupakan nilai utama yang merepresentasikan preferensi absolut dari 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

Masalah Kriteria-1 (C₁) Kriteria-2 (C₂) Kriteria-m (C_n) . . . Alternatif-1 (A₁) Alternatif-2 (A₂) Alternatif-n (A_m) . . .

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.

Optimasi - contoh

• Maksimumkan 50x₁ + 10x₂ • dengan batasan: – 5 x₁ + 7 x₂  50 – 3 x₁ + 5 x₂  30 – x₁, x₂ > 0

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.

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 tipe simulasi.

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

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

Kategori SPK

(7)

• Model-model yang lainnya.

– Model ini akan menyelesaikan kasus what-if menggunakan formula tertentu.

– Model ini lebih banyak digunakan pada

Kategori Model

• Model statis umumnya memberikan asumsi adanya operasi perulangan dengan

menggunakan kondisi yang identik.

• Model dinamik (time-dependent)

merepresentasikan skenario yang senantiasa berubah dari waktu ke waktu.

Manajemen Model

• Untuk menjaga integritas dan aplikabilitasnya, model perlu dikelola sebaik mungkin.

• Untuk keperluan tersebut dibutuhkan suatu

model base management system.

• Model Base Management System (MBMS) merupakan paket perangkat lunak yang

dibangun dengan kapabilitas yang mirip dengan DBMS.

Komponen DSS

• Turban, dkk (2005)

– Manajemen data – Manajemen model

– Model-model eksternal

– Subsistem berbasis pengetahuan – Antarmuka pengguna

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?

Telah dapat ditentukan jumlah karyawan yang harus diterima beserta nama-nama karyawan yang layak diterima.

Manaje me n A ntarm uka Manaje me n Mod el Manaje me n Da ta Organizational Information External Information What – If Models Optimization Models 1. Masalah 2. Pertanyaan 3. Pemilihan model 4. Informasi yang dibutuhkan 5. Model terpilih 6. Jawaban 7. Solusi

Sistem berbasis komputer lainnya Internet, intranet, ekstranet Manajemen

data Manajemen model

Model-model eksternal Subsistem berbasis pengetahuan Antarmuka pengguna Manajer Basis pengetahuan

Data: eksternal dan internal

Subsistem Manajemen Data (DMS)

• Subsistem manajemen data, terdiri-atas

basisdata yang berisi data yang terkait dengan permasalahan yang akan diselesaikan.

Subsistem Manajemen Data

Elemen-elemen pada subsistem manajemen data DSS database

Database Management System Data dictionary

pengetahuan terorganisasi

Sumber data

eksternal Sumber data internal

Data pribadi, private Data warehouse perusahaan Manajemen antarmuka Manajemen model Subsistem berbasis pengetahuan Ekstraksi DSS database Database management system: Retrieval, Inquiry, Update, Report generation, Delete Query facility Data dictionary

• Subsistem manajemen model, merupakan paket perangkat lunak yang berisi statistik, ilmu manajemen, atau model kuantitatif

lainnya yang mampu memberikan kapabilitas analitik bagi sistem.

Model dictionary

• Strategik, taktik, operasional. • Statistik, keuangan, teknik,

akuntansi, dll.

• Blok-blok pembentukan model.

Data dictionary • Model creation, using subroutine,

building blocks.

• Generation new routines and reports • Model updating & changing.

• Data manipulation.

• Subsistem antarmuka, yang digunakan oleh pengguna untuk berkomunikasi dengan

sistem.

• Untuk sistem berbasis web, web browser digunakan untuk keperluan tersebut.

data & DBMS _{pengetahuan MBMS}

Printer, Plotter Natural Language Processor

User Interface Management System (UIMS) INPUT Action Languages OUTPUT Display Languages PC display

• Subsistem manajemen berbasis pengetahuan, yang digunakan untuk mendukung subsistem-subsistem yang lainnya.

• Beberapa metode dalam kecerdasan buatan dapat digunakan untuk keperluan tersebut.

Pemodelan Berbasis Pengetahuan

• Sistem berbasis pengetahuan menggunakan sekumpulan aturan dalam menyelesaikan

permasalahannya.

• Sistem pakar merupakan salah satu model

pendukung keputusan yang bersifat kualitatif. • Sistem pakar merupakan sistem berbasis