pemodelan spk
DESCRIPTION
Pemodelan SPK. Sri Kusumadewi . Materi Kuliah [5]: (Sistem Pendukung Keputusan). Tujuan. Mahasiswa dapat perlunya pemodelan sistem pendukung keputusan. Pemodelan. - PowerPoint PPT PresentationTRANSCRIPT
Pemodelan SPK
Sri Kusumadewi.Materi Kuliah [5]:
(Sistem Pendukung Keputusan)
Tujuan
Mahasiswa dapat perlunya pemodelan sistem pendukung keputusan.
Pemodelan
Pemodelan merupakan suatu upaya untuk melakukan analisis sistem pendukung keputusan (SPK) dengan cara meniru bentuk nyata-nya daripada melakukannya pada sistem nyata.
Alasan Penggunaan Model (1) Manipulasi model (seperti mengubah variabel)
akan lebih mudah dilakukan daripada melakukannya 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.
Alasan Penggunaan Model (2) 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.
Pemodelan
Pemodelan pada SPK mencakup tujuh permasalahan:• Identifikasi masalah dan analisis lingkungan.
• Identifikasi variabel
• Peramalan (forecasting).
• Penggunaan beberapa model keputusan.
• Seleksi kategori model yang sesuai.
• Manajemen model.
• Pemodelan berbasis pengetahuan
Identifikasi Masalah dan Analisis Lingkungan Pada tahap ini akan dilakukan pengawasan,
pelacakan, dan interpretasi terhadap informasi-informasi yang telah terkumpul.
Analisis dilakukan terhadap domain dan dinamika dari lingkungan yang ada.
Pada bagian ini perlu juga diidentifikasi budaya organisasi dan proses pengambilan keputusan.
Dapat digunakan business intelligence tools untuk keperluan tersebut.
Identifikasi Variabel
Pada tahap ini akan diidentifikasi variabel-variabel yang relevan.
Variabel tersebut meliputi variabel keputusan, variabel intermediate (tak terkontrol), dan variabel hasil.
Untuk kepentingan tersebut, dapat digunakan influence diagram untuk menunjukkan relasi antar variabel-variabel tersebut.
Peramalan (forecasting)
Apabila suatu SPK diimplemantasikan, maka akibatnya akan dirasakan di kemudian hari.
Oleh karena itu, peramalan mutlak diperlukan.
Penggunaan Beberapa Model
Suatu sistem pendukung keputusan dapat terdiri-atas beberapa model.
Masing-masing model merepresentasikan bagian yang berbeda dari masalah pengambilan keputusan.
Seleksi Kategori Model (1)
Ada tujuh kategori model SPK sebagaimana telah dijelaskan pada bagian terdahulu.
Setiap kategori memiliki beberapa teknik-teknik tertentu.
Pada dasarnya, teknik-teknik tersebut dapat diaplikasikan baik dalam model statis maupun model dinamis.
Kategori Model (2)
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 (1)
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.
Manajemen Model (2)
Kapabilitas MBMS meliputi: • kontrol,
• fleksibilitas,
• umpan balik,
• antarmuka,
• adanya pengurangan redundansi, dan
• adanya peningkatan konsistensi.
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.
Influence Diagram (1) Influence diagram adalah representasi
grafis dari suatu model keputusan yang digunakan untuk membantu perancangan model, pengembangan dan pemahaman.
Kata influence merujuk pada ketergantungan suatu variabel pada tingkatan tertentu terhadap variabel yang lainnya.
Influence Diagram (2) Ada 3 simbol utama yang digunakan untuk
membuat influence diagram, yaitu: Kotak, menunjukkan variabel keputusan Lingkaran, menunjukkan variabel intermediate
(tak terkontrol) Oval, menunjukkan variabel hasil (outcome) baik
bersifat intermediate maupun final
variabel keputusan
variabel intermediate
variabel hasil
Hubungan antar variabel (1) Hubungan dengan kepastian:
Jumlah buku
Koleksi kesayang
an
Hubungan antar variabel (2) Hubungan dengan ketidakpastian :
Harga Penjualan
Hubungan antar variabel (3) Pada variabel random (resiko) diberi tanda
() di atas nama variabel:
Penjualan
Permintaan
Hubungan antar variabel (4) Preferensi (biasanya merupakan hubungan
antara variabel hasil), dilambangkan dengan:
Bentuk panah dapat berupa panah satu arah atau panah dua arah tergantung pada arah pengaruh antar variabel.
Contoh Diketahui model profit sebagai berikut:
Profit = pemasukan – pengeluaran Pemasukan = unit terjual * harga jual per unit Unit terjual = 0,5 * jumlah yang dikeluarkan untuk
iklan Pengeluaran = biaya per unit * unit terjual –
biaya tetap.
Unit yang
terjual
Jumlah yang dikeluarkan untuk iklan
Harga setiap unit
Biaya tiap unit
Biaya tetap
Pemasukan
Pengelu-aran
Profit
Business Intelligence (BI) Business Intelligence (BI) merupakan suatu proses
untuk melakukan ekstraksi data-data operasional [perusahaan] dan mengumpulkannya dalam sebuah data warehouse.
Selanjutnya data warehouse diproses menggunakan berbagai analisis statistik [atau data mining], sehingga dapat diperoleh berbagai kecenderungan atau pola data.
Hasil penyederhanaan tersebut disajikan kepada end user yang biasanya merupakan pengambil keputusan, dapat diambil keputusan berdasarkan fakta-fakta aktual, dan tidak hanya mengandalkan intuisi dan pengalaman kuantitatif belaka.
Business Intelligence (BI) BI merupakan aplikasi dan teknologi untuk
mengumpulkan, menyimpan, menganalisis dan menyediakan akses ke data untuk membantu penggunanya dalam mengambil keputusan bisnis dengan lebih baik.
Aplikasi ini mencakup beberapa aktivitas sistem pendukung keputusan, seperti: query, reporting, OnLine Analytical Processing (OLAP), statistical analysis, forecasting, dan data mining.
Business Intelligence (BI)
BI akan berfungsi sebagai analis dan sekaligus memberikan rekomendasi pada pengguna terhadap tindakan yang sebaiknya diambil.
BI berfungsi sebagai dashboard, pengguna BI akan cepat mengenali penyimpangan-penyimpangan pada perusahaan sekaligus dengan penyebabnya sebelum hal tersebut berkembang menjadi masalah yang serius.
Business Intelligence (BI)
BI memberikan ukuran-ukuran yang dapat menentukan kinerja organisasi.
Analogi dengan dashboard mobil: BI memberikan informasi kondisi internal, seperti
halnya suhu pada kendaraan. BI memberikan sinyal-sinyal pada pengemudi bila
terjadi kesalahan pada kendaraan, sepertibila bensin akan habis pada kendaraan.
Semuanya berguna bagi pengemudi agarmampu mengendalikan kendaraannya dengan lebih baik dan mampu membuat keputusan yang tepat dengan lebih cepat.
Business Intelligence (BI)
Business Intelligence (BI)
Business Intelligence (BI)
Business Intelligence (BI)
Business Intelligence (BI) Keungulan-keunggulan BI:
Membutuhkan biaya yang relatif murah dalam pengadaannya.
Proses pembuatan laporan dapat dilakukan dengan cepat
Adanya Graphic User Interface (GUI) yang dapat dibentuk sesuai selera.
Mampu meminimalisasi masalah-masalah teknis, terutama terkait dengan human error.
Mudah dalam integrasi data Adanya konsolidasi informasi, karena data diolah
dalam satu platform. Adanya respon yang cepat, sehingga dapat
digunakan untuk mengantisipasi suatu kejadian.
Business Intelligence (BI) Manfaat BI untuk organisasi non-profit:
Meningkatkan kualitas data dan informasi pada suatu organisasi.
Memudahkan proses monitoring terhadap kinerja organisasi.
Meningkatkan nilai investasi teknologi informasi yang telah ada sebelumnya.
Menciptakan pegawai yang memiliki akses informasi yang baik (well-informed workers)
Meningkatkan efisiensi biaya
Business Intelligence (BI) Ada 3 pendekatan yang dapat digunakan
dalam membangun BI di suatu organisasi, yaitu: Top-down Approach Bottom-up Approach Practical Approach
Business Intelligence (BI) Top-down Approach
Pendekatan top-down sangat tepat bagi suatu organisasi yang akan membangun BI dimana pada waktu yang bersamaan organisasi tersebut juga sedang melakukan perubahan proses kerja (bussiness process re-engineering) secara menyeluruh di seluruh aspek organisasi.
Pada pendekatan ini, kerangka data warehouse secara menyeluruh (enterprise data warehouse) harus disusun terlebih, baru kemudian diikuti oleh data warehouse di setiap unit (data mart).
Business Intelligence (BI)
Kelebihan dari pendekatan top-down ini adalah : Pembangunan BI langsung mencakup data
seluruh organisasi Kerangka BI akan lebih terstruktur, bukan
gabungan dari berbagai data mart (data parsial) Penyimpanan data menjadi terpusat Kontrol informasi dapat dilakukan secara
tersentralisasi
Business Intelligence (BI)
Kelemahan dari pendekatan top-down ini adalah: Waktu implementasi lebih lama Risiko kegagalan relatif tinggi karena
kerumitannya. Membutuhkan biaya yang relatif besar
Business Intelligence (BI) Bottom-Up Approach
BI yang akan disusun berasal dari tingkat unit baru kemudian diintegrasikan menjadi data warehouse.
Pendekatan ini sangat cocok digunakan untuk suatu organisasi yang memprioritaskan pembangunan BI di tingkat unit dulu, baru setelah sukses akan dilanjutkan ke unit-unit yang lainnya.
Business Intelligence (BI)
Kelebihan dari pendekatan bottom-up ini adalah : Lebih mudah diimplementasikan Risiko kegagalan relatif lebih kecil Bersifat incremental, dimana data mart yang lebih
penting dapat dijadwalkan lebih awal Memungkinkan anggota tim proyek untuk belajar
dengan baik.
Business Intelligence (BI)
Kelemahan dari pendekatan bottom-up ini adalah: Tiap data mart merupakan departmental-view Dimungkinkan adanya duplikasi di setiap unit. Dimungkinkan data tidak konsisten dan sulit untuk
direkonsiliasikan. Adanya beberapa antarmuka yang sulit untuk
dikelola.
Business Intelligence (BI) Practical Approach
Merupakan kombinasi antara pendekatan top-down dan bottom-up.
Pengembangan BI akan dimulai dengan perencanaan dan pendefinisian arsitektur kebutuhan data warehouse organisasi secara keseluruhan (standardisasi).
Selanjutnya akan dilakukan serangkaian pembuatan BI pada tiap unit yang memang benar-benar membutuhkan.
Business Intelligence (BI) Beberapa faktor yang mengakibatkan
kegagalan implementasi BI: Adanya perencanaan yang kurang matang. Kualitas data yang kurang baik Perubahan organisasi tak terantisipasi dengan baik. Pengadaan sistem BI yang bersifat one-stop
shoping. Pengembangan BI hanya mengandalkan tenaga
outsourcing
Data Warehouse
Data Warehouse dapat diartikan sebagai gudang data.
Tujuan utama pembuatan data warehouse adalah untuk menyatukan data yang beragam ke dalam sebuah tempat penyimpanan dimana pengguna dapat dengan mudah: menjalankan query (pencarian data), menghasilkan laporan, dan melakukan analisis.
Data Warehouse
Salah satu keuntungan yang diperoleh dari keberadaan data warehouse adalah dapat meningkatkan efektifitas pembuatan keputusan.
Bill Inmon mendefinisikan data warehouse sebagai basisdata yang memiliki karakter: Subject Oriented, Integrated, Non-volatile, Time Variant.
Data Warehouse Subject Oriented
Suatu data warehouse harus berorientasi subyek atau disusun menurut jenis subyeknya.
Subject oriented (lawan dari transaction oriented) menuntut agar data-data transaksi ini disusun dengan melihat area subyeknya.
Misal: pada perbankan, sebagai subyeknya adalah nasabah. Sehingga akan lebih baik jika data disusun menurut nasabah.
Data Warehouse
Integrated Data warehouse umumnya dibentuk dengan cara
menggabungkan beberapa basisdata yang mungkin berbeda baik teknologi maupun kodifikasi suatu pada tabel referensinya.
Untuk menghasilkan subject oriented yang konsisten, data-data dari berbagai sumber harus diintegrasikan.
Oleh karena itu, teknologi dan kode-kode referensi yang mungkin berbeda tersebut harus disatukan.
Data Warehouse
Non-Volatile Data warehouse pada umumnya merupakan
data yang sudah final (bukan data yang masih bergerak atau masih mungkin diubah).
Data-data operational biasanya mencakup data-data yang bergerak, seperti Order yang belum diverifikasi. Data-data ini masih memiliki status yang belum final (volatile).
Data warehouse merupakan data yang hanya bisa dibaca dan tidak bisa dimodifikasi (Read Only).
Data Warehouse
Time Variant Time-variant berarti memiliki dimensi waktu
sebagai variabel. Sebagai contoh: Produk terjual 5000
kemasan. Harus diketahui: dalam hari? Bulan? Tahun?
Aspek time variant memberikan kemampuan untuk menyajikan informasi dalam bentuk trend.
Data Warehouse Bagian-bagian data warehouse:
Data mart, merupakan bagian dari data warehouse yang berguna dalam mendukung kebutuhan dari suatu fungsi bisnis atau unit tertentu. Data mart dapat berdiri sendiri atau terhubung ke data
warehouse yang telah ada. Ada beberapa karakteristik dari data mart yang
membedakannya dengan data warehouse, yaitu : Data mart hanya berfokus pada satu kebutuhan pengguna
dengan satu unit atau fungsi bisnis Data mart tidak secara normal berisi data operasional secara
terperinci Data mart berisi lebih sedikit data jika dibanding dengan data
warehouse, sehingga lebih mudah dimengerti dan dipahami.
Data Warehouse Kubus data (cube), adalah unit pemrosesan data yang
terdiri dari tabel fakta dan dimensi dalam suatu data warehouse.
Aggregation, adalah hitungan awal dari data numerik. Hasil proses ini akan disimpan sebagai jawaban dari query
yang sebelumnya telah dibuat, sehingga waktu proses query dapat berjalan dengan lebih cepat.
Proses agregasi ini menyebabkan data yang jumlahnya sangat besar di suatu basisdata multidimensi dapat dicari dengan cara mudah dan dalam waktu yang relatif singkat.
Agregasi ini merupakan dasar dari pembentukan kubus data, karena pada agregasi akan mengorganisir kumpulan data kedalam struktur data basis data multidimensi sehingga menghasilkan waktu respon yang sangat cepat.
OnLine Analytical Processing (OLAP)
OLAP digunakan untuk menganalisisis data dan informasi yang nantinya akan digunakan sebagai Decision Support System (DSS)
Beberapa aktivitas yang dapat dilakukan melalui OLAP antara lain seperti : melakukan proses query, meminta laporan, mendukung analisis statistik, melakukan analisis interaktif, dan membangun aplikasi multimedia.
OnLine Analytical Processing (OLAP)
Berdasarkan struktur basisdatanya, OLAP dapat dibagi menjadi 3 bagian: Multidimensional Online Analytical
Processing (MOLAP). MOLAP adalah OLAP yang secara langsung
mengarah pada basis data multidimensi. MOLAP memproses data yang telah disimpan
dalam array multidimensional (semua kombinasi data yang mungkin dicerminkan), masing-masing diletakkan dalam suatu sel yang dapat diakses secara langsung.
OnLine Analytical Processing (OLAP)
Relational Online Analytical Processing (ROLAP). ROLAP adalah suatu format pengolahan OLAP
yang melakukan analisis data secara dinamis yang disimpan dalam basis data relasioanal bukan pada basis data multidimensi.
ROLAP merupakan bentuk teknologi dari OLAP yang paling berkembang.
OnLine Analytical Processing (OLAP)
Hybrid Online Analytical Processing (HOLAP). HOLAP merupakan kombinasi antara ROLAP
dengan MOLAP. HOLAP dikembangkan untuk mengkombina-
sikan antara kapasitas data pada ROLAP yang besar dengan kemampuan proses pada MOLAP.