Materi Kuliah [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 tahapan tahapan dalam pemodelan Management Support System. Mahasiswa mampu melakukan pemodelan Management Support System. 2 1
Referensi Utama 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. 3 3 Pemodelan Pemodelan merupakan suatu upaya untuk melakukan k analisis i sistem it dengan cara meniru bentuk nyata nya daripada melakukannya pada sistem nyata. 4 2
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 rendah jika dibandingkan dengan melakukannya pada sistem nyata. 5 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 pemrograman web lainnya) yang tersedia untuk menyelesaikan model model tersebut. 6 3
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 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 Manajemen model Pemodelan berbasis pengetahuan 8 4
Identifikasi Masalah Pada tahap ini akan dilakukan pengawasan, pelacakan, daninterpretasi 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. 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
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
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) 13 Analisis Penyebab Masalah Diagram Tulang Ikan: 14 7
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 variabelvariabel tersebut. 15 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 g suatu variabel pada tingkatan tertentu terhadap variabel yang lainnya. 16 8
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 hasil terbaik. 17 Influence Diagram Variabel Keputusan Chance Variable Variabel Umum Variabel Tujuan 18 9
Influence Diagram A B Variabel A mempengaruhi B 19 Influence Diagram: Contoh Penentuan kapasitas produksi dan biaya produksi. 20 10
Influence Diagram: Contoh Pimpinan perusahaan ingin memilih alternatif terbaik berdasarkan beberapa b kriteria i yang 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 Jenis Barang Tingkat Kepentingan Nilai Investasi Nilai Preferensi Barang Ketersediaan Barang Nilai Ketersediaan Barang Tingkat Kepentingan Ketersediaan Barang Daya Dukung terhadap Produktivitas Perusahaan Nilai Daya Dukung Tingkat Kepentingan Daya Dukung 22 11
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. 23 Penentuan Jenis Hunian Jaringan Bayes: Contoh 24 12
Jaringan Bayes: Contoh Penentuan Resiko Stroke 25 Forecasting Apabila suatu keputusan diambil, maka akibatnya akan dirasakan di kemudian hari. Oleh karena itu, perlu dipertimbangkan adanya peramalan (forecasting) untuk memprediksi kemungkinan yang akan terjadi. 26 13
Penggunaan Beberapa Model Suatu sistem pendukung keputusan dapat terdiri atas i t beberapa b model. 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, yaitu: Model optimasi untuk masalah masalah dengan alternatif alternatif dalam jumlah relatif kecil. Model optimasi dengan algoritma. Model optimasi dengan formula analitik. Model simulasi. i Model heuristik. Model prediktif. Model model yang lainnya. 28 14
Kategori SPK (1) Model optimasi untuk masalah masalah dengan alternatif alternatif tif tif 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. Multi Attribute Decision Making merupakan model ini. 29 Tabel 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{E 1, E 2,..., E K } dengan D adalah nilai kebenaran suatu kondisi, dan E i adalah nilai kebenaran atribut ke i (i = 1, 2,... K). 30 15
Tabel Keputusan: Contoh Ekspresi logika Variabel Logika Ekspresi Logika E 1 Memiliki IPK > 3,00 E 2 Minimal tengah duduk di semester 3 E 3 E 4 E 5 E 6 E 7 E 8 Nilai matakuliah algoritma pemrograman = A Nilai matakuliah kecerdasan buatan = A Nilai matakuliah basisdata = A Nilai matakuliah grafika komputer = A Nilai matakuliah jaringan komputer = A Nilai matakuliah informatika kedokteran minimal B 31 Tabel Keputusan: Contoh Atribut* No Laboratorium E 1 E 2 E 3 E 4 E 5 E 6 E 7 E 8 Pemrograman & 1 Y Y Y 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 7 Y Y Y Informatika Kedokteran 8 Y Y Y Informatika Kedokteran 9 Y Y Y Informatika Kedokteran 32 16
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). 33 Pohon Keputusan: Contoh 34 17
Multi Attribute Decision Making (MADM) Secara umum, model Multi Attribute ib t Decision i 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 x 0 yang memiliki derajat harapan tertinggi terhadap tujuan tujuan yang relevan c j. 35 Multi Attribute Decision Making (MADM) 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 telah diberikan. 36 18
Multi Attribute Decision Making (MADM) 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 = (w 1, w 2,..., w n ). Pada MADM akan dicari bobot kepentingan dari setiap kriteria. i Matriks keputusan, suatu matriks keputusan X yang berukuran m x n, berisi elemen elemen x ij, yang merepresentasikan rating dari alternatif A i (i=1,2,...,m) terhadap kriteria C j (j=1,2,...,n). 37 Multi Attribute Decision Making (MADM) 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. 38 19
Multi Attribute Decision Making (MADM) Pada MADM, matriks keputusan setiap alternatif terhadap setiap atribut, X, diberikan sebagai: x x X x 11 21 m1 x x x 12 22 m2 x x x mn dengan x ij merupakan rating kinerja alternatif ifke i terhadap atribut ke j. Nilai bobot yang menunjukkan tingkat kepentingan relatif setiap atribut, diberikan sebagai, W: W = {w 1, w 2,..., w n } 1n 2n 39 Multi Attribute Decision Making (MADM) 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 keuntungan dan meminimumkan semua kriteria biaya. 40 20
Multi Attribute Decision Making (MADM) Masalah Kriteria 1 (C 1 ) Kriteria 2 (C 2 )... Kriteria m (C n ) Alternatif 1 (A 1 ) Alternatif 2 (A 2 )... Alternatif n (A m ) 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
Optimasi contoh Maksimumkan 50x 1 + 10x 2 dengan batasan: 5 x 1 + 7 x 2 50 3 x 1 + 5 x 2 30 x 1, x 2 > 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 masalahmasalah inventory. 44 22
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. i 45 Model heuristik. Kategori SPK (5) 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 46 23
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
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. 49 Manajemen Model Untuk menjaga integritas dan aplikabilitasnya, model perlu dikelola l 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. 50 25
Komponen DSS Turban, dkk (2005) Manajemen data Manajemen model Model model eksternal Subsistem berbasis pengetahuan Antarmuka pengguna 51 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? 2. Pertanyaan 6. Jawaban Manajemen n Antarmuka 3. Pemilihan model 4. Informasi yang dibutuhkan 5. Model terpilih Manajem men Model Manajem men Data 7. Solusi Telah dapat ditentukan jumlah karyawan yang harus diterima beserta nama-nama karyawan yang layak diterima. What If Models Optimization Models Organizational Information External Information Goal-seeking Models Personal Information Statistical Models 52 26
Data: eksternal dan internal Sistem berbasis komputer lainnya Manajemen data Manajemen model Internet, intranet, ekstranet 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
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 Query facility Ekstraksi DSS database Data pribadi, private Data warehouse perusahaan Data dictionary Database management system: Retrieval, Inquiry, Update, Report generation, Delete Manajemen antarmuka Manajemen model Subsistem berbasis pengetahuan 56 28
Subsistem Manajemen Model (MMS) Subsistem manajemen model, merupakan 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. Data dictionary Manajemen data Manajemen antarmuka Subsistem berbasis pengetahuan 58 29
Subsistem User Interface Subsistem 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
Subsistem Manajemen berbasis Pengetahuan Subsistem manajemen berbasis pengetahuan, yang digunakan untuk mendukung subsistemsubsistem yang lainnya. Beberapa metode dalam kecerdasan buatan dapat digunakan untuk keperluan tersebut. 61 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 pengetahuan. 62 31