spk bab2 by firli

1

BAB 2

Pengambilan Keputusan, Sistem, Permodelan, dan Dukungan

2

Pengambilan Keputusan, Sistem,

Permodelan, dan Dukungan

Dasar Konseptual dari Pengambilan Keputusan Pendekatan Sistem Bagaimana dukungan diberikan

Contoh kasus pembuka:Bagaimana menginvestasikan $10,000,000

Decision Support Systems and Intelligent Systems, Efraim Turban and Jay E. Aronson, 6th edition,Copyright 2001, Prentice Hall, Upper Saddle River, NJ

3

Aspek Keputusan Bisnis yang Umum

Keputusan mungkin diambil oleh suatu kelompokAnggota kelompok dapat mengalami biasPemikiran secara berkelompokMungkin terdapat beberapa tujuan yang saling bertentanganBanyak pilihanHasilnya dapat muncul di masa depanSikap-sikap dalam menghadapi resikoMemerlukan informasiMengumpulkan informasi perlu waktu dan biayaBisa jadi terlalu banyak informasiSkenario “Bagaimana Jika”Eksperimen Trial-and-error pada sistem yang sebenarnya dapat mengakibatkan kerugianEksperimen dengan sistem yang sebenarnya – lakukan hanya sekaliPerubahan pada lingkungan dapat berlangsung terus-menerusTekanan waktu


4

Bagaimana keputusan diambil???

Metodologi apa saja yang dapat digunakan?

Apa peranan sistem informasi dalam mendukung pengambilan keputusan?

DSSSistemPendukungPengambilan Keputusan


5

Pengambilan Keputusan

Pengambilan Keputusan: suatu proses pemilihan dari banyak alternatif jalan yang akan ditempuh yang kegunaannya adalah untuk mencapai tujuan

Pengambilan keputusan secara manajerial pada dasarnya sejalan dengan keseluruhan proses manajemen (Simon, 1977)


6

Pengambilan Keputusan vs

Pemecahan Masalah4 Fase Pengambilan Keputusan

menurut Simon

1. Intelijen2. Merancang3. Pemilihan4. Mengimplementasikan

Pengambilan keputusan dan pemecahan masalahdapat saling dipertukarkan


7

Sistem

Suatu SISTEM adalah sekumpulan obyek-obyek seperti manusia, sumberdaya, konsep, dan prosedur yang ditujukan untuk menjalankan sebuah fungsi yang dapat diidentifikasikan atau untuk mencapai sebuah tujuan

Tingkatan Sistem (Hirarki): Semua sistem adalah subsistem yang saling terhubung melalui antarmuka


8

Struktur Suatu Sistem Tiga bagian utama sistem (Gambar 2.1)

InputProsesOutput

Sistem Dilingkupi oleh suatu lingkungan Seringkali mencakup umpan balik

Pengambil Keputusan biasanya dianggap sebagai bagian dari sistem


9

Sistem

Input

Umpan balik

Lingkungan

Output

Garis batas

Proses


10

Input adalah elemen yang memasuki sistem

Proses mengubah input menjadi output

Output adalah produk akhir atau konsekuensi karena berada dalam sistem

Umpan balik adalah aliran informasi dari output ke pengambil keputusan, yang dapat mengubah input atau proses (putaran tertutup)

Lingkungan berisi elemen yang terdapat di luar sistem tetapi mempengaruhi kinerja sistem


11

Bagaimana Mengidentifikasi Lingkungan?

Dua pertanyaan (Churchman, 1975)

1. Apakah elemen memberikan pengaruh secara relatif kepada tujuan sistem? [YA]

2. Apakah memungkinkan bagi pengambil keputusan untuk memanipulasi elemen ini secara siginifikan? [TIDAK]


12

Elemen Lingkungan Dapat Berupa..

Sosial

Politis

Hukum

Fisik

Ekonomi

Seringkali termasuk sistem lain


13

Garis Batas Memisahkan Sistem dari

Lingkungannya

Garis batas dapat berbentuk fisik atau nonfisik (berdasarkan definisi cakupannya atau jangka waktu)

Garis batas sistem informasi biasanya adalah berdasarkan definisi


14

Sistem Terbuka dan Tertutup

Mendefinisikan suatu garis batas pada dasarnya adalah menutup sistem

Sistem Tertutup benar-benar independen dari sistem atau subsistem lain

Sistem Terbuka sangat tergantung dengan lingkungannya


15

Sistem Informasi

Mengumpulkan, memproses, menyimpan, menganalisa, dan menyebarkan informasi dengan tujuan tertentu

Seringkali menjadi pusat dari banyak organisasi

Menerima input dan memproses data untuk menyediakan informasi kepada pengambil keputusan dan membantu mereka mengkomunikasikan hasilnya


16

Efektivitas dan Efisiensi Sistem

2 kelas besar untuk mengukur kinerja

Efektivitas adalah derajat pengukuran tujuan yang telah tercapaiMelakukan sesuatu yang benar!

Efisiensi adalah ukuran penggunaan input (atau sumberdaya) untuk mendapatkan outputMelakukan sesuatu dengan benar!

MSS menekankan pada efektivitasSeringkali pada: beberapa tujuan yang tidak dapat dikuantisasikan dan saling mengganggu


17

Model

Komponen utama DSSGunakan saja model dan bukannya bereksperimen pada sistem yang sebenarnya

Sebuah model adalah representasi yang disederhanakan atau abstraksi dari realitasRealitas umumnya terlalu kompleks untuk ditiru semirip mungkinKebanyakan kompleksitas yang ada sebenarnya tidak relevan dalam upaya pemecahan masalah


18

Derajat Abstraksi Model

(dari terkecil ke terbesar)

Model Ikonik (Skala) : replika fisik dari suatu sistem

Model Analog berkelakuan seperti sistem yang sebenarnya tetapi dengan tampilan tidak seperti sistem tersebut (representasi simbolik)

Model Matematis (Kuantitatif) menggunakan relasi matematika untuk merepresentasikan kompleksitas sistem.Ini adalah cara yang kebanyakan digunakan dalam analisis DSS


19

Keuntungan Menggunakan Model

1. Penghematan waktu2. Mudah memanipulasi model3. Biaya pembuatan rendah4. Biaya operasional rendah (terutama bila terdapat

kesalahan)5. Dapat memodelkan resiko dan ketidakpastian6. Dapat memodelkan sistem yang besar dan sangat

kompleks dengan kemungkinan pemecahan yang tidak terhingga

7. Meningkatkan dan memperkuat pembelajaran, serta meningkatkan kemampuan berlatih.

Keuntungan dari grafika komputer: lebih banyak model ikonik dan analog (simulasi visual)


20

Proses Permodelan:Pencermatan Awal

Berapa banyak pesanan untuk grosir Ma-Pa?

Bob dan Jan: Berapa banyak persediaan roti setiap hari?

Pendekatan solusiTrial-and-Error (coba-coba)

Simulasi

Optimisasi

Heuristik


21

Proses Pengambilan Keputusan

Proses pengambilan keputusan secara sistematik (Simon, 1977)

IntelijenPerancanganPemilihanImplementasi

(Gambar 2.2)

Permodelan Sangat Penting dalam proses tersebut


22

Fase Intelijen Mengamati realitas Mengidentifikasi dan mendefinisikan masalah

Fase Perancangan Membangun model representatif Mem-validasi model dan menentukan kriteria evaluasi

Fase Pemilihan Mencakup usulan pemecahan masalah dari model Bila layak, lanjutkan ke ..

Fase Implementasi Pemecahan pada masalah yang sebenarnya

bila Gagal: kembali ke proses permodelan

Seringkali bergerak mundur/kembali ke proses-proses


23

Fase Intelijen

Memeriksa lingkungan untuk mengidentifikasi situasi atau kemungkinan timbulnya masalah

Menemukan permasalahan Mengidentifikasi sasaran dan tujuan organisasional

Menentukan apakah hal-hal tersebut telah terpenuhi

Secara eksplisit mendefinisikan permasalahan


24

Klasifikasi Masalah

Terstruktur dibandingkan Tidak Terstruktur

Masalah terprogram vs tidak terprogram Simon (1977)

Masalah Masalah

Tidak TerprogramTerprogram


25

Dekomposisi Masalah: Membagi masalah yang kompleks menjadi submasalah (lebih mudah untuk dipecahkan) -- Chunking (Salami)

Masalah yang nampaknya tidak terlalu terstruktur mungkin memiliki beberapa submasalah yang sangat terstruktur

Pengalihan kepemilikan masalah

Keluaran: Pernyataan Masalah


26

Fase Perancangan

Membuat, mengembangkan, dan menganalisa tindakan-tindakan yang memungkinkan

Termasuk Memahami permasalahan Menguji kelayakan solusiMembangun, menguji, dan mem-validasi model

PermodelanKonseptualisasi permasalahanAbstraksi pada bentuk kuantitatif dan/ataukualitatif


27

Model Matematis

Mengidentifikasi variabel

Membuat persamaan yang menjelaskan relasinya

Menyederhanakan melalui asumsi

Menyeimbangkan penyederhanaan model dan representasi yang akurat dari realitas

Permodelan: suatu seni dan pengetahuan


28

Topik Permodelan Kuantitatif

Komponen-komponen Model

Struktur Model

Menyeleksi suatu Prinsip Pemilihan (Kriteria untuk Evaluasi)

Mengembangkan (Membuat) Alternatif

Memperkirakan Keluaran

Mengukur Keluaran

Skenario-skenario


29

Komponen Model Kuantitatif

Variabel Pengambilan KeputusanVariabel yang tidak dapat dikendalikan (dan/atau Parameter-parameter)Variabel Hasil (Keluaran)Relasi matematika

atau Relasi simbolik atau kualitatif

(Gambar 2.3)


30

Keputusan

Faktor yang tidak dapat dikendalikan

Relasi antar variabel

Hasil dari Pengambilan Keputusan Ditentukan

oleh


31

Variabel Hasil

Merefleksikan tingkat efektivitas dari sistem

Variabel yang meiliki ketergantungan

Contoh - Tabel 2.2


32

Variabel Pengambilan Keputusan

Menjelaskan alternatif langkah-langkah tindakan

Pengambil Keputusan mengendalikan tindakan tersebut

Contoh-contoh - Tabel 2.2


33

Variabel atau Parameter yang Tidak Dapat

DikendalikanFaktor-faktor yang mempengaruhi variabel hasilTidak dibawah kendali Pengambil KeputusanUmumnya adalah bagian dari lingkunganBeberapa diantaranya melingkupi pengambil keputusan dan disebut dengan pembatasContoh - Tabel 2.2

Variabel hasil tengahan Merefleksikan keluaran yang bersifat tengahan


34

Struktur Model Kuantitatif

Ekspresi Matematis (misalnya persamaan atau pertidaksamaan) menghubungkan komponen-komponen

Model keuangan sederhana P = R - C

Model Nilai-SekarangP = F / (1+i)n


35

Contoh PLModel Pemrograman Linier Perhitungan Produksi

Perusahaan MBIKeputusan: Berapa komputer yang akan dibuat bulan depan?Ada 2 jenis komputerBatasan pekerjaBatasan materialBatasan penurunan pasaran

Pembatas CC7 CC8 Hub BatasPekerja (hr) 300 500 <= 200.000 / blMaterial $ 10.000 15.000 <= 8.000.000 / blUnit 1 >= 100Unit 1 >= 200Keuntungan $ 8.000 12.000 Maks

Tujuan: Memaksimalkan Total Keuntungan / Bulan


36

Model Pemrograman Linier

Komponen Variabel pengambilan keputusan Variabel hasil Variabel yang tidak dapat dikendalikan (pembatas)

Solusi X1 = 333,33 X2 = 200 Keuntungan = $5.066.667


37

Masalah Optimisasi Pemrograman Linier Pemrograman Tujuan Pemrograman Jaringan Pemrograman Bil. Bulat Masalah Transportasi Masalah Penugasan Pemrograman Nonlinear Pemrograman Dinamis Pemrograman Stokastik Model Investasi Model Inventaris sederhana Model Penggantian (anggaran pembiayaan)


38

Prinsip Pemilihan

Apa kriteria yang digunakan?

Solusi terbaik?

Solusi yang cukup baik?


39

Seleksi Prinsip Pemilihan

Bukan pada fase Pemilihan

Keputusan yang berhubungan dengan penerimaan pendekatan solusi

Normatif

Deskriptif


40

Model Normatif

Alternatif yang dipilih terlihat sebagai yang terbaik dari semuanya (biasanya gagasan yang bagus)

Proses Optimisasi

Teori keputusan normatif didasarkan pada pengambil keputusan yang rasional


41

Asumsi RasionalitasManusia adalah mahluk ekonomi yang memiliki tujuan untuk memaksimalkan pencapaian sasaran; tentu saja, pengambil keputusan adalah rasional

Dalam situasi pengambilan keputusan, semua alternatif tindakan yang memungkinkan dan konsekuensinya, atau paling tidak kemungkinan dan nilai konsekuensinya, telah diketahui

Pengambil keputusan memiliki aturan atau acuan yang memungkinkan mereka untuk menilai tingkat kebutuhan dari semua konsekuensi analisis


42

Sub-optimisasi

Mempersempit garis batas sistem

Mempertimbangkan bagian dari sistem lengkap

Mengarah pada solusi (yang mungkin sangat bagus, tapi) non-optimal

Metode yang dapat dijalankan


43

Model Deskriptif

Menjelaskan sesuatu apa adanya, atau diyakini memang seperti itu

Sangat berguna dalam DSS untuk mengevaluasi konsekuensi dari keputusan dan skenarionya

Tidak ada jaminan bahwa solusi tersebut adalah optimal

Seringkali sebuah solusi akan cukup baik

Simulasi: Teknik permodelan deskriptif


44

Descriptive ModelsInformation flow

Scenario analysis

Financial planning

Complex inventory decisions

Markov analysis (predictions)

Environmental impact analysis

Simulation

Waiting line (queue) management


45

Satisficing (Good Enough)

Most human decision makers will settle for a good enough solution

Tradeoff: time and cost of searching for an optimum versus the value of obtaining one

Good enough or satisficing solution may meet a certain goal level is attained

(Simon, 1977)


46

Why Satisfice?Bounded Rationality

(Simon)Humans have a limited capacity for rational thinking

Generally construct and analyze a simplified model

Behavior to the simplified model may be rational

But, the rational solution to the simplified model may NOT BE rational in the real-world situation

Rationality is bounded by limitations on human processing capacities individual differences

Bounded rationality: why many models are descriptive, not normative


47

Developing (Generating) Alternatives

In Optimization Models: Automatically by the Model!

Not Always So!

Issue: When to Stop?


48

Predicting the Outcome of Each Alternative

Must predict the future outcome of each proposed alternative

Consider what the decision maker knows (or believes) about the forecasted results

Classify Each Situation as Under Certainty Risk Uncertainty


49

Decision Making Under Certainty

Assumes complete knowledge available (deterministic environment)Example: U.S. Treasury bill investment

Typically for structured problems with short time horizons

Sometimes DSS approach is needed for certainty situations


50

Decision Making Under Risk (Risk Analysis)

Probabilistic or stochastic decision situation

Must consider several possible outcomes for each alternative, each with a probability

Long-run probabilities of the occurrences of the given outcomes are assumed known or estimated

Assess the (calculated) degree of risk associated with each alternative


51

Risk Analysis

Calculate the expected value of each alternative

Select the alternative with the best expected value

Example: poker game with some cards face up (7 card game - 2 down, 4 up, 1 down)


52

Decision Making Under Uncertainty

Several outcomes possible for each course of action

BUT the decision maker does not know, or cannot estimate the probability of occurrence

More difficult - insufficient information

Assessing the decision maker's (and/or the organizational) attitude toward risk

Example: poker game with no cards face up (5 card stud or draw)


53

Measuring Outcomes

Goal attainment

Maximize profit

Minimize cost

Customer satisfaction level (minimize number of complaints)

Maximize quality or satisfaction ratings (surveys)


54

Scenarios

Useful in

Simulation

What-if analysis


55

Importance of Scenarios in MSS

Help identify potential opportunities and/or problem areas

Provide flexibility in planning

Identify leading edges of changes that management should monitor

Help validate major assumptions used in modeling

Help check the sensitivity of proposed solutions to changes in scenarios


56

Possible Scenarios

Worst possible (low demand, high cost)

Best possible (high demand, high revenue, low cost)

Most likely (median or average values)

Many more

The scenario sets the stage for the analysis


57

The Choice Phase

The CRITICAL act - decision made here!

Search, evaluation, and recommending an appropriate solution to the model

Specific set of values for the decision variables in a selected alternative

The problem is considered solved only after the recommended solution to the model is successfully implemented


58

Search Approaches

Analytical Techniques

Algorithms (Optimization)

Blind and Heuristic Search Techniques


59

Evaluation: Multiple Goals, Sensitivity

Analysis, What-If, and Goal Seeking

Evaluation (with the search process) leads to a recommended solutionMultiple goals Complex systems have multiple goalsSome may conflict

Typically, quantitative models have a single goal

Can transform a multiple-goal problem into a single-goal problem


60

Common Methods

Utility theory

Goal programming

Expression of goals as constraints, using linear programming

Point system

Computerized models can support multiple goal decision making


61

Sensitivity Analysis

Change inputs or parameters, look at model results

Sensitivity analysis checks relationships

Types of Sensitivity Analyses

Automatic

Trial and error


62

Trial and Error Change input data and re-solve the problem

Better and better solutions can be discovered

How to do? Easy in spreadsheets (Excel) What-if Goal seeking


63

What-If Analysis

Figure 2.9 - Spreadsheet example of a what-if query for a cash flow problem


64

Goal Seeking

Backward solution approach

Example: Figure 2.10

What interest rate causes an the net present value of an investment to break even?

In a DSS the what-if and the goal-seeking options must be easy to perform


65

Goal Seeking


66

The Implementation Phase

There is nothing more difficult to carry out, nor more doubtful of success, nor more dangerous to handle, than to initiate a new order of things

(Machiavelli, 1500s)

*** The Introduction of a Change ***

Important IssuesResistance to changeDegree of top management support Users’ roles and involvement in system developmentUsers’ training


67

How Decisions Are Supported

Specific MSS technologies relationship to the decision making process (see Figure 2.10)

Intelligence: DSS, ES, ANN, MIS, Data Mining, OLAP, EIS, GSS

Design and Choice: DSS, ES, GSS, Management Science, ANN

Implementation: DSS, ES, GSS


68

Alternative Decision Making Models

Paterson decision-making processKotter’s process modelPound’s flow chart of managerial behaviorKepner-Tregoe rational decision-making approachHammond, Kenney, and Raiffa smart choice methodCougar’s creative problem solving concept and modelPokras problem-solving methodologyBazerman’s anatomy of a decisionHarrison’s interdisciplinary approachesBeach’s naturalistic decision theories


69

Naturalistic Decision Theories

Focus on how decisions are made, not how they should be made

Based on behavioral decision theory

Recognition models

Narrative-based models


70

Recognition Models

Policy

Recognition-primed decision model


71

Narrative-based Models (Descriptive)

Scenario model

Story model

Argument-driven action (ADA) model

Incremental models

Image theory


72

Other Important Decision- Making Issues

Personality types

Gender

Human cognition

Decision styles


73

Personality (Temperament) Types

Strong relationship between personality and decision making

Type helps explain how to best attack a problem

Type indicates how to relate to other types important for team building

Influences cognitive style and decision style


74

Temperament

Jung (1923): people are fundamentally different

Hippocrates, too

Myers-Briggs personality profile (DSS in Focus 2.10)

Keirsey and Bates: short Myers-Briggs test

Birkman True Colors: Short test (DSS in Focus 2.11)


75

Myers-Briggs Dimensions

Extraversion (E) to Intraversion (I)

Sensation (S) to Intuition (N)

Thinking (T) to Feeling (F)

Perceiving (P) to Judging (J)


76

Birkman True Colors Types

Red

Blue

Green

Yellow


77

Gender

Sometimes empirical testing indicates gender differences in decision making

Results are overwhelmingly inconclusive


78

Cognition

Cognition: Activities by which an individual resolves differences between an internalized view of the environment and what actually exists in that same environment

Ability to perceive and understand information

Cognitive models are attempts to explain or understand various human cognitive processes


79

Cognitive Style

The subjective process through which individuals perceive, organize, and change information during the decision-making process

Often determines people's preference for human-machine interface

Impacts on preferences for qualitative versus quantitative analysis and preferences for decision-making aids

Affects the way a decision maker frames a problem


80

Cognitive Style Research

Impacts on the design of management information systems

May be overemphasized

Analytic decision maker

Heuristic decision maker


81

Decision Styles

The manner in which decision makers

Think and react to problemsPerceive their

Cognitive response Values and beliefs

Varies from individual to individual and from situation to situationDecision making is a nonlinear process

The manner in which managers make decisions (and the way they interact with other people) describes their decision style

There are dozens


82

Some Decision StylesHeuristicAnalyticAutocratic Democratic Consultative (with individuals or groups)Combinations and variations

For successful decision-making support, an MSS must fit the

Decision situation Decision style


83

The system should be flexible and adaptable to different users have what-if and goal seeking have graphics have process flexibility

An MSS should help decision makers use and develop their own styles, skills, and knowledge

Different decision styles require different types of support

Major factor: individual or group decision maker


84

The Decision Makers Individuals

Groups


85

Individuals

May still have conflicting objectives

Decisions may be fully automated


86

Groups

Most major decisions made by groups

Conflicting objectives are common

Variable size

People from different departments

People from different organizations

The group decision-making process can be very complicated

Consider Group Support Systems (GSS)

Organizational DSS can help in enterprise-wide decision-making situations


87

Summary

Managerial decision making is the whole process of managementProblem solving also refers to opportunity's evaluationA system is a collection of objects such as people, resources, concepts, and procedures intended to perform an identifiable function or to serve a goalDSS deals primarily with open systemsA model is a simplified representation or abstraction of realityModels enable fast and inexpensive experimentation with systems


88

Modeling can employ optimization, heuristic, or simulation techniquesDecision making involves four major phases: intelligence, design, choice, and implementationWhat-if and goal seeking are the two most common sensitivity analysis approachesComputers can support all phases of decision making by automating many required tasksPersonality (temperament) influences decision makingGender impacts on decision making are inconclusiveHuman cognitive styles may influence human-machine interactionHuman decision styles need to be recognized in designing MSS


spk bab2 by firli

Documents