PENUNJANG KEPUTUSAN dan KECERDASAN BUATAN

disusun sebagai syarat memenuhi tugas mata kuliah sistem informasi

disusun oleh :

Achmad Faozi 005131121003

Mochamad Faisal Efendi 005131121059

Muhamad Fahmi 005131121064

Rachmat Martua Hasibuan 005131121077

FAKULTAS TEKNIK INFORMATIKA

STMIK ERESHA

BOGOR

2014

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Allah SWT karena dengan rahmat dan

hidayah-Nyalah penyusun dapat menyelesaikan makalah yang berjudul

“penunjang keputusan dan kecerdasan buatan”.

Makalah ini disusun dengan tujuan memenuhi salah satu tugas mata kuliah Sistem

Informasi Manajemen. Untuk itu penyusun sangat berterima kasih kepada semua

pihak yang telah membantu dalam penyusunan makalah ini, terutama kepada

dosen mata kuliah Sistem Informasi Manajemen yang telah memberikan

bimbingannya sehingga makalah ini dapat diselesaikan tepat pada waktunya.

Penyusun sangat mengetahui bahwa makalah ini jauh dari kesempurnaan, oleh

karena itu penyusun mohon kritik dan saran yang membangun agar penyusun

dapat menyusunnya kembali dengan lebih baik.

Semoga makalah ini dapat bermanfaat bagi semua pihak.

Bogor, Mei 2014

Penyusun

DAFTAR ISI

Cover ..............................................................................................................

Judul ...............................................................................................................

Kata Pengantar ................................................................................................ i

Daftar Isi ......................................................................................................... ii

BAB 1 PENDAHULUAN

1.1 Latar Belakang .......................................................................................... 1

1.2 Rumusan Masalah ..................................................................................... 1

1.3 Tujuan Pembelajaran ................................................................................. 1

BAB 2 PEMBAHASAN

2.1 Pendukung Keputusan Dalam Bisnis ......................................................... 3

2.1.1 Kualitas Informasi ............................................................................ 4

2.1.2 Struktur Keputusan ........................................................................... 5

2.1.3 Tren Pendukung Keputusan .............................................................. 7

2.1.4 Sistem Informasi Manajemen ........................................................... 8

2.1.5 Pemprosesan Analisis Online ............................................................ 10

2.1.6 Sistem Pendukung Keputusan ........................................................... 11

2.1.7 Komponen DSS ................................................................................ 12

2.1.8 Sistem Visualisasi dan Informasi Geografis ...................................... 13

2.1.9 Penggunaan Sistem Pendukung Keputusan ....................................... 13

2.1.10 Analisi Jika-Maka ........................................................................... 14

2.1.11 Analisis Sensitivitas ........................................................................ 14

2.1.12 Analisis Pencarian Sasaran ............................................................. 15

2.1.13 Analisis Optimisasi ......................................................................... 16

2.1.14 Sistem Informasi Eksekutif ............................................................. 16

2.1.15 Sistem Manajemen Pengetahuan ..................................................... 16

2.2 Kecerdasan Buatan dan Teknologi Dalam Bisnis ....................................... 17

2.2.1 Ruang Lingkup Kecerdasan Buatan .................................................. 18

2.2.2 Sistem Pakar (Expert System) ........................................................... 20

2.2.3 Pengembangan Sistem Pakar ............................................................ 21

2.2.4 Jaringan Saraf Tiruan (Neural Network) ........................................... 22

2.2.5 Logika Fuzzy .................................................................................... 22

2.2.6 Algoritma Genetika .......................................................................... 23

2.2.7 Realita Virtual .................................................................................. 23

BAB 3 PENUTUP

3.1 Simpulan ................................................................................................... 25

Daftar Pustaka ................................................................................................. 26

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Informasi di dalam sebuah perusahaan adalah sangat penting untuk

mendukung kelangsungan perkembangan sebuah perusahaan, sehingga

terdapat alasan bahwa informasi sangat dibutuhkan bagi sebuah perusahaan.

Apabila kurangnya mendapatkan informasi, dalam waktu tertentu perusahaan

akan mengalami ketidakmampuan mengontrol sumber daya, sehingga dalam

mengambil keputusan-keputusan strategis sangat terganggu, yang pada

akhirnya akan mengalami kemunduran dan kekalahan dalam bersaing dengan

lingkungan pesaingnya.

Disamping itu, sistem informasi yang dimiliki seringkali tidak dapat

bekerja dengan baik. Masalah utamanya adalah bahwa sistem informasi

tersebut terlalu banyak informasi yang tidak bermanfaat. Memahami konsep

dasar informasi adalah sangat penting dalam mendesain sebuah sistem

informasi yang efektif (effective business system). Menyiapkan langkah atau

metode dalam menyediakan informasi yang berkualitas adalah tujuan dalam

mendesain sistem baru.

1.2 Rumusan Masalah

1. Apakah pengertian sistem pendukung keputusan ?

2. Apa saja kriteria sistem pendukung keputusan ?

3. Apa saja karakteristik dan kemampuan sistem pendukung keputusan ?

4. Apakah keuntungan sistem pendukung keputusan ?

5. Komponen Sistem Pendukung Keputusan

1.3 Tujuan Pembelajaran

1. Mengidentifikasi perubahan yang terjadi dalam bentuk dan penggunaan

pendukung keputusan dalam bisnis.

2. Mengidentifikasi peran dan pelaporan alternatif sistem informasi

manajemen.

3. Menjelaskan bagaimana pengolahan analisis online dapat memenuhi

kebutuhan informasi kunci dari manajer.

4. Menjelaskan dukungan konsep sistem pengambilan keputusan dan

bagaimana hal itu berbeda dari manajemen tradisional infor-sistem

informasi.

5. Menjelaskan bagaimana sistem informasi berikut dapat mendukung

kebutuhan informasi eksekutif, manajer, dan profesional bisnis:

a. Sistem informasi eksekutif

b. Informasi perusahaan portal

c. Sistem manajemen pengetahuan

6. Identifikasi bagaimana saraf jaringan, logika fuzzy, genetik algoritma,

virtual reality, dan agen cerdas dapat digunakan dalam bisnis.

7. Berikan contoh dari beberapa sistem pakar cara dapatdigunakan dalam

situasi pengambilan keputusan bisnis.

BAB 2

PEMBAHASAN

2.1 Pendukung Keputusan dalam Bisnis

Agar sukses dalam bisnis saat ini, perusahaan membutuhkan system

informasi yang dapat mendukung kebutuhan pengambilan keputusan dan berbagai

informasi dari manajer dan praktisi bisnis. Internet, intranet dan teknologi

informasi lainnya yang berbasis Web dalam mendukung aktivitas pengambilan

keputusan dari setiap manajer dan pekerja yang berpengetahuan dalam bisnis.

Infromasi, Keputusan, dan Manajemen Jenis informasi yang dibutuhkan oleh

pengambil keputusan di dalam suatu perusahaan berhubungan langsung dengan

tingkat pengambilan keputusan manajemen dan jumlah struktur dalam situasi

keputusan yang mereka hadapi. Kerangka kerja Piramida Manajerial klasik masih

dapat diterapkan saat ini pada organisasi yang dirampingkan dan didatarkan atau

struktur organisasi nonhierarkis. Tingkat pengambilan keputusan manajemen

masih ada, namun ukuran, bentuk, dan pesertanya terus berubah seiring dengan

evolusi struktur organisasi saat ini. Jadi, tingkat pengambilan keputusan

manajemen yang harus didukung oleh teknologi infomasi dalam organisasi yang

sukses adalah :

Gambar 1 Diagram Kebutuhan informasi para pengambil keputusan

a. Manajemen Strategis. Umumnya, dewan direksi dan komite eksekutif

yang terdiri dari CEO dan eksekutif atas mengembangkan tujuan umum

organisasi, strategi, kebijakan, dan tujuan sebagai bagian dari proses

perencanaan strategis. Mereka juga mengawasi kinerja strategis organisasi

dan arah keseluruhannya dalam lingkungan politik, ekonomi, dan bisnis

yang kompetitif.

b. Manajemen Taktis. Semakin banyak praktisi bisnis dalam tim mandiri

serta manajer unit bisnis yang mengembangkan rencana jangka pendek

dan jangka menengah, jadwal, dan anggaran serta menentukan kebijakan,

prosedur, dan tujuan bisnis untuk subunit mereka di perusahaan. Mereka

juga mengalokasikan sumber daya dan mengawasi kinerja sub unit

organisasi mereka, termasuk departemen, divisi, tim proses, tim proyek,

dan kelompok kerja lainnya.

c. Manajemen Operasional. Anggota tim mandiri atau manajer operasional

mengembangkan rencana jangka pendek seperti jadwal produksi

mingguan. Mereka mengarahkan penggunaan sumebr daya dan kinerja

tugas berdasarkan prosedur dan sesuai dengan anggaran dan jadwal yang

mereka tetapkan untuk tim tersebut dan kelompok kerja di organisasi.

2.1.1 Kualitas Informasi

Apa karateristik yang akan membuat produk informasi bernilai

dan bermanfaat bagi Anda? Salah satu cara untuk menjawab pertanyaan

penting ini adalah dengan menguji karateristik atau atribut Kualitas

Informasi. Informasi yang kuno, tidak akurat, atau sulit dipahami tidak

akan sangat berarti, berguna atau bernilai bagi Anda dan praktisi bisnis

lainnya. Kita memerlukan informasi berkualitas tinggi, yaitu produk

informasi yang memiliki karateristik, atribut, atau kualitas yang

membuat informasi lebih bernilai. Informasi perlu dipandang memiliki

tiga dimensi: waktu, isi, dan bentuk. Gambar dibawah ini meringkas

atribut yang penting dari kualitas informasi dan mengelompokkannya ke

dalam tiga dimensi tersebut.

Gambar 2 Atribut yang harus ada dalam informasi produk berkualitas

tinggi

2.1.2 Struktur Keputusan

Keputusan yang dibuat pada tingkat manajemen operasional

cenderun lebih terstruktur, sedangkan keputusan pada tingkat taktis lebih

semiterstruktur, dan keputusan pada tingkat strategis lebih tak

terstruktur. Keputusan yang terstruktur melibatkan situsi di mana

prosedur yang diikuti ketika keputusan diperlukan, dapat disebutkan

lebih awal. Keputusan tak terstruktur melibatkan situasi keputusan di

mana tidak mungkin menentukan lebih awal mengenai prosedur

keputusan yang harus diikuti. Akan tetapi, kebanyakan keputusan

bersifat semiterstruktur.

Contoh struktur keputusan dan tingkat manajemen.

Maksudnya, beberapa prosedur keputusan dapat ditentukan, namun tidak

cukup untuk mengarah ke suatu keputusan yang direkomendasikan.

Misalnya, keputusan mengenai peluncuran layanan e-commerce yang

baru atau membuat perubahan besar mengnai tunjangan karyawan akan

berada pada jangkuan tak terstruktur hinggan semiterstruktur. Gambar

berikut menyediakan berbagai contoh keputusan bisnis menurut jenis

terstruktur keputusan dan tingkat manajemen. Perbedaan utama dalam

keputusan kemampuan dukungan informasi manajemen sistem dan

keputusan mendukung sistem.

Dengan demikian, sistem informasi harus dirancang untuk menghasilkan

berbagai produk informasi untuk memenuhi kebutuhan pengambil

keputusan yang berubah-ubah di dalam organisasi. Misalnya, pengambil

keputusan pada tingkat manajemen strategis dapat menggunakan sistem

keputusan (detection support system-DSS) untuk mendapatkan laporan

yang tak terjadwal, adalah hoc, dan lebih ringkas, peramalan, dan

kecerdasan eksternal untuk mendukung perencanaan mereka yang lebih

tak terstruktur dan tanggung jawab pembuatan kebijakan. Di sisi lain,

pengambil keputusan pada tingkat manajemen operasional dapat

bergantung pada sistem informasi manajemen untuk menyediakan

laporan internal yang telah ditentukan sebelumnya dengan penekan pada

perbandingan data yang lama dan yang sekarang guna mendukung

tanggung jawab mereka yang lebih terstruktur untuk operasional sehari-

hari.

2.1.3 Tren Pendukung Keputusan

Penggunaan sistem informasi untuk mendukung pengambilan

keputusan bisnis telah menjadi salah satu tujuan utama dari penggunan

teknologi. Akan tetapi, selama tahun 1990-an, baik peneliti akademik

maupun praktisi bisnis melaporkan bahwa fokus manajerial tradisional

yang berasal dari sistem informasi manajemen yang klasik (1960-an),

sistem pendukung keputusan (1970-an), sistem informasi eksekutif

(1980) terus meluas. Kecepatan perkembangan teknologi informasi

seperti hardware komputer, dan paket software DSS/EIS membuat

pendukung keputusan tersedia bagi manajemen tingkat bawah, serta bagi

individu nonmanajerial dan tim mandiri dari praktisi bisnis. Tren ini

telah mengalami percepatan seiring dengan pertumbuhan yang sangat

cepat dari Internet serta intranet dan ekstranet dari perusahaan yang

menggunakan Internet dan pemilik kepentingannya. Inisiatif e-business

dan ecommerce yang sedang diimplementasikan oleh banyak perusahaan

juga memperluas ekspektasi serta penggunaan informasi dan pendukung

keputusan dari karyawan, manajer, pelanggan, pemasok, dan mitra

bisnis lainnya. Semua pemilik kepentingan dalam bisnis mengharapkan

akses yang mudah dan instan ke informasi dan analisis data mandiri

berbasis Web yang proaktif dan pribadi untuk mendukung persyaratan

pengambilan keputusan dari semua konstituen mereka. Jadi,

pertumbuhan ekstranet dan intrnet korporat, serta Internet, telah

mempercepat pengembangan dan penggunaan pengiriman informasi

“kelas eksekutif” dan alat software pendukung keputusan oleh

manajemen dari tingkat yang lebih rendah dan oleh individu dan tim

praktisi bisnis. Selain itu, ekspansi yang dramatis ini telah membuka

pintu ke penggunaan alat seperti kecerdasan bisnis (business

intellegence-BI) oleh pemasok, pelanggan, dan pemilik kepentingan

bisnis lainnya dari suatu perusahaan untuk manajemen hubungan

pelanggan, manajemen rantai pasokan, dan aplikasi e-business lainnya.

Beberapa teknologi informasi utama yang dibuat secara khusus, pribadi,

dan berbasis Web untuk menyediakan infomasi bisnis utama dan alat

analisis untuk manajer, praktisi bisnis, dan pemilik kepentingan bisnis.

Gambar 3 Bisnis intelejen aplikasi didasarkan pada personalisasi dan Web

informasi

2.1.4 Sistem Informasi Manajemen

Sistem Informasi Manajemen adalah jenis awal dari sistem

informasi yang dikembangkan untuk mendukung pengambilan

keputusan manajerial. SIM mengahsilkan prosuk informasi yang

mendukung banyak kebutuhan pengambilan keputusan harian dari para

manajer dan praktisi bisnis. Manajer dan pengambilan keputusan bisnis

lainnya menggunakan SIM untuk memeproleh informasi mengenai

tempat kerja mereka yang berjaringan yang mendukung aktivitas

pengambilan keputusan mereka. Informasi ini dapat berbentuk laporan

periodik, pengecualian, dan permintaan. Browser Web, program aplikasi,

dan software manajemen database menyediakan akses ke informasi di

intranet dan database operasional lainnya di dalam organisasi. Database

operasional dipertahankan oleh sistem pemrosesan informasi. Data

mengenai lingkungan bisnis diperoleh dari Intranet atau database

ekstranet jika diperlukan. Alternatif Pelaporan Manajemen SIM

menyediakan berbagai produk informasi bagi para manajer. Ada empat

alternatif pelaporan utama yang disediakan oleh sistem ini yaitu:

a. Laporan Terjadwal secara Periodik (Periodic Scheduled

Reports). Bentuk tradisional penyediaan informasi bagi

manajer dengan menggunakan format yang telah ditentukan

dan menyediakan informasi secara rutin kepada manajer.

Contoh laporan terjadwal secara periodik adalah laporan

analisis penjualan harian dan mingguan dan laporan keuangan

bulanan.

b. Laporan Pengecualian (Exeption Reports). Dalam beberapa

kasus, laporan dibuat hanya jika terjadi kondisi pengecualian.

Dalam kasus lainnya, laporan dibuat secara periodik namun

hanya berisi informasi mengenai kondisi pengecualian tersebut.

Misalnya, manajer kredit dapat diberi laporan yang hanya berisi

informasi mengenai pelanggan yang melewati batas kreditnya.

Pelaporan pengecualian mengurangi kelebihan informasi,

sehingga tidak perlu memberikan seluruh laporan aktivitas

bisnis secara rinci bagi pengambil keputusan.

c. Laporan Permintaan dan Tanggapan (Demand reports and

Renponses). Informasi tersedia kapanpun manajer

menginginkannya. Misalnya, browser Web dan bahasa

permintaan DBMS serta penghasil laporan (reports generator)

memungkinkan manajer di tempat kerja komputer untuk

memperoleh tanggapan langsung atau menemukan dan

mendapatkan laporan tertentu sebagai hasil dari permintaan

informasi yang mereka butuhkan. Jadi, manajer tidak harus

menunggu laporan periodik untuk tiba sesuai yang

dijadwalkan.

d. Pelaporan Dorong (Push Reporting). Informasi didorong ke

manajer di tempat kerja berjaringan. Jadi, banyak perusahaan

sedang menggunakan software penyiaran Web (webcasting)

untuk menyiarkan laporan secara selektif dan informasi lainnya

ke komputer berjaringan milik para manajer atau pakar melalui

intranet perusahaan.

2.1.5 Pemprosesan Analisis Online

Pemrosesan Analisis Online atau Online Analytical Processing-

OLAP memungkinkan manajer dan analis secara interakfit menguji dan

memanipulasi sejumlah besar data yang rinci dan terkonsolidasi dari

banyak perspektif. OLAP mencakup analisis hubungan yang rumit

antara ribuan atau bahkan jutaan data yang disimpan dalam data mart,

gudang data, dan database Multidimensi lainnya untuk menemukan pola,

tren, dan kondisi pengecualian.

Sesi OLAP dilakukan secara online dan langsung, dengan respons

yang cepat ke permintaan manajer dan analis, sehingga proses analisis

atau pengambilan keputusan tidak terganggu. Pemrosesan analitis online

melibatkan beberapa operasional analitis dasar, termasuk konsolidasi,

drill down (penggalian), slicing and dicing (pengirisan dan

pemotongan)

a. Konsolidasi. Konsolidasi melibatkan pengumpulan data. Hal

ini dapat melibatkan pengumpulan sederhana atau

pengelompokan yang rumit dengan melibatkan data yang

saling berhubungan. Misalnya data kantor penjualan dapat

dikumpulkan ke wilayah, dan wilayah ke regional.

b. Penggalian. OLAP dapat bergerak ke arah kebalikan dan

secara otomatis menampilkan rincian data yang telah

dikonsolidasikan. Ini disebut penggalian. Misalnya, penjualan

menurut prduk individual atau staf penjualan yang

menghasilkan total penjualan regional dapat dengan mudah

diakses.

c. Pengirisan dan Pemotongan. Pengirisan dan pemotongan

merujuk pada kemampuan untuk melihat database dari

penjualan dapat menunjukkan semua penjualan dari satu jenis

prosuk secara regional. Irisan yang lain dapat menunjukkan

semua penjualan menurut saluran penjualan dari setiap produk.

Pengirisan dan pemotongan sering dilakukan sejalan dengan

sumbu waktu untuk menganalisis tren dan menemukan pola

berbasis waktu pada data.

Gambar 4 Pengolahan analisis online mungkin membutuhkan penggunaan server

khusus dan database multidimensi.

2.1.6 Sisitem Pendukung Keputusan

Sistem Pendukung Keputusan (Decision Support System-DSS)

adalah sistem informasi berbasis komputer yang menyediakan dukungan

informasi yang inetraktif bagi manajer dan praktisi bisnis selama proses

pengambilan keputusan. Sistem pendukung keputusan menggunakan:

1. Model analitis

2. Database khusus

3. Penilaian dan pandangan pembuat keputusan

4. Proses pemodelan berbasis komputer yang interaktif untuk

mendukung pembuatan keputusan bisnis yang semiterstruktur

dan tak terstruktur.

Sistem DSS didesain sebagai sistem respons cepat dan ad-hoc

yang diawali dan dikendalikan oleh pengambil keputusan bisnis. Sistem

pendukung keputusan dapat secara langsung mendukung jenis keputusan

khusus dan gaya pengambilan keputusan pribadi serta kebutuhan

eksekutif, manajer, dan praktisi bisnis secara individual.

2.1.7 Komponen DSS

Berbeda dengan SIM, Sistem Pendukung Keputusan bergantung

pada Model Bases (basis model) dan database sebagai sumber daya

sistem yang vital. Basis model dss adalah komponen software yang trdiri

dari model-model yang digunakan dalam rutinitas komputasional dan

analitis yang secara matematis menyatakan hubungan antarvariabel.

DSS dapat mencakup model pemrograman linear, model

peramalan regresi ganda, dan model nilai sekarang penganggaran modal.

Modelmodel seperti ini dapat disimpan dalam bentuk Template atau

model Spreadsheet, atau program statistik dan matematis serta modul

program.

Gambar 5 Komponen DSS yang dapat di implementasikan di marketing berbasis

web.

Paket software DSS dapat mengombinasikan komponen model

untuk membuat model terpadu yang mendukung jenis keputusan

tertentu. Software DSS biasanya terdiri atas rutinitas pemodelan analitis

yang telah dibangun dan juga memungkinkan Anda untuk membangun

model Anda. Banyak paket DSS yang saat ini tersedia dalam mikro

komputer dan versi berbasis Web. Tentu saja, paket Spreasheet

elektronik juga menyediakan beberapa bangunan model spreasheet dan

pemodelan analitis yang ditawarkan oleh software DSS yang berdaya

lebih tinggi.

2.1.8 Sistem Visualisasi dan Informasi Geografis

Geographic Information System-GIS (sistem informasi geografis)

dan Data Visualization System-DVS (sistem visalisasi data) adalah

kategori khusus dari DSS yang memadukan grafis komputer dengan

fitur DSS lainnya. Sistem informasi geografis adalah DSS yang

menggunakan database geografis untuk membuat dan menampilkan peta

dan tampilan grafis lainnya yang mendukung keputusan mengenai

distribusi geografis sumber daya lainnya. Banyak perusahaan yang

menggunakan teknlogi GIS bersama dengan Global Positioning

System-GPS (sistem penempatan global) untuk membantu mereka

memilih lokasi toko ritel yang baru, mengoptimakan rute disribusi, atau

menganalisis demografi pasar sasaran mereka. Aplikasi bisnis seperti

penambangan data biasanya menggunakan grafik inetraktif yang

memungkinkan pemakai menggali data secara langsng dan

memanipulasi data model bisnis untuk membantu menjelaskan

maknanya untuk pengambilan keputusan bisnis.

2.1.9 Penggunaan Sistem Pendukung Keputusan

Penggunaan Decision Support System-DSS (sistem pendukung

keputusan) melibatkan proses Analytical Modelling (pemodelan analitis)

yang interaktif. Misalnya, penggunaan paket software DSS untuk

pendukung keputusan dapat menghasilkan berbagai tampilan sebagai

respons terhadap alternatif perubahan jika-maka yang dimasukkan oleh

manajer.

Hal ini berbeda dari respons permintaan dari sistem informasi

manajemen, karena pengambil keputusan tidak meminta infomasi yang

telah ditentukan sebelumnya. Sebaliknya, mereka mengeksplorasi

alternatif yang memungkinkan. Jadi, mereka tidak perlu menentukan

kebutuhan informasi mereka di depan. Melainkan, mereka menggunakan

DSS untuk menemukan informasi yang mereka butuhkan untuk

membantu mereka membuat keputusan. Itu adalah inti dari konsep sistem

pendukung keputusan. Penggunaan sistem pendukung keputusan

melibatkan empat jenis dasar aktivitas pemodelan analitis:

1. Analisi jika-maka

2. Analisis sensitivitas

3. Analisis pencarian sasaran

4. Analisis optimisasi

2.1.10 Analisis Jika-Maka

Analisis What-if (jika-maka), seorang pemakai akhir membuat

perubahan terhadap variabel, atau hubungan antarvariabel, dan

mengamati perubahan yang dihasilkan dalam nilai variabel lainnya.

Misalnya, jika Anda menggunakan spreasheet, anda mungkin mengubah

jumlah pendapatan (variabel) atau rumus tarif pajak (hubungan

antravariabel) dalam model spreasheet keuangan sederhana. Kemudian

Anda dapat meminta program spreasheet untuk secara instan menghitung

ulang semua variable yang terpengaruh di dalam spreasheet. Pemakai

manajerial akan sangat tertarik dalam mengamati dan mengevaluasi

perubahan yang terjadi terhadap nilai di spreasheet, khususnya variabel

seperti laba bersih. Bagi banyak manajer, laba bersih adalah contoh

bottom-line (garis dasar), yaitu faktor kunci dalam membuat keputusan

apapun. Analisis seperti ini akan diulangi hingga manajer pusat dengan

apa yang ditunjukkan oleh hasilnya mengenai pengaruh berbagai

keputusan yang mungkin dilakukan.

2.1.11 Analisis Sensitivitas

Analisis Sensitivitas adalah kasus khusus dari analisis jika-maka.

Umumnya, nilai dari satu variabel diubah berulang-ulang dan hasil

perubahan pada variabel lainnya diamati.

Jadi, analisis sensitivitas sebenarnya adalah kasus analisis jika-

maka yang melibatkan perubahan yang berulang-ulang terhadap satu

variabel. Beberapa pkaet DSS secara otomatis membuat perubahan kecil

ke satu variabel ketika diminta melakukan analisis sensitivitas.

Umumnya, analisis sensitivitas digunaka ketika pengambil keputusan

tidak yakin dengan asumsi yang dibuat dalam memperkirakan nilai

beberapa variabel utama.

Dalam contoh spreasheet, nilai pendapatan dapat diubah secara

berulang-ulang dengan peningkatan kecil, dan pengaruhnya terhadap

variabel spreasheet lainnya diamati dan dievaluasi. Hal ini akan

membantu manajer memahami dampak berbagai tingkat pendapatan

etrhadap faktor-faktor lain yang terlibat dalam keputusan yang

dipertimbangkan.

2.1.12 Analisis Pencarian Sasaran

Goal Seeing (analisis pencarian sasaran) membalikkan arah

analisis yang dilakukan dalam jika-maka dan sensivitas. Analisis ini tidak

mengamati bagaimana perubahan satu variabel mempengaruhi variabel

lainnya. Analisis pencarian sasaran yang juga disebut How Can

(bagaimana bisa) menetapkan nilai sasaran (tujuan umum) untuk satu

variabel dan kemudian secara berulang-ulang mengubah variabel lainnya

hingga nilai sasarn tercapai.

Mislanya, Anda dapat menentukan nilai sasaran $2 juta untuk laba

bersih bagi suatu bisnis. Kemudian Anda dapat secara berulang-ulang

mengubah nilai pendapatan dan pengeluaran dalam model spreasheet

hingga hasil $2 juta tercapai. Jadi, Anda akan menemukan berapa jumlah

pendapaatan atau tingkat pengeluaran yang perlu dicapai oleh suatu bisnis

untuk mencapai sasaran laba bersih $2 juta. Dengan demikian, bentuk

pemodelan analisis ini akan membantu menjawab pertanyaan,

“Bagaimana kita bisa mencapai laba bersih $2 juta?”, bukan pertanyaan,

“Apa yang terjadi jika kita mengubah pendapatan dan pengeluaran?”

Jadi, analisis pencarian sasaran adalah salah satu metode penting dari

pendukung keputusan.

2.1.13 Analisis Optimisasi

Analisis optimisasi adalah perluasan yang lebih rumit dari analisis

pencarian sasaran. Sasarannya bukan nilai sasaran tertentu untuk suatu

variabel, melainkan untuk mencari nilai optimium untuksatu atau

beberapa variabel diubah secara berulang-ulang, berdasarkan batasan

tertentu, hingga nilai terbaik untuk variable sasaran ditemukan.

Misalnya, anda dapat mencoba menentukan tingkat laba tertinggi yang

dapat dicapai dengan mengubah nilai sumber pendapatan tertentu dan

kategori pengeluaran. Perubahan pada variabel tersebut dapat terikat pada

batasan seperti kapasitas proses produksi atau batasan pembiayaan yang

tersedia. Optimisasi umumnya dicapai dengan menggunakan software

seperti Solver dalam Microsoft Excel dan paket software lainnya untuk

teknik optimisasi seperti pemrograman linear.

2.1.14 Sistem Informasi Eksekutif

Executive Information Systems-EIS adalah sistem informasi yang

menggabungkan berbagai fitur sistem informasi manajemen dan sistem

pendukung keputusan. Ketika pertama kali dikembangkan, fokusnya

adalah untuk memenuhi kebutuhan informasi strategis manajemen

tingkat atas. Jadi, tujuan pertama dari sistem informasi eksekutif adalah

untuk menyediakan akses informasi yang mudah dan cepat kepada

eksekutif tingkat atas mengenai Critical Success Factors-CSF

(faktorfaktor penentu keberhasilan) perusahaan, yaitu faktor- faktor

utama yang penting untuk mencapai tujuan strategis organisasi. Misalnya,

para eksekutif di jaringan toko ritel akan memepertimbangkan faktor-

faktor seperti hasil penjualan e-commerce dan tradisional, atau bauran

lini produksinya sebagi faktor penentu untuk tetap bertahan dan sukses.

2.1.15 Sistem Manajemen Pengetahuan

Knowledge Management Systems-KMS (sistem manajemen

pengetahuan) sebagai penggunaan teknologi informasi untuk membantu

mengumpulkan, mengatur, dan saling berbagi pengetahuan bisnis di

dalam organisasi. Di banyak organisasi, database hipermedia di situs Web

intranet korporat telah menjadi basis pengetahuan untuk penyimpanan

dan penyebaran pengetahuan bisnis. Pengetahuan ini sering berbentuk

best practise, kebijakan, dan solusi bisnis di tingkat proyek, tim, unit

bisnis, dan tingkat perusahaan.

2.2 Kecerdasan Buatan dan Teknologi Dalam Bisnis

Kecerdasan buatan (Artificial Inteligence/AI) dipraktekkan dalam bisnis

dengan berbagai cara. Kecerdasan Buatan /AI sendir merupakan ranah teknologi

dan sains yang berasal dari ilmu komputer, biologu, psikologi, ilmu bahasa,

matematika dan ke-teknikan (enginering).Dengan kehadiran kecerdasan buatan

tersebut komputer diharapkan memiliki kemampuan untuk berfikir sebaik

mungkin seperti halnya manusia. Komputer juga didorong mampu berfungsi

layaknya kecerdasan manusia sebagaimana.

Beberapa atribut perilaku cerdas. AI mencoba untuk menduplikasi kemampuan ini

dalam sistem berbasis komputer.

Kehadiran teknologi kecerdasan buatan sempat diragukan

kemampuannya ketika pertama kali dicetuskan pada tahun 1950an. Banyak pakar

dengan berbagai latar belakan mempertanyakan kemampuan dari kecerdasan

buatan tersebut. Alan Turing, sebagai pelopor kecerdasan buatan kala itu

mengajukan metode untuk mengetahui sejauh mana kemampuan komputer dalam

berfikir layaknya manusia. Walaupun penelitian serupa terus dikembangkan, hal

tersebut belum dapat meredam berbagai kritik dan keraguan atas teknologi

kecerdasan buatan. Salah satu metode turunan dari Turin adalah CAPTCHA

(Completely Automated Public Turing test to tell Computer and Human Apart).

Test CAPTCHA tersebut pada mulanya berupa serangkaian proses yang

diciptakan oleh manusia untuk mengetes komputer, namun saat ini digunakan

sebaliknya yaitu diciptakan (create) oleh komputer untuk mengetes manusia.

Karena komputer pada umumnya tidak dapat lolos dari tes CAPTCHA, sehingga

bisa dipastikan bahwa yang bisa melalui tersebut adalah manusia. Praktek

semacam ini banyak diimplementasikan pada transaksi melalui Web.

2.2.1 Ruang Lingkup Kecerdasan Buatan

Ruang lingkup utama dari kecerdasan buatan yang terdiri dari tiga

aspek utama yaitu kognitif, robotik dan natural interface, walaupun

dimungkinkan adanya aspek lain dan adanya tumpang tindih antar aspek.

Gambar 6 Atribut utama kecerdasan buatan.

Perhatikan bahwa banyak aplikasi AI dapat dikelompokkan

menjadi tiga bidang utama yaitu kognitif ilmu pengetahuan, robotika, dan

interface alami. Untuk itu diperlukan pembahasan terperinci dari tiga

aspek tersebut sebagai berikut:

1. Kognitif, merupakan area kecerdasan buatan yang bersumber

dari ilmu biologi, neurologi, psikologi matematik dan berbagai

disiplin lainnya. Aspek ini berfokus pada upaya bagaimana

otak manusia bekerja untuk berfikir dan belajar serta berbasis

pada penelitian tentang bagaimana manusia memproses

informasi.

Penggunaan kecerdasan buatan dalam aspek ilmu

kognitif dapat dicontohkan sebagai berikut:

penggunaan expert system dan knowledge based

system

sistem logika fuzzy, untuk memproses data yang

tidak lengkap,ambigu dan permasalahan yang

bersifat semi struktural

Jaringan saraf tiruan mampu bekerja dengan

mengenali pola dan mencari solusi dengan pola

tersebut

Algoritma genetika bekerja layaknya teori

Darwin yang dapat mensimulasikan proses

evolusi

Inteligence Agent, menggunakan expert system

dan berbagai teknologi dalam kecerdasan buatan

untuk menggantikan peran manusia dalam bidang

tertentu.

2. Robotik, berdasar pada ilmu keteknikan, psikologi dan

kecerdasan buatan sehingga memungkinkan robot memiliki

daya melihat, menilai sesuatu, meraba dan ketangkasan dalam

menangani atau memanipulasi. Juga dimungkinkan dalam

aktivitas lokomosi dan pergerakan suatu barang dari area satu

ke area lain atau menentukan tujuan pergerakan.

3. Natural Interface, Pengembangan natural interface dilandasi

keinginan penggunaan komputer secara alami, sebagai

contohnya adalah pengenalan bahasa alami dan pengenalan

suara. Kedua hal tersebut menjadi objek pengembangan pada

aspek natural interface. Keinginan untuk menjadikan komputer

dan robot mampu memahami bahasa manusia menjadikan

berbagai riset tentang aspek ini berkembang.

2.2.2 Sistem Pakar (Expert System)

Salah satu penggunaan kecerdasan buatan yang paling populer

adalah sistem pakar. Sistem pakar bermula dari sistem informasi

pengetahuan (knowledge based), dan digunakan secara spesifik dan pada

permasalahan yang kompleks guna berperan layakanya konsultan ahli.

Sistem pakar memungkinkan mendukung keputusan karena mampu

memberikan sejumlah alasan terhadap suatu permasalahan yang

membutuhkan pengetahuan tertentu. Sistem pakar memiliki dua

komponen yaitu dasar pengetahuan dan software. Pengetahuan berisi

kejadian atau fakta tentang subjek dan tatacara penilaian terhadap

subjek. Sedangkan sofware memuat program-program untuk melakukan

pendugaan dan media berkomunikasi dengan pengguna. Sistem pakar

bertindak layaknya konsultan. Menanyakan sejumlah pertanyaan kepada

pengguna, melakukan pencarian terhadap pengetahuan dan metode yang

berkaitan dengan pertanyaan kemudian menyusun sejumlah argumen

dan saran terhadap suatu subjek permasalahan. Penggunaan sistem pakar

kini kian meluas ke berbagai bidang profesi seperti mendiagnosa

penyakit, menganalisa kandungan bahan, memberi saran rekomendasi

atas perbaikan, membimbing konsumen atau melakukan perencanaan

keuangan. Sehingga dari sudut pandang bisnis, sistem pakar dapat

dilibatkan dalam proses atau siklus bisnis.

Sistem pakar mendapatkan pengetahuan dari para ahli, dan bisa

melampaui kinerja seorang pakar. Hal tersebut dimungkinkan karena

sistem pakar tidak mengenal lelah, dapat menampung informasi dari

banyak pakar dengan sekaligus dan bekerja lebih cepat dan konsisten.

Sistem pakar mampu melestarikan kepakaran seseorang dan

menyimpannya. sehingga perusahaan tidak perlu khawatir kehilangan

pakarnya dikarenakan pakar tersebut berhenti dari perusahaan. Terlebih

lagi, sistem pakar memungkinkan pengetahuan yang dimiliki dan

terekam didalamnya untuk dibagi dan digunakan secara bersama.

Kelemahan dari sistem pakar ada pada ketidakmampuan untuk belajar,

tidak fokus, perawatan dan pengembangan. Sistem pakar hanya dapat

menyelesaikan permasalahan yang spesifik karena keterbatasan bahan

pengetahuan yang dimiliki dan tidak dapat menyelesaikan masalah yang

bersifat subjektif. Sistem pakar mampu menghasilkan analisisis tajam

terhadap objek yang dikuasainya, namun lemah terhadap penunjangan

keputusan yang bersifat subjektif. Secara teknis, perawatan dan

pengemabngan dari sistem pakar membutuhkan biaya yang tidak sedikit.

Juga sistem pakar tidak dapat belajar dari pengetahuan yang dimilikinya

secara mandiri melainkan harus diajarkan.

2.2.3 Pengembangan Sistem Pakar

Expert system shell (ESS) digunakan sebagai alat bantu

pengembangan sistem pakar. Metode tersebut meruapakan cara

termudah untuk mengembangkan sistem tersebut. ESS merupakan paket

software berbasis sistem pakar tanpa fasilitas pemrograman, karena inti

dari sistem pakar adalah pengetahuan. ESS kadang dilengkapi dengan

fitur tambahan seperti editor dan pengolah antar muka. ESS saat ini

semakin mudah digunakan, bahkan pengembang yang tidak memiliki

latar belakang teknologi informasi dapat mengembangkan sistem pakar.

Kemudahan juga diperoleh dari variasi biaya paket software ESS.

Dalam pengembangan sistem pakar dikenal knowledge engineer,

yaitu seseorang yang bertugas memasukkan pengetahuan yang didapat

dari para pakar kedalam sistem. Proses pengambilan pengetahuan

tersebut memerlukan kepakaran tersendiri, oleh karena itu pengetahuan

yang telah dimasukkan kedalam sistem oleh engineer harus dites terlebih

dahulu. Posisi knowledge engineer mirip dengan analis sistem informasi.

Ketika suatu perusahaan memutuskan untuk membuat suatu sistem

pakar, maka diperlukan knowledge engineer dan para ahli. Knowledge

engineer membantu para ahli untuk merancang sistem pakar dengan

bantuan ESS. Para ahli juga menentukan modul dan metode apa yang

digunakan oleh sistem untuk menilai dan menyelesaikan permasalahan

berdasarkan kepakaran. Proses tersebut bisa jadi dilakukan berulang-

ulang agar sistem pakar dapat menyamai output yang dihasilkan oleh

para ahli.

2.2.4 Jaringan Saraf Tiruan (Neural Network)

Neural network merupakan model komputasi yang menyerupai

kerja jejaring interkoneksi pada otak manusia yang disebut neuron.

Seperti halnya kerja otak manusia, jejaring sarat tiruan dapat belajar dari

data-data yang dimasukkan untuk menghasilkan pola dan hubungan

antar data tersebut. Semakin banyak data yang bisa dimasukkan,

semakin bagus output yang dihasilkan karena komputer akan terus

belajar dari data yang baru diinputkan. Sebagai contoh, dari sejumlah

data karakteristik nasabah kredit dan data kualitas pinjaman,

memungkinkan bagi sistem yang bekerja dengan jejaring saraf tiruan

untuk mengenali karakter peminjam seperti apa yang akan berpotensi

masalah, begitu pula sebaliknya. Untuk menghasilkan akurasi yang

tinggi, jejaring saraf tiruan harus terus senantiasa dilatih dengan

menginput sejumlah data dengan beragam variasi karakter.

2.2.5 Logika Fuzzy

Walaupun sederhana namun logika fuzzy merupakan aplikasi

yang sangat serius digunakan sebagai kecerdasan buatan untuk aplikasi

bisnis. Metode fuzzy bekerja layaknya manusia berpendapat, karena

seringkali manusia berpendapat yang sifatnya subjektif. Logika fuzzy

mampu bekerja dengan data yang sifatnya ambigu, tidak tegas dan

menghasilkan keputusan yang sifatnya perkiraan dan berada diantara dua

hal yang diperbandingkan.

Bagaimana logika fuzzy dapat menghasilkan output yang sifatnya

tidak presisi? Penjelasannya sebagai berikut: Ketika data yang dinput

bersifat ambigu dan tidak sempurnya, metode fuzzy mampu

menghasilkan kesimpulan dengan cepat namun dapat diterima dari data

tersebut. Sekalipun metode fuzzy bekerja dengan situasi yang tidak

presisi, namun logika fuzzy bukanlah suatu yang sifatnya tidak pasti dan

tidak presisi, karena logika fuzzy mampu memberi ketepatan yang

berguna dalam pengambilan keputusan.

2.2.6 Algoritma Genetika

Penggunaan algoritma genetika saat ini sedang berkembang.

Metode algoritma genetik mengikuti teori seleksi alam Darwin,

pengacakan dan beberapa fungsi matematis untuk mensimulasikan

proses evolusi yanang nantinya dapat berguna bagi keputusan bisnis.

Proses ini dapat menyingkat waktu mengingat proses evolusi yang

terjadi dialam berlangsung ribuan tahun, sedangkan melalui algoritma

genetika proses tersebut dapat berjalan dengan singkat. Penggunaan

algoritma genetika khususnya berguna bagi perusahaan yang telah

memiliki sejumlah solusi yang pernah dipraktekkan namun masih dinilai

perlu untuk memilih mana yang terbaik dari sekian banyak solusi

tersebut.

Algoritma genetik menggunakan sejumlah proses matematis untuk

memilih secara acak (random) dan menseleksi output mana yang baik

dan mana yang lemah sehingga yang tersisa adalah solusi yang paling

baik dan optimal.

2.2.7 Realita Virtual

Realita virtual merupakan simulasi dunia nyata via komputer.

Realita Virtual mengalami peningkatan pengunaan paling cepat

dibanding model kecerdasan buatan lainnya karena lebih natural,

realistik dan melibatkan interaksi antara indra manusia dan antarmuka

komputer. Realita Virtual juga sering dikenal dengan telepresence.

Penggunaan multi sensor dalam realita virtual dan memungkinkan

bertinteraksi dengan panca indra lainnya menjadikan pengguna realita

virtual memberikan pengalaman tersendiri bagi pengguna.

Teknologi realita virtual memungkinkan interaksi dan penyajian

data dalam kacamata video, earphone dan sensor-sensor yang

mendeteksi pergerakan sejumlah organ tubuh. Penggunaan teknologi

realita virtual sangat luas seperti teknik CAD (Computer Aided Design),

simulasi penerbangan, diagnosa medis, percobaan ilmiah di bidang fisika

dan biologi, hiburan, demo produk, dan games. Teknik CAD paling

banyak digunakan dalam bisnis. Teknik tersebut memungkinkan

desainer atau arsitek melakukan tes terhadap desain yang telah dibuat

tanpa harus membuat rancangan fisiknya terlebih dahulu. Visualisasi

yang dihasilkan dapat dimanfaatkan oleh praktisi farmasi untuk

mengembangkan bahan pengobatan baru atau menjadi model pengganti

tubuh manusia. Teknologi realita virtual dikatakan telepresence apabila

digunakan oleh seorang atau banyak orang di berbagai tempat secara

bersamaan.

BAB 3

PENUTUP

3.1 Simpulan

Sistem informasi manajemen dan sistem pendukung keputusan adalah

aspek desain informatika organisasional yang memberikan pengaruh besar dalam

berlangsungnya kegiatan dalam suatu organisasi /perusahaan. Keduanya memang

memiliki kelebihan dan kekurangan. Tetapi jika kedua hal tersebut diterapkan

dengan baik dalam membangun suatu organisasi, maka orgnisasi tersebut

kemungkinan besar berjalan lancar dan memberikan efisiensi kepada pengelola.

DAFTAR PUSTAKA

O’Brien, George M. Marakas, (2009), “Management Information System 10

Edition by James A”