BAB 11
Sistem Pendukung Pengambilan
Keputusan
1. Pendahuluan
Manajer membuat banyak keputusan untuk
mengatasi masalah. Penyelesaian masalah dicapai melalui empat tahapan dasar dan
mempergunakan kerangka berpikir seperti model sistem perusahaan yang umum dan
model lingkungan. Dengan mengikuti pendeketan sistem untuk menyelesaikan
masalah, manajer melihat sistem secara keseluruhan.
Proses pemecahan masalah terdiri atas
empat elemen dasar, yaitu :
1) standar,
2) informasi,
3) batasan, dan
4) solusi
alternatif.
Jika proses ini
diikuti, pemilihan alternatif yang terbaik tidak selalu dicapai melalui
analisis logis saja dan penting untuk membedakan antara permasalahan dan
gejala.
Masalah
memiliki struktur yang beragam dan keputusan untuk menyelesaikannya dapat
terprogram maupun tidak terprogram. Konsep sistem pendukung pengambilan
keputusan (decision support system-DSS) awalnya ditujukan pada masalah-masalah
yang setengah terstruktur. Output DSS yang pertama terdiri atas laporan dan
output dari model matematika. Kemudian, kapabilitas pemecahan masalah kelompok
ditambahkan, diikuti dengan kecerdasan buatan (artifical intellgence) dan
pemrosesan analitis oniline (on-line analytical processing-OLAP).
Model
matematika dapat diklasifikasikan dalam berbagai cara, dan penggunaannya
disebut simulasi. Lembar kerja
elektronik (spreadsheet) merupakan alat yang baik untuk membuat model
matematika. Lembar kerja ini dapat digunakan baik untuk model statik dan
dinamik dan membuat manajer dapat memainkan permainan “bagaimana jika”
(what-if-game).
Kecerdasan
buatan dapat menjadi salah satu komponen DSS. Dengan menambahkan basis
pengetahuan dan mesin inferensi, DSS dapat memberikan saran solusi masalah
kepada manajer.
Jika groupware ditambahkan ke DSS, maka
DSS tersebut akan menjadi sistem pendukung pengambilan keputusan kelompok
(group decision support system-GDSS). GDSS dapat diletakkan di beberapa tempat
yang berbeda agar kondusif terhadap pemecahan masalah kelompok.
1.1 Pemecahan
Masalah dan Pembuatan Keputusan
SIM adalah
sistem yang memberikan informasi untuk digunakan dalam pembuatan keputusan guna
menyelesaikan masalah bagi para penggunanya.Pemecahan masalah (problem solving)
terdiri atas respons terhadap hal yang berjalan dengan baik, serta terhadap hal
yang berjalan dengan buruk dengan cara mendefinisikan masalah (problem) sebagai
kondisi atau peristiwa yang berbahaya atau dapat membahayakan perusahaan, atau
yang bermanfaat atau dapat memberi manfaat. Dalam proses penyelesaian masalah
manajer terlihat dalam pembuatan keputusan (decision making), yaitu tindakan
memilih di antara berbagai alternatif solusi pemecahan masalah. Keputusan
(decision) didefinisikan sebagai tindakan pilihan dan sering kali perlu untuk
mengambil banyak keputusan dalam proses pemecahan satu masalah saja.
1.2 Fase Pemecahan
masalah
Menurut Simon, orang yang memecahkan
masalah terlibat dalam :
·
Aktivitas Intelijen. Mencari di sekitar
lingkungan kondisi yang harus dipecahkan.
·
Aktivitas perancangan. Menemukan,
mengembangkan, dan menganalisis tindakan-tindakan yang mungkin dilakukan.
·
Aktivitas pemilihan. Memilih tindakan
tertentu dari beberapa yang tersedia.
·
Aktivitas Pengkajian. Memeriksa
pilihan-pilihan yang lalu.
2.
Pendekatan dan
Pentingnya Cara Pandang Sistem
Pendekatan sistem yaitu sederetan
langkah yang dikelompokkan ke dalam tiga tahap upaya persiapan, upaya
pendefinisian, dan upaya pemecahan.
Dalam menggunakan model sistem umum dan
model lingkungan sebagai dasar pemecahan masalah, cara pandang sistem (systems
view) yang memandang operasional usaha sebagai sistem yang menjadi bagian dari
lingkungan yang lebih luas. Ini merupakan cara pemikiran yang abstrak, namun
memiliki nilai yang potensial untuk manajer. Cara pandang secara sistem akan :
§ Mencegah
manajer agar tidak bingung karena kompleksitas struktur organisasi dan detail
pekerjaan.
§ Menekankan
pentingnya memiliki tujuan yang baik.
§ Menekankan
pentingnya semua bagian organisasi untuk bekerja sama.
§ Mengangkat
hubungan antara organisasi dengan lingkungannya.
§ Menempatkan
nilai tinggi pada informasi yang didapat dari input yang hanya dapat dicapai
melalui sistem perputaran tertutup.
3.
Membangun
Konsep dan Elemen Proses Pemecahan Masalah
Kebanyakan masalah yang dipecahkan
manajer dapat dianggap sebagai permasalahan sistem. Sebagai contoh, perusahaan
sebagai suatu sistem tidak berfungsi sebagaimana mestinya. Atau, terdapat
masalah dengan sistem persediaan, sistem komisi penjualan, dan seterusnya.
Solusi masalah sistem adalah solusi yang membuat sistem tersebut memenuhi
tujuannya dengan paling baik, seperti yang dicerminkan dalam standar kinerja
sistem. Standar ini menggambarkan situasi yang diinginkan (desired state) apa
yang harus dicapai sistem tersebut. Sebagai tambahan, manajer tersebut harus
memiliki informasi yang menggambarkan keadaan saat ini (current state) apa yang
dicapai sistem tersebut sekarang ini. Jika dua keadaan ini berbeda, maka ada
masalah yang menjadi penyebabnya dan harus dipecahkan.
Perbedaan antara keadaan saat ini
dengan keadaan yang diinginkan disebut dengan kriteria solusi (solution
criterion), atau apa yang harus terjadi agar situasi saat ini berubah menjadi
situasi yang diinginkan. Tentu saja, jika situasi saat ini menunjukkan tingkat
kinerja yang lebih tinggi dibandingkan dengan keadaan yang diinginkan, maka
tugas yang harus dilakukan bukanlah menyamakan keadaan saat ini. Melainkan,
tugas yang harus dilakukan adalah menjaga agar situasi saat ini tetap berada
pada tingkatan yang lebih tinggi. Jika kinerja tingkat tinggi dapat
dipertahankan, maka situasi yang diinginkan harus ditingkatkan.
Tanggung jawab manajer adalah
mengidentifikasi solusi alternatif, yang selalu ada. Ini merupakan satu langkah
dari proses penyelesaian masalah di mana komputer tidak terlalu banyak
membantu. Manajer biasanya mengandalkan pengalaman sendiri atau mencari bantuan
dari pemroses informasi nonkomputer, seperti input dari pihak lain baik di
dalam maupun di luar perusahaan.
Setelah berbagai alternatif
diidentifikasi, sistem informasi dapat digunakan untuk mengevaluasinya.
Evaluasi ini harus mempertimbangkan batasan (constraint) yang ada, yang dapat
berasal baik dari internal maupun lingkungan. Batasan internal (internal
constraint) biasanya berbentuk sumber daya yang terbatas yang ada di dalam
perusahaan. Sebagai contoh, unit TI tidak dapat merancang sistem CRM karena
kurangnya keahlian dalam OLAP. Batasan lingkungan (environmental constraint)
berbentuk tekanan dari berbagai elemen lingkungan yang membatasi aliran sumber
daya dari dan keluar perusahaan. Salah satu contoh adalah peningkatan suku
bunga oleh Federal Reserve Board yang meningkatkan biaya ekspansi pabrik.
a.
Memilih Solusi
yang Terbaik
Pemilihan solusi yang terbaik dapat
dicapai dengan berbagai cara. Herry Mintzberg, seorang ahli teori manajemen,
telah mengidentifikasi tiga pendekatan :
· Analisis
Evaluasi atas
pilihan-pilihan secara sistematis, dengan mempertimbangkan konsekuensi
pilihan-pilihan tersebut pada tujuan organisasi. Salah satu contohnya
adalah pertimbangan yang dilakukan oleh para anggota komite pengawas SIM untuk
memutuskan pendekatan mana yang harus diambil dalam mengimplementasikan sistem
informasi eksekutif.
·
Penilaian
Proses pemikiran yang dilakukan oleh
seorang manajer. Sebagai contoh, manajer produksi menerapkan pengalaman dan
intuisi dalam mengevaluasi gambar pabrik baru yang diusulkan dari model
matematika.
· Penawaran
Negosiasi antara beberapa manajer.
Salah satu contoh adalah proses memberi dan menerima yang berlangsung antara
para anggota komite eksekutif mengenai pasar yang mana yang harus dimasuki
selanjutnya. Di sinilah tempat di mana pengaruh politik dalam perusahaan dapat
dilihat dengan jelas.
b. Permasalahan
versus Gejala
Penting bagi kita untuk memahami
perbedaan antara masalah dan gejala dari suatu masalah. Jika tidak demikian,
kita dapat menghabiskan banyak waktu dan uang untuk menyelesaikan permasalahan
yang salah atau sesuatu yang sesungguhnya bukanlah suatu masalah. Gejala (symptom)
adalah kondisi yang dihasilkan masalah. Sering kali seorang manajer melihat
gejala dan bukan masalah.
c.
Struktur
Permasalahan
Model matematika yang disebut formula
EOQ (economic order quantity) dapat memberitahu bagaimana masalah tersebut harus
diselesaikan. Masalah seperti ini disebut masalah terstruktur (structured
problem) karena terdiri atas unsur dan hubungan antara berbagai elemen yang
semuanya dipahami oleh orang yang memecahkan masalah.Masalah yang
tidak terstruktur (unstructured problem) adalah masalah yang tidak memiliki
elemen atau hubungan antarelemen yang dipahami oleh orang yang memecahkan
masalah. Salah satu contoh dari masalah yang tidak terstruktur adalah
memutuskan film yang mana yang paling kita sukai. Manajer bisnis sering kali
tidak memiliki perangkat yang cukup untuk mendefinisikan masalah seperti ini
dengan cara yang terstruktur.
Sebenarnya,
hanya sedikit permasalahan dalam suatu organisasi yang benar-benar terstruktur
atau benar-benar tidak terstruktur. Kebanyakan masalah adalah permasalahan di
mana manajer memiliki pemahaman yang kurang sempurna akan berbagai elemen dan
hubungan di antaranya. Masalah semiterstruktur (semistructured problem) adalah
masalah yang terdiri atas beberapa elemen atau hubungan yang dipahami oleh si
pemecah masalah dan beberapa yang tidak dapat dipahami. Salah satu contoh
adalah pemilihan lokasi untuk membangun sebuah pabrik baru.
Beberapa
elemen, seperti harga tanah, pajak, dan biaya-biaya untuk mengirimkan bahan
baku, dapat diukur dengan tingkat ketepatan yang tinggi. Tetapi elemen-elemen
lain, seperti bahaya dari lingkungan dan perilaku masyarakat sekitar, sulit
untuk diidentifikasi dan diukur.Setelah prosedur ditentukan, komputer dapat
memecahkan masalah yang terstruktur tanpa keterlibatan manajer. Namun, manajer
sering kali harus melakukan semua pekerjaan untuk memecahkan masalah yang tidak
terstruktur. Dalam wilayah masalah semiterstruktur yang luas, manajer dan
komputer dapat bekerja sama dalam menemukan solusi.
d. Jenis Keputusan
Selain
memberikan tahap-tahap pemecahan masalah, Herbert A.Simon juga menemukan metode
untuk mengklasifikasikan keputusan, yaitu :
Keputusan
terprogram (programmed decision) bersifat “repetitif dan rutin, dalam hal
prosedur tertentu digunakan untuk menanganinya sehingga keputusan tersebut
tidak perlu dianggap de novo (baru) setiap kali terjadi.”
· Keputusan yang
tidak terprogram (nonprogrammed decision) bersifat “baru, tidak terstruktur,
dan penuh konsekuensi. Tidak terdapat metode yang pasti untuk menangani masalah
seperti ini karena masalah tersebut belum pernah muncul sebelumnya, atau karena
sifat dan strukturnya sulit dijelaskan dan kompleks, atau karena masalah
tersebut demikian penting sehingga memerlukan penanganan khusus.”
4. Sistem
Pendukung Pengambilan Keputusan
Istilah sistem keputusan terstruktur
(structured decision system-SDS) digunakan untuk mendeskripsikan sistem-sistem
yang mampu menyelesaikan masalah yang teridentifikasi. Masalah-masalah di bawah
garis menyulitkan pemrosesan komputer, dan Gorry dan Scott-Morton menggunakan
istilah sistem pendukung pengambilan keputusan (decision support system-DSS)
untuk menggambarkan sistem yang dapat memberikan dukungan yang dibutuhkan.
Sejak 1971, DSS
telah menjadi jenis sistem informasi yang paling sukses dan kini menjadi
aplikasi komputer untuk pemecahan masalah yang paling produktif.
5. Model DSS
Ketika DSS untuk pertama kalinya
dirancang, model ini menghasilkan laporan khusus dan berkala serta output dari
model matematika. Laporan khusus ini berisikan respons terhadap permintaan ke
basis data. Setelah DSS diterapkan dengan baik, kemampuan yang memungkinkan
para pemecah masalah untuk bekerja sama dalam kelompok ditambahkan ke dalam
model tersebut. Penambahan peranti lunak groupware memungkinkan sistem tersebut
untuk berfungsi sebagai sistem pendukung pengambilan keputusan kelompok (group
decision support system-GDSS). Yang terbaru, kemampuan kecerdasan buatan juga
telah ditambahkan beserta kemampuan untuk terlibat dalam OLAP.
a.
Pemodelan
Matematika
Model adalah
abstraksi dari sesuatu. Model mewakili suatu objek atau aktivitas, yang disebut
entitas (entity). Manajer menggunakan model untuk mewakili permasalahan yang
harus diselesaikan. Objek atau aktivitas yang menyebabkan masalah disebut
dengan entitas.
b. Jenis Model
Terdapat empat jenis dasar model, yaitu
:
a. Model Fisik
(Physical model)
Merupakan
gambaran tiga dimensi entitasnya. Model fisik yang digunakan di dunia bisnis
mencakup model skala untuk pusat perbelanjaan dan prototipe mobil baru.
Model fisik dibuat untuk mencapai
tujuan yang tidak dapat dipenuhi oleh benda sesungguhnya. Sebagai contoh, model
fisik memungkinkan desainer untuk mengevaluasi desain objek, seperti pesawat
terbang, dan membuat perubahan-perubahan sebelum konstruksi sesungguhnya. Ini
akan menghemat waktu dan uang.
b) Model
Naratif
Salah satu jenis
model yang digunakan oleh manajer setiap hari adalah model naratif (narrative
model) yang menggambarkan entitas dengan kata-kata yang terucap atau tertulis.
Pendengar atau pembaca dapat memahami entitas tersebut dari naratifnya. Semua
komunikasi bisnis adalah model naratif, sehingga membuat model naratif jenis
model yang paling populer.
c) Model
Grafis
Jenis model
lain yang terus digunakan adalah model grafis. Model grafis (graphic model)
menggambarkan entitasnya dengan abstraksi garis, simbol, atau bentuk. Jumlah
pemesanan ekonomis (economic order quantity-EOQ) adalah jumlah optimum
penambahan stok yang harus dipesan dari pemasok. EOQ menyeimbangkan biaya
pembelian stok dan biaya untuk menyimpannya hingga stok tersebut digunakan atau
dijual.
Model grafis
juga digunakan dalam desain sistem informasi. Kebanyakan perangkat yang
digunakan oleh pengembang sistem bersifat grafis. Diagram relasi entitas,
diagram kelas, dan diagram aliran data merupakan beberapa contoh
6. Model Matematis
Setiap rumus atau persamaan matematika
adalah model matematis (mathematical model). Kebanyakan model matematika yang
digunakan manajer bisnis sama kompleksnya dengan yang digunakan untuk
menghitung EOQ.Biaya penyimpanan mencakup semua biaya yang terjadi dalam
penyimpanan barang, seperti asuransi, kerusakan, dan kehilangan karena
pencurian.Beberapa model matematika menggunakan ratusan atau bahkan ribuan
persamaan. Sebagai contoh, model perencanaan keuangan yang dirancang Sun Oil
Company pada tahun-tahun pertama penggunaan SIM-nya menggunakan sekitar 2.000
persamaan. Model besar seperti ini cenderung lamban dan sulit untuk digunakan.
Tren yang berlangsung saat ini adalah penggunaan model yang lebih kecil.
a. Penggunaan
Model
Keempat jenis model memberikan
pemahaman dan memfasilitasi komunikasi. Selain itu, model matematis memiliki
kemampuan prediktif.
a) Memberikan
pengertian.
Model biasanya
lebih sederhana dibandingkan entitasnya. Entitas adalah objek atau proses.
Entitas dapat lebih mudah dimengerti jika berbagai elemen dan hubungan yang
terdapat di dalamnya ditampilkan secara lebih sederhana. Setelah model yang
sederhana dapat dipahami, model tersebut secara bertahap dapat dibuat lebih
kompleks sehingga dapat mewakili entitasnya secara lebih kompleks. Tetapi,
model tersebut hanya dapat mewakili entitasnya. Model tersebut tidak dapat
benar-benar berlaku seperti entitas sesungguhnya.
b) Memfasilitasi
Komunikasi
Keempat jenis
model dapat mengomunikasikan informasi secara akurat dan cepat kepada
orang-orang yang memahami makna bentuk, kata-kata, grafis, dan matematis.
c) Memprediksi
masa depan
Ketepatan yang
ditunjukkan model matematis untuk mewakili merupakan kemampuan yang tidak
terdapat pada model lain. Model matematis dapat memprediksi apa yang akan
terjadi di masa depan, namun tidak 100 persen akurat. Tidak ada model yang
sebaik itu. Karena asumsi biasanya harus dibuat berdasarkan banyaknya data yang
dimasukkan ke dalam model tersebut, manajer harus menggunakan penilaian dan intuisi
dalam mengevaluasi outputnya.
b. Kelas Model
Matematis
Model matematis
dapat diklasifikasikan ke dalam tiga dimensi : pengaruh waktu, tingkat
keyakinan, dan kemampuan untuk mencapai optimisasi.
a) Model Statis
atau Dinamis
Model Statis
(static model) tidak melibatkan waktu sebagai salah satu variabel. Model ini
berkenaan dengan situasi pada waktu tertentu. Dengan kata lain, bersifat
seperti cuplikan keadaan. Model yang melibatkan waktu sebagai salah satu
variabel disebut model dinamis (dynamic model). Model ini menggambarkan
perilaku entitas seiring dengan waktu, seperti gambar bergerak atau film.
b) Model
Probabilitas atau Deterministik
Cara lain untuk
mengklasifikasikan beragam model didasarkan pada apakah suatu formula
melibatkan probabilitas atau tidak. Probabilitas (Probability) adalah
kesempatan bahwa sesuatu akan terjadi. Probabilitas berkisar dari 0,00 (Untuk
sesuatu yang tidak memiliki kesempatan terjadi) hingga 1,00 (untuk sesuatu yang
pasti terjadi). Model yang melibatkan probabilitas disebut model probabilitas
(probability model). Jika tidak, maka model tersebut adalah model deterministik
(deterministic model).
c) Model
Optimisasi atau Suboptimisasi
Model optimisasi (optimizing model)
adalah model yang memilih solusi terbaik dari berbagai alternatif yang
ditampilkan. Agar suatu model dapat melakukan hal ini, masalah tersebut harus
terstruktur dengan amat baik.
Model Suboptimisasi (suboptimizing
model) yang sering kali disebut model pemuas (satisficing model) memungkinkan
seorang manajer untuk memasukkan seperangkat keputusan. Setelah langkah ini
diselesaikan, model tersebut akan memproyeksikan hasil.
7. Simulasi
Tindakan
menggunakan model disebut dengan simulasi (simulation). Simulasi terjadi dalam
skenario tertentu dan memprediksi dampak keputusan orang yang memecahkan
masalah tersebut.Skenario istilah skenario (scenario) digunakan untuk
menggambarkan kondisi yang memengaruhi simulasi. Elemen data yang menentukan
skenario ini disebut elemen data skenario (scenario data element). Model ini
dapat didesain sedemikian rupa sehingga elemen data skenario berbentuk
variabel, sehingga memungkinkan penetuan nilai-nilai yang berbeda.
7.1 Variabel Keputusan dan Teknik
Simulasi
Nilai input
yang dimasukkan manajer untuk mengukur dampak pada entitas disebut variabel
keputusan (decision variable). Manajer biasanya melakukan model optimisasi
hanya sekali. Model ini menghasilkan solusi yang terbaik menggunakan skenario
tertentu dan variabel-variabel keputusan. Namun, penting juga untuk menjalankan
model suboptimisasi berulang kali, guna mencari kombinasi variabel keputusan
yang menghasilkan hasil yang memuaskan. Proses perulangan untuk mencoba beragam
alternatif keputusan ini disebut permainan bagaimana jika (what-if game).
Setiap kali
model tersebut dijalankan, hanya satu dari beragam variabel keputusan yang
harus diubah agar pengaruhnya dapat terlihat. Dengan cara ini, pemecah masalah
secara sistematis dapat menemukan kombinasi keputusan yang akan menghasilkan
solusi masalah.
7.2 Contoh Pemodelan
Eksekutif
perusahaan dapat menggunakan model matematis untuk membuat beberapa keputusan
kunci. Para eksekutif ini dapat menyimulasikan dampak dari :
·
Harga Produk.
·
Jumlah
investasi pabrik yang dibutuhkan untuk menyediakan kapasitas untuk memproduksi
produk.
·
Jumlah yang
akan diinvestasikan dalam aktivitas pemasaran, seperti iklan dan penjualan
langsung.
·
Jumlah yang
akan diinvestasikan dalam penelitian dan pengembangan.
Selain itu, para eksekutif tersebut
ingin menyimulasikan empat kuartal aktivitas dan menghasilkan dua laporan :
ü Laporan
operasional yang mencakup nilai-nilai nonmoneter seperti potensi pasar
(permintaan) dan kapasitas pabrik serta,
ü Laporan
pendapatan yang mencerminkan hasil secara monoter.
7.3 Kelebihan dan kelemahan
pemodelan
Manajer yang menggunakan model
matematika bisa mendapatkan manfaat melalui hal-hal berikut :
Ø Proses
pemodelan dapat menjadi pengalaman belajar. Manajer akan selalu mempelajari
sesuatu yang baru mengenai sistem sesungguhnya melalui setiap proyek pemodelan.
Ø Kecepatan
proses simulasi memungkinkan sejumlah besar alternatif dapat dipertimbangkan
dengan cara memberikan kemampuan untuk mengevaluasi dampak keputusan dalam
waktu yang singkat. Hanya dalam beberapa menit, kita dapat menyimulasikan
beberapa bulan, kuartal, atau tahunan operasional perusahaan.
Ø Seperti yang
telah dibahas sebelumnya, model memberikan kemampuan prediksi pandangan ke masa
depan yang tidak dapat diberikan oleh metode penyedia informasi lain.
Ø Model tidak semahal upaya uji coba.
Proses pemodelan memang mahal jika dilihat dari masa perancangan dan biaya
peranti keras dan peranti lunak yang dibutuhkan untuk melakukan simulasi, namun
biaya ini tidak setinggi biaya yang terjadi jika keputusan yang buruk
diimplementasikan di dunia nyata.
7.4 Kelebihan pemodelan ini dapat
berkurang karena dua kelemahan dasar :
Kesulitan untuk
membuat model sistem bisnis akan menghasilkan model yang tidak mencakup semua
pengaruh terhadap entitas. Sebagai contoh, dalam model yang baru saja
digambarkan, seseorang di perusahaan harus mengestimasikan nilai untuk elemen
data skenario. Selain itu, rumus matematis biasanya hanya merupakan prakiraan
atas perilaku entitas tersebut. Ini berarti bahwa penilaian subjektif yang
cukup besar harus diterapkan dalam mengimplementasikan keputusan yang dibuat
berdasarkan hasil simulasi.Kemampuan matematis tingkat tinggi dibutuhkan untuk
merancang model yang lebih kompleks. Selain itu, kemampuan semacam ini juga
diperlukan untuk menginterpretasikan output dengan baik.
7.5 Pemodelan Matematika
Menggunakan Lembar Kerja Elektronik
Terobosan
teknologi yang memungkinkan para pemecah persoalan untuk menyusun model
matematika dan tidak sekedar hanya mengandalkan spesialis informasi atau
ilmuwan manajemen adalah lembar kerja elektronik. Sebelum adanya lembar kerja
(spreadsheet), model matematika diprogram dalam bahasa teknis seperti Fortran
atau API, yang berada di luar kompetensi para pemecah masalah yang tidak
memiliki latar belakang komputer. Ketika spreadsheet hadir, tampak jelas bahwa
teknologi ini akan menjadi alat yang baik untuk membuat model matematika.
Ø Kapabilitas
Pemodelan Statis
Baris dan kolom
dari lembar kerja elektronik membuatnya ideal untuk digunakan dalam model
statis.
Ø Kapabilitas
Pemodelan Dinamis
Lembar kerja
sangat sesuai untuk digunakan sebagai model dinamis. Kolom-kolom yang tersedia
amat sesuai untuk periode waktu.
7.6 Memainkan Permainan
“Bagaimana Jika”
Lembar kerja
ini juga berguna untuk memainkan permainan “bagaimana jika”, di mana pemecah
masalah memanipulasi satu atau lebih variabel untuk melihat dampak dari hasil
simulasi.
7.7 Antarmuka Model Lembar Kerja
Ketika
menggunakan lembar kerja sebagai model matematika, pengguna dapat memasukkan
data atau membuat perubahan secara langsung pada sel-sel lembar kerja atau
dapat menggunakan antarmuka pengguna grafis.
7.8 Kecerdasan Buatan
DSS menekankan
penggunaan pemodelan matematika dan pengajuan permintaan ke basis data. Tidak
lama kemudian, para perancang DSS mulai menyadari kebutuhan untuk
menggabungkannya dengan kecerdasan buatan. Kecerdasan buatan (artificial
intelligence-AI) adalah aktivitas penyediaan mesin seperti komputer dengan
kemampuan untuk menampilkan perilaku yang akan dianggap sama cerdasnya dengan
jika kemampuan tersebut ditampilkan oleh manusia. AI merupakan aplikasi
komputer yang paling canggih karena aplikasi ini berusaha mencontoh cara
pemikiran manusia.
7.9 Sejarah AI
Bibit AI
pertama kali disebar hanya 2 tahun setelah General Electri menerapkan komputer
yang pertama kali digunakan untuk penggunaan bisnis. Tahun 1956, dan istilah
kecerdasan buatan pertama kali dibuat oleh John McCarthy sebagai tema suatu
konferensi yang dilaksanakan di Dartmouth College. Pada tahun yang sama,
program komputer AI pertama yang disebut Logic Theorist, diumumkan. Kemampuan
Logic Theorist yang terbatas untuk berpikir (membuktikan teorema-teorema
kalkulus) mendorong para ilmuwan untuk merancang program lain yang disebut
General Problem Solver (GPS), yang ditujukan untuk digunakan dalam memecahkan
segala macam masalah. Proyek ini ternyata membuat para ilmuwan yang pertama
kali menyusun program ini kewalahan, dan riset AI dikalahkan oleh
aplikasi-aplikasi komputer yang tidak terlalu ambisius seperti SIM dan DSS.
Namun seiring waktu, riset yang terus-menerus akhirnya membuahkan hasil, dan AI
telah menjadi wilayah aplikasi komputer yang solid.
7.10
Wilayah AI
AI diterapkan
di dunia bisnis dalam bentuk sistem pakar, jaringan saraf tiruan, algoritme genetik, dan agen cerdas.
1. Sistem Pakar
Sistem pakar adalah program komputer
yang berusaha untuk mewakili pengetahuan keahlian manusia dalam bentuk
heuristik. Istilah heuristik berasal dari kata Yunani eureka, yang berarti
“menemukan.” Heuristik (heuristic) adalah aturan yang menjadi patokan atau
aturan untuk menebak dengan baik.Heuristik tidak menjamin hasil sebaik
algoritme yang biasa didapatkan dalam model matematika, namun heuristik
biasanya menawarkan hasil yang cukup spesifik sehingga dapat berguna. Heuristik
memungkinkan sistem pakar untuk berfungsi sedemikian rupa agar konsistem dengan
keahlian manusia, dan menyarankan penggunanya cara memecahkan masalah. Karena
sistem pakar berfungsi sebagai konsultan, tindakan menggunakan aplikasi ini
disebut konsultasi (consultation) karena pengguna berkonsultasi kepada sistem
pakar untuk mendapatkan saran.Sistem pakar dirancang oleh spesialis informasi
(yang sering kali disebut insinyur pengetahuan (knowledge engineer)) yang
memiliki keahlian khusus dalam bidang kecerdasan buatan. Insinyur pengetahuan
amat ahli dalam mendapatkan ilmu dari seorang ahli.
2. Jaringan saraf
tiruan
Jaringan saraf tiruan (neural networks)
meniru fisiologi otak manusia. Jaringan ini mampu menemukan dan membedakan
pola, sehingga membuatnya amat berguna dalam bisnis di wilayah pengenalan suara
dan pengenalan karakter optis.
3. Algoritme
Genetik
Algoritme genetik (genetic algorithms)
menerapkan proses “yang terkuat yang selamat” untuk memungkinkan para pemecah
masalah agar menghasilkan solusi masalah yang semakin lebih baik. Sebagai
contoh, bankir investasi dapat menggunakannya untuk memilih portofolio
investasi yang terbaik bagi kliennya.
4. Agen
Cerdas
Agen Cerdas (intelligent agent)
digunakan untuk melakukan tugas yang berkaitan dengan komputer yang
berulang-ulang. Salah satu contoh adalah penggalian data, di mana penemuan
pengetahuan memungkinkan sistem gudang data untuk mengidentifikasi hubungan
data yang sebelumnya tidak dikenal.
1.1 Daya Tarik Sistem Pakar
Sistem pakar menawarkan kemampuan yang
unik sebagai sistem pendukung keputusan, yaitu
1. Sistem pakar
memberikan kesempatan untuk membuat keputusan yang melebihi kemampuan seorang
manajer. Sebagai contoh, seorang karyawan investasi baru di bank dapat
menggunakan suatu sistem pakar yang didesain oleh seorang ahli keuangan dan,
dengan demikian, menggabungkan pengetahuan ahli tersebut ke dalam keputusan
investasinya.
2. Sistem pakar
tersebut dapat menjelaskan alasannya hingga menuju ke suatu keputusan. Sering
kali, penjelasan mengenai bagaimana solusi tersebut dicapai lebih berharga
dibandingkan solusi itu sendiri.
1.2 Konfigurasi Sistem Pakar
Sistem pakar terdiri atas empat bagian
utama : antarmuka pengguna, basis pengetahuan, mesin antarmuka, dan mesin
pengembangan.
v Antarmuka
Pengguna
Antarmuka
pengguna memungkinkan manajer untuk memasukkan instruksi dan informasi ke dalam
sistem pakar dan menerima informasi dari sistem tersebut. Instruksi ini
menentukan parameter yang mengarahkan sistem pakar dalam proses pemikirannya.
Input informasi berbentuk nilai yang dikaitkan dengan variabel tertentu.Sistem
pakar didesain untuk merekomendasikan solusi. Solusi ini kemudian dilengkapi
dengan penjelasan. Terdapat dua jenis penjelasan : Penjelasan dari pertanyaan
yang diberikan manajer dan penjelasan mengenai solusi masalah.
v Basis
Pengetahuan
Basis
pengetahuan (knowledge basis) berisikan fakta yang menggambarkan masalah serta
teknik penggambaran pengetahuan yang menjelaskan bagaimana fakta bersentuhan
secara logis. Istilah domain masalah (problem domain) digunakan untuk
menggambarkan area permasalahan.Salah satu teknik untuk menggambarkan
pengetahuan yang populer adalah penggunaan aturan. Aturan (rule) menentukan apa
yang harus dilakukan dalam suatu situasi dan terdiri atas dua bagian : kondisi
yang bisa jadi benar atau salah dan tindakan yang harus dilakukan jika kondisi
itu benar. Contoh aturan adalah :
If Indeks.Ekonomi > 1,20 dan
Indeks.Musiman > 1,30 Then Prakiraan.Penjualan = ‘SANGAT BAIK ‘
Semua aturan yang ada di dalam sistem
pakar disebut set aturan (rule set). Jumlah aturan dalam set aturan dapat
bervariasi dari sekitar selusin peraturan untuk suatu sistem pakar sederhana
hingga 10.000 peraturan untuk set yang rumit.
v Mesin Inferensi
Mesin Inferensi
(inference engine) adalah bagian dari sistem pakar yang melakukan pemikiran
dengan cara menggunakan isi basis pengetahuan dalam urutan tertentu. Selama
konsultasi, mesin inferensi memeriksa aturan-aturan basis pengetahuan satu demi
satu, dan jika persyaratan satu aturan benar, maka suatu tindakan akan
dilaksanakan. Dalam terminologi sistem pakar, aturan diberhentikan jika
tindakan diambil.Proses pemeriksaan peraturan satu demi satu berlanjut hingga
seluruh set aturan telah dilalui. Lebih dari satu kali pemeriksaan biasanya
dibutuhkan untuk memberikan suatu nilai ke solusi masalah, yang disebut
variabel tujuan (goal variable). Pemeriksaan terus berlanjut hingga
memungkinkan untuk memberhentikan beberapa aturan. Ketika tidak ada lagi aturan
yang dapat diberhentikan, proses pemikiran dapat berhenti.
v Mesin
Pengembangan
Komponen utama
yang keempat dari sistem pakar adalah mesin pengembangan, yang digunakan untuk
membuat sistem pakar. Ada dua pendekatan dasar yang tersedia : bahasa
pemrograman dan kerangka sistem pakar. Kerangka sistem pakar (expert
system shell) adalah prosesor siap pakai dan dapat disesuaikan untuk masalah
tertentu dengan cara menambahkan basis pengetahuan yang sesuai. Kini,
kebanyakan minat untuk menerapkan sistem pakar ke masalah bisnis melibatkan
penggunaan kerangka.
Salah satu
contoh domain masalah yang menggunakan kerangka sistem pakar adalah komputer
bantuan pelanggan. Ketika sistem pakar bantuan pelanggan digunakan, pengguna
atau anggota staf bantuan pelanggan berkomunikasi secara langsung dengan
sistem, dan sistem kemudian berusaha menyelesaikan masalah. Sistem pakar
bantuan pelanggan menggunakan beragam teknik penggambaran pengetahun. Salah
satu pendekatan yang populer disebut cara pikir berbasis kasus (case base
reasoning-CBR). Pendekatan ini menggunakan data historis sebagai dasar untuk
mengidentifikasi masalah dan merekomendasikan solusi.
Kerangka sistem
pakar telah membuat kecerdasan buatan terjangkau perusahaan-perusahaan yang
tidak memiliki sumber daya yang cukup untuk merancang sistem mereka sendiri
menggunakan bahasa pemrograman. Dalam area bisnis, kerangka sistem pakar
merupakan cara yang paling populer bagi banyak perusahaan untuk menerapkan
sistem berbasis pengetahuan.
8. Sistem
Pendukung Pengambilan Keputusan Kelompok
Berbagai
komite, tim proyek, dan satuan tugas yang ada di banyak perusahaan merupakan
contoh pendekatan kelompok terhadap pemecahan masalah. Menyadari fakta ini,
para pengembang sistem telah mengadaptasi DSS ke dalam pemecahan masalah secara
kelompok.
8.1 Konsep GDSS
Sistem
pendukung pengambilan keputusan kelompok (group decision support system-GDSS)
adalah “sistem berbasis komputer yang membantu sekelompok orang melakukan tugas
(atau mencapai tujuan) yang sama dan memberikan antarmuka untuk digunakan
bersama.” Istilah-istilah lain juga digunakan untuk menggambarkan aplikasi
teknologi informasi ke dalam situasi kelompok. Istilah ini antara lain sistem
pendukung kelompok (group support system-GSS), kerja sama berbantuan komputer
(computer-supported cooperative work-CSCW), dukungan kerja kolaboratif
terkomputerisasi (computerized collaborative work support), dan sistem
pertemuan elektronik (electronic meeting system-EMS). Peranti lunak yang
digunakan dalam situasi-situasi ini diberi nama groupware.
8.2 Bagaimana GDSS Membantu
Pemecahan Masalah
Asumsi yang
mendasari GDSS adalah komunikasi yang lebih baik memungkinkan dibuatnya
keputusan yang lebih baik. Komunikasi yang lebih baik dicapai dengan menjaga
agar diskusi kelompok tetap terfokus pada masalah yang dibicarakan, sehingga
waktu tidak terbuang sia-sia.
Ekstra waktu yang dimiliki dapat digunakan
untuk mendiskusikan masalah secara lebih mendetail, sehingga didapatkan
definisi masalah yang lebih baik. Atau, ekstra waktu yang dimiliki dapat
digunakan untuk mengidentifikasi alternatif-alternatif yang sebelumnya tampak
tidak mungkin. Evaluasi alternatif yang lebih banyak akan meningkatkan
kesempatan mendapatkan solusi yang lebih baik.
8.3 Letak Lingkungan GDSS
GDSS membantu
pemecahan masalah dengan cara menyediakan lokasi yang kondusif untuk
komunikasi. Pada tiap lokasi, para anggota kelompok dapat bertemu dalam waktu
yang bersamaan atau waktu yang berbeda. Jika para anggota bertemu pada saat
yang bersamaan, maka lokasi ini disebut pertukaran
sinkron (synchronous exchange). Salah satu contoh adalah pertemuan komite.
Jika para anggota bertemu pada waktu yang berbeda-beda, maka lokasi ini disebut
pertukaran asinkron (asynchronous
exchange). Salah satu contoh adalah saling berbalas komunikasi melalui
e-mail.
8.4 Ruang Keputusan
Ruang keputusan
(decision room) adalah tempat sekelompok kecil orang yang bertemu langsung.
Ruangan ini membantu komunikasi melalui kombinasi perabotan, peralatan, dan
tempat. Peralatan mencakup kombinasi komputer, mikrofon penangkap suara, kamera
video, dan layar lebar. Di tengah-tengah ruangan terletak konsol fasilitator.
Fasilitator (Facilitator) adalah seseorang yang tugas utamanya adalah menjaga
diskusi di jalurnya.
Berdasarkan
pengaturan yang ditentukan untuk masing-masing sesi, pesan yang dimasukkan oleh
salah seorang anggota kelompok kepada anggota lain dapat ditampilkan pada layar
lebar untuk dilihat seluruh anggota kelompok. Materi lain yang penting untuk
diskusi ini juga dapat ditampilkan dari media seperti gambar PowerPoint,
videotape, slide berwarna, dan transparansi.
Dua buah fitur
GDSS yang unik adalah komunikasi paralel dan anonimitas. Komunikasi paralel
(parallel communication) terjadi ketika semua peserta memasukkan komentar pada
saat yang bersamaan, dan anonimitas (anonimity) adalah ketika tidak ada yang
dapat mengetahui siapa yang memberikan komentar tertentu. Anonimitas
memungkinkan para peserta untuk mengatakan apa yang mereka pikirkan tanpa takut
diejek oleh anggota kelompok yang lain. Selain itu, fitur ini memungkinkan
masing-masing ide untuk dievaluasi berdasarkan kelebihannya dan bukan
berdasarkan siapa yang memberikannya.
8.5 Jaringan Keputusan Wilayah
Lokal
Jika tidak
memungkinkan untuk sekelompok kecil orang untuk bertemu langsung, maka para
anggota dapat berinteraksi melalui LAN. Seorang anggota dapat memasukkan
komentar ke dalam komputer dan melihat komentar yang diberikan anggota lain di
layar.
8.6 Sesi Legislatif
Jika kelompok
yang ada terlalu besar untuk suatu ruang keputusan, maka akan dibutuhkan sesi
legislatif. Ukuran yang besar akan membatasi komunikasi. Kesempatan partisipasi
secara rata oleh semua anggota kelompok menjadi berkurang atau waktu yang
tersedia akan berkurang. Salah satu solusi untuk masalah ini adalah fasilitator
memutuskan materi mana yang harus ditampilkan di layar untuk dilihat seluruh
kelompok.
8.7 Konferensi Yang Dimediasi
Komputer
Beberapa
aplikasi virtual memungkinkan komunikasi antara kelompok-kelompok besar yang
memiliki anggota yang tersebar di berbagai wilayah geografis. Aplikasi ini
secara kolektif dikenal sebagai aplikasi konferensi jarak jauh, yang mencakup
konferensi komputer, konferensi audio, dan konferensi video.
8.8 Meletakkan DSS pada Tempatnya
Telah dilihat
bagaimana cakupan dukungan keputusan yang diberikan oleh DSS telah meluas
dibandingkan ketika Gorry dan Scott-Morton pertama kali mengutarakan ide untuk
mengatasi masalah semiterstruktur. Perluasan cakupan ini merupakan saksi
keberhasilan DSS. Konsep ini telah bekerja dengan amat baik sehingga para
pengembang terus memikirkan fitur-fitur baru untuk ditambahkan.Ketika
kecerdasan buatan ditambahkan, fitur ini benar-benar mengubah karakter DSS.
Seseorang pernah menggambarkan perbedaan antara DSS dan sistem pakar dengan
cara menjelaskan bahwa ketika seorang manajer menggunakan DSS, maka ia duduk di
depan komputer dan berusaha menemukan bagaimana cara menggunakan tampilan
informasi untuk menyelesaikan masalah. Ketika manajer menggunakan sistem pakar,
manajer duduk di depan komputer, namun seorang konsultan duduk di sebelah
manajer dan memberi saran mengenai bagaimana memecahkan masalah. Kecerdasan
buatan memungkinkan DSS untuk memberikan tingkat dukungan keputusan yang semula
tidak dibayangkan oleh para visioner DSS.
DAFTAR PUSTAKA
McLeod Raymond.2009 .Sistem Informasi
Manajemen. Edisi Kesepuluh. Jakarta:
Salemba Empat .
Tidak ada komentar:
Posting Komentar