ULANGAN AKHIR SEMESTER
NAMA : RAMDAN NUGRAHA NPM : 40521100017
MATKUL : ANALISIS DAN PERANCANGAN SISTEM INFORMASI DOSEN : VIDDI MARDIANSYAH, S.SI., M.T.
NOMOR 1
Sebagai seorang analisis sistem, Anda diminta untuk merancang Sistem Pendukung Keputusan (DSS) yang menggunakan AI untuk membantu rumah sakit dalam memprediksi dan mencegah penyebaran penyakit.
Anda harus menentukan jenis algoritma AI yang akan digunakan (misalnya, Machine Learning atau Deep Learning), dan bagaimana Anda akan menggunakan data historis pasien untuk melatih model Anda.
1. Evaluasi Alternatif
Untuk sistem ini, kita memiliki beberapa alternatif algoritma AI yang bisa digunakan:
Machine Learning:
- Random Forest: Untuk menangani data yang kompleks dan non- linear.
- Gradient Boosting (seperti XGBoost): Untuk prediksi dengan akurasi tinggi.
- Support Vector Machines (SVM): Untuk klasifikasi dan regresi.
Deep Learning:
- Convolutional Neural Networks (CNN): Untuk analisis data gambar medis.
- Recurrent Neural Networks (RNN): Untuk analisis data deret waktu, seperti perkembangan gejala.
- Long Short-Term Memory (LSTM): U data sekuensial jangka panjang.
Ensemble Methods:
- Kombinasi dari beberapa model ML untuk meningkatkan akurasi prediksi.
2. Pertimbangkan Risiko dan Keuntungan
Keuntungan:
- Prediksi lebih akurat tentang penyebaran penyakit.
- Pengambilan keputusan yang lebih cepat dan efisien dalam penanganan wabah.
- Potensi untuk menyelamatkan lebih banyak nyawa dengan tindakan pencegahan yang tepat waktu.
- Alokasi sumber daya rumah sakit yang lebih efisien.
Risiko:
- Kemungkinan false positives atau false negatives yang dapat menyebabkan tindakan yang tidak perlu atau keterlambatan dalam tindakan.
- Masalah privasi dan keamanan terkait penggunaan data pasien yang sensitif.
- Potensi bias dalam model jika data pelatihan tidak representatif.
3. Pikirkan dari Perspektif Orang Lain
Pasien: Mungkin khawatir tentang privasi data mereka, tapi juga menerima perawatan yang lebih proaktif dan efektif menggunakan teknologi.
Dokter dan Perawat: Mungkin awalnya skeptis terhadap sistem AI, tapi akan menerima jika AI membuat keputusan yang lebih baik dan mengurangi beban kerja.
Administrator Rumah Sakit: Melihat potensi untuk meningkatkan efisiensi, mengurangi biaya, dan meningkatkan reputasi rumah sakit.
4. Buat Rencana
Berdasarkan evaluasi, saya memutuskan untuk menggunakan pendekatan Ensemble Learning, yang menggabungkan Gradient Boosting (XGBoost) untuk prediksi penyebaran penyakit dan Convolutional Neural Networks (CNN) untuk analisis data gambar medis.
Langkah-langkah implementasi:
a) Pengumpulan dan pra-pemrosesan data:
- Mengintegrasikan data historis pasien dari berbagai sumber (rekam medis elektronik, hasil lab, data demografi).
- Membersihkan dan menormalisasi data.
- Menangani data yang hilang dan outlier.
b) Pemilihan fitur:
- Mengidentifikasi fitur-fitur kunci yang relevan untuk prediksi penyebaran penyakit (gejala, riwayat medis, faktor demografis, data lokasi).
- Menggunakan teknik seleksi fitur seperti Lasso atau Random Forest Feature Importance.
c) Pengembangan model:
- Melatih model XGBoost menggunakan data historis untuk memprediksi risiko penyebaran penyakit.
- Mengembangkan CNN untuk menganalisis data gambar medis (misalnya, X-ray paru-paru) untuk deteksi dini penyakit.
- Menggunakan teknik ensemble untuk menggabungkan output dari kedua model.
d) Validasi model:
- Menggunakan cross-validation untuk menguji kinerja model.
- Melakukan pengujian pada dataset yang terpisah untuk memastikan generalisasi.
e) Integrasi sistem:
- Mengintegrasikan model AI ke dalam sistem rumah sakit yang ada.
- Mengembangkan antarmuka pengguna yang intuitif untuk dokter dan staf medis.
5. Berkomitmen
Setelah memilih pendekatan ini, kita harus berkomitmen penuh pada implementasinya. Ini berarti:
- Mengalokasikan sumber daya yang diperlukan (anggaran, personel, infrastruktur IT).
- Memberikan dukungan penuh kepada tim pengembangan dan implementasi.
- Menetapkan timeline yang realistis dan stick to it.
- Mengatasi tantangan dan resistensi yang muncul selama proses implementasi.
- Memastikan kepatuhan terhadap regulasi privasi data kesehatan (seperti HIPAA).
6. Pantau Progres
Setelah implementasi, kita akan terus memantau kinerja sistem dengan:
- Melacak akurasi prediksi dibandingkan dengan kejadian aktual penyebaran penyakit.
- Mengumpulkan umpan balik dari staf medis tentang kegunaan dan efektivitas sistem.
- Mengevaluasi dampak pada hasil pasien dan efisiensi rumah sakit.
- Melakukan penyesuaian dan peningkatan berdasarkan data dan umpan balik yang dikumpulkan.
- Mengukur ROI dari implementasi sistem.
NOMOR 2
Sebagai seorang analisis sistem, Anda diminta untuk merancang DSS yang menggunakan AI untuk membantu perusahaan manufaktur dalam mengoptimalkan proses produksi. Anda harus menentukan bagaimana Anda akan menggunakan data sensor dan log operasional untuk melatih model prediktif yang dapat membantu perusahaan dalam mendeteksi dan mencegah gangguan produksi.
1. Evaluasi Alternatif a) Machine Learning:
- Random Forest: Untuk menangani data sensor yang kompleks dan non-linear.
- Gradient Boosting (XGBoost): Untuk prediksi dengan akurasi tinggi.
- Support Vector Machines (SVM): Untuk deteksi anomali.
b) Deep Learning:
- Long Short-Term Memory (LSTM) Networks: Untuk analisis data deret waktu dari sensor.
- Convolutional Neural Networks (CNN): Untuk analisis data sensor multidimensi.
c) Unsupervised Learning:
- Isolation Forest: Untuk deteksi anomali dalam data sensor.
- K-means Clustering: Untuk segmentasi data operasional.
d) Time Series Analysis:
- ARIMA (AutoRegressive Integrated Moving Average): Untuk prediksi tren produksi.
- Prophet: Untuk forecasting dengan kemampuan menangani seasonality.
2. Pertimbangkan Risiko dan Keuntungan
Keuntungan:
- Peningkatan efisiensi produksi dan pengurangan downtime.
- Deteksi dini potensi masalah, memungkinkan tindakan pencegahan.
- Optimasi penggunaan sumber daya dan pengurangan limbah.
- Peningkatan kualitas produk melalui kontrol proses produksi yang lebih baik.
Risiko:
- Potensi kendala sistem yang dapat mengganggu produksi.
- Biaya awal yang tinggi untuk implementasi sistem AI.
- Risiko peretasan atau kebocoran informasi sensitif.
3. Pikirkan dari Perspektif Orang Lain
Operator Produksi: Mungkin khawatir tentang kompleksitas sistem baru dan potensi pengurangan tenaga kerja
Manajer Produksi: Melihat potensi untuk meningkatkan KPI dan mengurangi biaya, namun mungkin khawatir tentang periode transisi.
Tim Maintenance: Mungkin melihat sistem sebagai alat bantu untuk perawatan prediktif, tapi khawatir tentang perubahan dalam rutinitas kerja mereka.
4. Buat Rencana
Berdasarkan evaluasi, saya memutuskan untuk menggunakan kombinasi Gradient Boosting (XGBoost) untuk prediksi gangguan produksi, LSTM untuk analisis data sensor deret waktu, dan Isolation Forest untuk deteksi anomali.
Langkah-langkah implementasi:
a) Pengumpulan dan integrasi data:
- Mengintegrasikan data dari berbagai sensor dan log operasional.
- Memastikan pengumpulan data real-time melalui sistem IoT.
b) Pra-pemrosesan data:
- Membersihkan data dari noise dan outlier.
- Normalisasi dan standardisasi data sensor.
- Menangani missing values dan data yang tidak konsisten.
c) Feature engineering:
- Membuat fitur-fitur baru yang relevan dari data sensor mentah.
- Menggunakan teknik seperti rolling statistics atau Fourier transforms untuk data deret waktu.
d) Pengembangan model
- Melatih model XGBoost untuk prediksi gangguan produksi.
- Mengembangkan model LSTM untuk analisis tren data sensor jangka panjang.
- Implementasi Isolation Forest untuk deteksi anomali real-time.
e) Validasi model:
- Menggunakan cross-validation dan testing pada dataset terpisah.
- Melakukan A/B testing dalam lingkungan produksi terbatas.
f) Integrasi sistem:
- Mengintegrasikan model AI ke dalam sistem kontrol produksi yang ada.
- Mengembangkan dashboard real-time untuk visualisasi prediksi dan rekomendasi.
5. Berkomitmen
Setelah memilih pendekatan ini, kita harus berkomitmen penuh pada implementasinya:
- Mengalokasikan sumber daya yang diperlukan (anggaran, personel, infrastruktur IT).
- Membentuk tim lintas-fungsional untuk memimpin implementasi.
- Mengadakan pertemuan progress mingguan untuk memastikan proyek tetap on track.
- Menyiapkan rencana contingency untuk mengatasi potensi hambatan.
6. Pantau Progres
Setelah implementasi, kita akan terus memantau kinerja sistem dengan:
- Melacak Key Performance Indicators (KPIs) seperti pengurangan downtime, peningkatan efisiensi produksi, dan pengurangan biaya.
- Mengumpulkan umpan balik regular dari operator dan manajer produksi.
- Melakukan audit berkala terhadap akurasi prediksi dan efektivitas tindakan pencegahan.
- Mengevaluasi ROI sistem secara berkala.
- Memantau tren jangka panjang dalam kualitas produk dan efisiensi operasional.
NOMOR 3
Seorang perusahaan ritel sedang berjuang dengan penjualan yang rendah. Perusahaan ingin menggunakan DSS yang menggunakan AI untuk membuat strategi penjualan yang lebih efektif. Anda harus menentukan bagaimana Anda akan menggunakan data penjualan dan promosi untuk melatih model prediktif yang dapat membantu perusahaan dalam membuat keputusan penjualan yang lebih baik.
1. Evaluasi Alternatif:
a) Machine Learning:
- Random Forest: Untuk menangani data penjualan yang kompleks dan non-linear.
- Gradient Boosting (XGBoost): Untuk prediksi penjualan dengan akurasi tinggi.
- Support Vector Machines (SVM): Untuk klasifikasi pelanggan dan segmentasi pasar.
b) Deep Learning:
- Neural Networks: Untuk analisis pola kompleks dalam data penjualan dan perilaku pelanggan.
- Long Short-Term Memory (LSTM): Ideal untuk analisis tren penjualan jangka panjang.
c) Time Series Analysis:
- ARIMA (AutoRegressive Integrated Moving Average): Untuk forecasting penjualan.
- Prophet: Untuk prediksi penjualan dengan kemampuan menangani seasonality.
d) Collaborative Filtering:
- Matrix Factorization: Untuk sistem rekomendasi produk.
e) Natural Language Processing (NLP):
- Sentiment Analysis: Untuk menganalisis feedback pelanggan dan ulasan produk.
2. Pertimbangkan Risiko dan Keuntungan
Keuntungan:
- Peningkatan efektivitas strategi penjualan dan promosi.
- Prediksi tren penjualan yang lebih akurat.
- Optimasi inventaris berdasarkan prediksi permintaan.
- Peningkatan customer retention melalui rekomendasi yang lebih relevan.
Risiko:
- Potensi overfitting model jika data tidak cukup representatif.
- Biaya implementasi dan pelatihan yang signifikan.
- Resistensi dari karyawan terhadap perubahan metode kerja.
3. Pikirkan dari Perspektif Orang Lain
Manajer Pemasaran: Tertarik pada potensi untuk merancang kampanye yang lebih efektif dan terukur.
Pelanggan: Mungkin menghargai penawaran yang lebih relevan, tapi bisa juga khawatir tentang privasi data mereka.
Tim Inventaris: Tertarik pada potensi untuk optimasi stok dan pengurangan biaya penyimpanan.
4. Buat Rencana
Berdasarkan evaluasi, saya memutuskan untuk menggunakan kombinasi Gradient Boosting (XGBoost) untuk prediksi penjualan, LSTM untuk analisis tren jangka panjang, dan Collaborative Filtering untuk rekomendasi produk.
Langkah-langkah implementasi:
a) Pengumpulan dan integrasi data:
- Mengintegrasikan data penjualan historis, data promosi, data pelanggan, dan data inventaris.
- Memastikan pengumpulan data real-time dari berbagai channel penjualan (offline dan online).
b) Pra-pemrosesan data:
- Membersihkan data dari noise dan outlier.
- Normalisasi dan standardisasi data penjualan.
- Menangani missing values dan data yang tidak konsisten.
c) Feature engineering:
- Membuat fitur-fitur baru yang relevan (misalnya, seasonality, holiday effects, customer lifetime value).
- Menggunakan teknik seperti one-hot encoding untuk variabel kategorikal.
d) Pengembangan model:
- Melatih model XGBoost untuk prediksi penjualan jangka pendek.
- Mengembangkan model LSTM untuk analisis tren penjualan jangka panjang.
- Implementasi Collaborative Filtering untuk rekomendasi produk.
e) Validasi model
- Menggunakan cross-validation dan testing pada dataset terpisah.
- Melakukan A/B testing untuk strategi penjualan yang direkomendasikan sistem.
f) Integrasi sistem:
- Mengintegrasikan model AI ke dalam sistem penjualan dan CRM yang ada.
- Mengembangkan dashboard real-time untuk visualisasi prediksi penjualan dan rekomendasi strategi.
berkala pada model berdasarkan data baru dan perubahan tren pasar.
5. Berkomitmen
Setelah memilih pendekatan ini, kita harus berkomitmen penuh pada implementasinya:
- Mengalokasikan sumber daya yang diperlukan (anggaran, personel, infrastruktur IT).
- Membentuk tim lintas-fungsional untuk memimpin implementasi.
- Mengadakan pertemuan progress mingguan untuk memastikan proyek tetap on track.
- Menyiapkan rencana contingency untuk mengatasi potensi hambatan.
6. Pantau Progres
Setelah implementasi, kita akan terus memantau kinerja sistem dengan:
- Melacak Key Performance Indicators (KPIs) seperti peningkatan penjualan, efektivitas promosi, dan customer retention rate.
- Melakukan audit berkala terhadap akurasi prediksi dan efektivitas rekomendasi.
- Mengevaluasi ROI sistem secara berkala.
- Melakukan penyesuaian dan peningkatan berdasarkan data kinerja dan umpan balik.
- Memantau tren jangka panjang dalam perilaku pelanggan dan perubahan pasar.
- Mengadakan review kuartalan dengan stakeholders utama untuk membahas kinerja sistem dan area perbaikan.
