SISTEM INFORMASI BERBASIS KOMPUTER
(Computer Based Information Systems-CBIS)
• ES : Expert System (Sistem Pakar)
• ES : Expert System (Sistem Pakar)
• DSS : Decision Support Systems (Sistem Penunjang Keputusan)
( j g p )
• MIS : Management Information System (Sistem Informasi Manajemen)
• DBMS : Data Based Management Systems (Sistem Manajemen Basis Data)
• EDP : Electronic Data Processing EDP : Electronic Data Processing (Pengolahan Data Elektronik)
• IS : Information Systems
(Sistem Informasi)
Directive ES EIS DSS
Strategic IS
MIS DSS
Tactic
O i l
DBMS MIS
Operasional EDPEDP
Posisi ES/ES pada Sistem Informasi (IS)
D fi i i Si P j K (SPK/DSS) Definisi Sistem Penunjang Keputusan (SPK/DSS)
Merupakan alat manajemen yang terdiri dari komponen basis data, basis model dan user interface yang berbasis komputer yang dapat digunakan untuk menyelesaikan masalah dan membantu tugas-tugas pengambilan
keputusan. DSS mendukung pengambilan keputusan
kompleks dengan penekanan pada efektifitas (Turban,
1998)
FOUR MAJOR DSS CHARACTERISTICS
1. Incorporate both data and model 2 Assist Manager in semi
2. Assist Manager in semi-
structured/unstructured design making process 3. Support rather than replace managerial
judgment
4. Improve effectiveness rather than efficiency
DSS STRUCTURE
Data;
Other Computer- b d S t
External and Internal
based Systems
Data Based Management
Model Based Management
Dialog Management
Manager (User) and Tasks and Tasks
SAMPLE OF DECISION AREA SAMPLE OF DECISION AREA
I d t i l l i
• Industrial planning
• Municipal waste control
• Water allocation and usage
• Budged allocation
• Budged allocation
• Seat allocation of a general election
• Strategy for ICT development
• .…
Data DBMS Function Data
- ICT Profile
- Population Profile - ICT policy
Data
Extraction DBMS
- Input - Edit - Sort
- Integrated
p y - Integrated
MBMS ICT Prediction Dialog
Management
Population Dynamic Model
Financial Analysis Management
System
Financial Analysis Model
MCDM User
Figure : DSS for ICT Development 8
Data DBMS Function Data
- Jenis bencana - Profile bencana - Topography & C wil
Data
Extraction DBMS
- Input - Edit - Sort
- Integrated p g p y
- Peta d cara evakuasi
- Integrated
MBMS Prediksi Dialog
Management
Model mitigasi d pencegahan Model penanganan Management
System
Model penanganan
Model pemulihan User
Figure : DSS untuk mitigasi dan 9
penanganan bencana
Model
Sistem Manajemen
Data
Sistem Manajemen
Sistem Manajemen Basis Pengetahuan
Pengetahuan
Sistem Manajemen Basis Data
Data Penduduk
Data Partai
Sistem Manajemen Basis Model
Sub Model Estimasi Pemilih
Sub Model Penetapan Anggota
g
• Akuisi Pengetahuan
• Konseptualisasi Pengetahuan
• Representasi Pengetahuan Data KPU
Data Wilayah Administrasi Sub Model Penetapan Anggota
DPRD
p gg
DPR
Sub Model Alokasi
S b d
Mekanisme Inferensi
Data Pemilih
DataPEMILU Data Anggaran
Sumberdaya
Sub Model Pemilihan Presiden Sub Model Pemilihan Mobilisasi Sumberdaya
Sistem Pengolahan Terpusat Data PEMILU
Sistem Manajemen Dialog
Pengguna
Sistem Pendukung Keputusan bagi KPU
Model
Si t M j
Data
Si t M j
Sistem Manajemen Basis Pengetahuan
Pengetahuan
Sistem Manajemen Basis Data
Data Komoditas Hortikultura Data Produk
Sistem Manajemen Basis Model
Sub Model Pemilihan Komoditas Unggulan Sub Model Pemilihan
Basis Pengetahuan
• Akuisi Pengetahuan
• Konseptualisasi Pengetahuan
• Representasi Pengetahuan Data Produksi dan Konsumsi
Data Produk Agroindustri Data Potensi Lokasi
Agroindustri Sub Model Sistem Pakar
Lokasi Agroindustri Unggulan Sub Model Pemilihan
Produk Unggulan
Sub Model Prakiraan
Mekanisme Inferensi Komoditas
Data Pertumbuhan Penduduk Data Biaya Agroindustri
Sub Model Prakiraan Ketersediaan Bahan Baku
Sub Model Strategi
P b A i d t i
Sub Model Kelayakan Finansial Agroindustri
Sistem Pengolahan Terpusat Data Strategi Pengembangan
Agroindustri
Pengembangan Agroindustri
Sistem Manajemen Dialog
Pengguna
Konfigurasi EMS Agroindustri
Pengguna
DSS/EMS SOURCES OF REFERENCES
1 D i i S t S t J l
1. Decision Support System Journal
2. Data and Knowledge Engineering Journal 3. Expert Systems with Application Journal
4 S t R h d B h i l S i J l
4. Systems Research and Behavioral Science Journal
5. Books in DSS and Expert System
METODOLOGI
METODA Pendekatan
Sistem
• Analasis Kebutuhan
• Formulasi Permasalahan
• Identifikasi Sistem Pemilihan Komoditas Unggulan AHP
MPE MULAI
Pemilihan Produk Unggulan MPE
Lokasi Agroindustrig Sistem Pakar Regresi Linier Ketersediaan Bahan Baku
Kelayakan Agroindustri B/C Ratio, ,NPV, IRR dan PBP Strategi Pengembangan
Agroindustri Hortikultura AHP
SISTEM PAKAR
9 Definisi
Sistem Pakar adalah Sistem Perangkat Lunak Komputer yang menggunakan ilmu, fakta, dan teknik berfikir dalam pengambilan keputusan untuk menyelesaikan masalah-masalah yang biasanya hanya dapat diselesaikan oleh tenaga ahli dalam bidang yang
hanya dapat diselesaikan oleh tenaga ahli dalam bidang yang bersangkutan
9 Tujuan Pengembangan
1. Mempermudah kerja tenaga ahli 2. Mengganti tenaga ahli
3 Menggabungkan kemampuan tenaga ahli 3. Menggabungkan kemampuan tenaga ahli 4. Training tenaga ahli
5. Mengurangi resiko pada pekerjaan yang berbahaya 6. Menyediakan ahli pada bidang pekerjaan “kering”
Components of Expert Systems
The Expert System
Expert Ad i
Knowledge Base
Advice User
Interface Programs
Inference Engine Program User Workstation
Expert System Development
Knowledge Engineering Engineering
Knowledge Acquisition
Program
Workstation Expert and/or Knowledge Engineer
Tabel Perbedaan perangkat l nak sistem pakar dengan Tabel : Perbedaan perangkat lunak sistem pakar dengan
perangkat lunak konvensional
S
Perangkat Lunak Konvensional Perangkat Lunak Sistem Pakar - Menyajikan dan menggunakan
data
- Menyajikan dan menggunakan pengetahuan
data pengetahuan
- Bersifat algoritmitik - Bersifat Heuristik
P R titif P I f i
- Proses Repetitif - Proses Inferensi - Memanipulasi secara efektif basis
data
-Memanipulasi secara efektif basis pengetahuan
data pengetahuan
- Berorientasi pada pengolahan bilangan
-Berorientasi pada pengolahan simbolik
Expert Systems Example
Example
DENDRAL i
DENDRAL, mass spectrometer interpreter MYCIN, modeling medical expert
PROSPECTOR, mining exploration g p M1, computer designer
RECSEL, recruitment and selection
…
APLIKASI SISTEM PAKAR DI BIDANG MANAJERIAL
1 A li i 1. Analisis
a. Interprestasi
- Analisa pasar untuk komoditi tertentuAnalisa pasar untuk komoditi tertentu - Identifikasi media iklan yang sesuai - Identifikasi kebutuhan pelatihan b. Diagnostik
- Diagnosa kelesuan perusahaan dan usaha penyembuhan 2. Sintesa
- Penarikan tenaga kerja - Strategi Penentuan hargaStrategi Penentuan harga
- Strategi pengembangan produk 3. Integrasig
- Prediksi perkembangan nilai saham pada bursa efek
9 Metoda penelitian :
mengggunakan pendekatan sistem ggg p
9Tahapan pelaksanaan penelitian ini adalah :
1. Pengumpulan data
a. kajian pustaka b. observasi lapang
c wawancara dengan pakar c. wawancara dengan pakar 2. Perancangan sistem
a. Sistem Manajemen Basis Data b. Sistem Manajemen Basis Model
c. Sistem Manajemen Basis Pengetahuan 3 Implementasi
3. Implementasi
4. Verifikasi
Pengumpulan Data ngumpu an Data TATA
LAKSANA
Telaah Literatur• Pustaka
• Jurnal
Observasi Lapang
Wawancara dengan Pakar Jurnal
• Laporan
p g
Pengembangan Sistem
Basis Mekanisme Integrasi
Basis Basis Basis
Pengetahuan Mekanisme
Inferensi Integrasi Sistem Basis
Data Basis Model
Implementasi
Verifikasi
Verifikasi
1. Sub Model Pemilihan Komoditas Unggulan
Edit/Tambah/
Hapus Data
• Kriteria Pemilihan
• Pembobotan Kriteria
• Alternatif Komoditas
• Penilaian Komoditas
Input Data
• Kriteria Pemilihan
terhadap kriteria
Penentuan Proritas Komoditas Unggulan Dengan Metode MPE
• Pembobotan Kriteria
• Alternatif Komoditas
• Penilaian Komoditas terhadap kriteria
OUTPUT
Urutan Prioritas Komoditas Unggulan p
VERIFIKASI dan PEMBAHASAN
A. Sub Model Pemilihan Komoditas Unggulan
• Penentuan Kriteria dan Pembobotan
N KRITERIA BOBOT BOBOT
No. KRITERIA BOBOT
AHP BOBOT (faktor konversi = 20)
1. Potensi Komoditas 0,2755 6
2. Nilai Ekonomis 0,1417, 3
3. Keterkaitan Dengan Pendapatan Rakyat 0,0742 1
4. Penyebaran Lokasi 0,1509 3
5 Kesempatan Untuk Diversifakasi Produk 0 0841 2
5. Kesempatan Untuk Diversifakasi Produk 0,0841 2
6. Intensifikasi Dan Ekstensifikasi 0,2180 4
7. Kebijakan Pemerintah 0,0556 1
• Penentuan Alternatif Komoditas Hortikultura Unggulan Jambu Biji, Pisang, Mangga dan Tomat
• Penilaian Komoditas terhadap Kriteria
• Hasil Analisis dengan Metode MPE :
PRIORTAS KOMODITAS NILAI MPE
1 Pisang 536.858
2 Mangga 120 983
2 Mangga 120.983
3 Jambu Biji 120.786
4 Tomat 49.847
B. Sub Model Pemilihan Produk Unggulan gg
• Penentuan Kriteria dan Pembobotan
BOBOT BOBOT
No. KRITERIA BOBOT
(pairwise) BOBOT (faktor konversi = 20)
1. Kontinuitas Bahan Baku 0,2038 4
2 Peluang Pasar 0 2850 6
2. Peluang Pasar 0,2850 6
3. Nilai Tambah Produk 0,1047 2
4. Teknologi Yang Sudah Dipakai 0,1503 3
5 P T K j 0 0427 1
5. Penyerapan Tenaga Kerja 0,0427 1
6. Dampak Ganda Terhadap Produk Lain 0,0668 1
7. Dampak Lingkungan 0,0663 1
8. Kondisi Agroindustri Saat Ini 0,0537 1
9. Kebijakan Pemerintah 0,0267 1
• Penentuan Alternatif Produk Unggulan dari Komoditas unggulan terpilih
Kripik Pisang, Sale pisang, Sari Buah Pisang dan Tepung Pisang
• Penilaian Produk terhadap Kriteria
• Hasil Analisis dengan Metode MPE :
PRIORTAS PRODUK NILAI MPE
1 Sale Pisang 538.431
2 Kripik Pisang 269.134
3 Sari Buah Pisang 124.805
4 Tepung Pisang 53.489
C. Sub Model Sistem Pakar Lokasi Agroindustri Unggulan
Mempunyai 2 cara Penggunaan
• Konsultasi pengguna dapat berdialog dengan sistem mengenai lokasi agroindustri unggulan
• Analisis Menganalisis Data Lokasi yang terdapat dalam Basis Data
Hasil Analisis Data dari 24 Kecamatan di Kab. Cianjur menunjukkan prioritas Lokasi yang menjadi unggulan untuk Agroindustri sale pisang yaitu :
Prioritas 1. Kecamatan Cikalongkulon
Prioritas 2. Kecamatan Karang Tengah
Prioritas 3. Kecamatan Sindang Barang g g
Prioritas 4. Kecamatan Mande.
D. Sub Model Prakiraan Ketersediaan Bahan Baku
• Data Yang Tersedia : ata a g e sed a
Data Produksi Pisang (1998-2001)
Tahun Produksi (ton)
1998 343 520
1998 343.520
1999 310.590
2000 399.381
2001 631 687
Prakiraan Produksi tahun 2002 dengan analisis regresi adalah 659.618 ton (Y = 95329,3 X + 182971,3 dan R2 = 0,7207)
2001 631.687
Data jumlah Penduduk (1998-2001)
Tahun Penduduk
1998 1.812.936
1999 1.830.786
2000 1.832.468
2001 1.946.405
Prakiraan Jumlah Penduduk tahun 2002 dengan analisis regresi adalah 27 2
Konsumsi Rata-rata = 18 kg per kapita per tahun Konsumsi Rata rata 18 kg per kapita per tahun Konsumsi untuk Agroindustri yang ada = 125.000 ton Penjualan ke Luar daerah = 60 % dari produksi
Hasi Analisis :
Prakiraan Prakiraan Kebutuhan Status Produksi Konsumsi Bahan Baku Ketersediaan
659.618 555.982 365 Tersedia
Hasil Analisis sistem menunjukkan untuk suatu agroindustri dengan kapasitas produksi 365 ton/tahun ketersediaan bahan
baku diperkirakan masih mencukupi p p
E. Sub Model Kelayakan Finansial Agroindustri Asumsi yang digunakan :
Verifikasi Æ kelayakan agroindustri Sale Pisang
Umur Proyek 10 Tahun
Jumlah Produksi (Produk/Tahun) 657000
Persentase Terjual 90 %
Harga Jual Produk Rp 2.500,-
B B k t i i 18 %
Bunga Bank saat ini 18 %
Persentase Produksi
Tahun I 70 %
Tahun II 85 %
Tahun III s/d Tahun X 100 %
Perawatan 2% Penyusutan 10 % Perawatan 2%, Penyusutan 10 %, Asuransi 0,5 %, Pajak Bangunan 2 %
H il A li i Hasil Analisis :
Kriteria
Kelayakan Keadaan Normal
Terjadi Penurunan Harga Jual Produk
(10%)
Terjadi Kenaikan Harga Bahan Baku
(10%)
Terjadi Penurunan Harga Jual Produk dan Kenaikan Harga Kelayakan
(10%) (10%) g
Bahan Baku (10%) Keuntungan
Bersih Rp 2.399.141.750 ,- Rp 987.413.000 ,- Rp 1.876.279.250 ,- Rp 464.550.500 ,-
BEP Rp 8 700 975 105 9 670 497 911 Rp 9 360 472 966 10 592 082 846
BEP Rp 8.700.975.105,- 9.670.497.911,- Rp 9.360.472.966,- 10.592.082.846,-
ROI 20,47 % 8,43 % 15,33 % 3,8 %
B/C Ratio 1,2 1,08 1,15 1,04
NPV Rp 707.351.542,- Rp 96.520.164,- Rp 481.117.698,- (Rp 129.713.679,-)
IRR 47,47 % 22,44 % 38,56 % 11,66 %
PBP 2 5 Tahun 4 25 Tahun 2 92 Tahun 6 03 Tahun
PBP 2,5 Tahun 4,25 Tahun 2,92 Tahun 6,03 Tahun
TIDAK
30
LAYAK TIDAK
LAYAK
Prioritas Aktor
No AKTOR Bobot AHP Prioritas
1 Pemerintah 0,1762 2
2 Petani 0,2021 1
3 Pengusaha 0,1694 4
4 Pemerintah 0,1823 3
k
5 Perbankan 0,1300 6
6 Pedagang 0,1399 5
Prioritas Tujuan
No Tujuan Bobot AHP Prioritas
1 Perluasan Lapangan Pekerjaan 0,2048 3
2 Perluasan Pasar 0,2809 1
3 Peningkatan Daya Saingg y g 0,1414, 4
4 Peningkatan Pendapatan 0,2544 2
5 Pembangunan Daerah 0,1185 5
Prioritas Alternatif Tindakan
No Alternatif Tindakan Bobot AHP Prioritas
1 Mempertahankan dan Memperkuat
Agroindustri yang telah ada 0,4590 2
32
g y g
2 Menciptakan suasana yang medukung
tumbuhnya Agroindustri Baru 0,5410 1
FOKUS PENGEMBANGAN AGROINDUSTRI HORTIKULTURA
FAKTOR
Sumberdaya Manusia (28 79 %)
Sumberdaya Alam (16 52 %)
Modal (16,13 %)
Pemasaran (12,13 %)
Sarana dan Prasarana
(6 28 %)
Kebijakan Pemerintah (20 15 %) (28,79 %) (16,52 %) (16,13 %) (12,13 %)
(6,28 %) (20,15 %)
Pemerintah Petani Pengusaha Koperasi Perbankan Pedagang AKTOR
Pemerintah (17,62 %)
Petani (20,21 %)
Pengusaha (16,94 %)
Koperasi (18,23 %)
Perbankan (13,00 %)
Pedagang (13,99 %)
TUJUAN
Perluasan Lapangan Pekerjaan
(20,48 %)
Perluasan Pasar (28,09 %)
Peningkatan Daya Saing
(14,14 %)
Peningkatan Pendapatan
(25,44 %)
Pembangunan Daerah (11,85 %)
Mempertahankan dan Memperkuat Menciptakan suasana yang medukung ALTERNATIF Agroindustri yang telah ada
(45,90 %)
tumbuhnya Agroindustri Baru (54,10 %)
Performance Rating Operational
Q lit ti D t F
Qualitative Data
Fuzzy Non-Fuzzy
Fuzzy Fuzzy Non-Fuzzy
Op. Health
Financial Ratios p
Level Quantitative
Data
F i n a n c i a l
THE COMPANY PERFORMANCE
Coding
RATING EVALUATION FRAMEWORK
List of Operation al Aspect
Non-Fuzzy Fuzzy
Pre-process Aggregation
Output data for ANFIS Network Pre-process
Output 1. Normali ANFIS
1. Six layer
2 N l
1. Single indicato r score Aggregation
Score on Compan
Suggesti on &
Recome Network
zation 2. Aggre
gation 2. Neural
input 3. Neural
output
r score 2. Inter
indicato r score Pre process
y
Performa
ndation
List of Financial
1. Ratio
computation 2. ANFIS
p 4. Learnin
g
backpro
r score Pre-process
nce
35 network
input
pagatio n &
SAMPLE OF THE ISCPE FUZZY
1 Fuzzy Input 2. Fuzzy 3. Im plication
INFERENCE MODEL
1. Fuzzy Input
O peration M ethod
If P S is good or E C is good then C ash Flow is very good
If P S is good Then C ash Flow is good If P S is good Then C ash Flow is good
4. A ggregation M ethod If P S is bad or E C is bad then M ethod
5 D efuzzyfication C ash Flow is bad
Legend :
P S : P aym ent S ystem 5. D efuzzyfication
E C : E conom ic C ondition
White Board
Wall-Mounted
Project Screen White Board
Breakout
Control Room Facilitator Console and
Network File Server
Workstation s
Room
s
Barco Projecto Breakout
Room
Projecto r
Breakout
Storage Break
Area Room
Figure : Universal of Arizona Small GDSS Facility
Data
GDSS Applications
Software Model
Data base
Software Model
Base Processor
User Interface
G F ilit t Group Facilitator
I/O Device Public Screen
Group Members Group Members
