sistem endukung keputusan -...
TRANSCRIPT
SISTEM
PENDUKUNG KEPUTUSAN
SIMON’S TYPES OF DECISIONS
Keputusan Terprogram
Berulang dan rutin
Sampai pada batas hingga suatu prosedur pasti telah dibuat untuk menanganinya sehingga keputusan tersebut tidak perlu diperlakukan
Keputusan tak terprogram
Tidak terstruktur
Tidak ada metode khusus untuk menangani hal ini.
TAHAP-TAHAP PENGAMBILAN KEPUTUSAN MENURUT
SIMON
Intelligence Mengamati lingkungan untuk mengetahui
kondisi-kondisi yang perlu diperbaiki
Design Menemukan, mengembangkan dan menganalisa
berbagai alternatif tindakan yang mungkin
Choice memilih satu rangkaian tindakan tertentu dari
beberapa yang tersedia
Review Menilai pilihan-pilihan yang lalu
DEFINISI DARI SISTEM PENDUKUNG KEPUTUSAN
Definisi Umum – menyediakan informasi
pemecahan masalah maupun kemampuan
komunikasi dalam memecahkan masalah semi
terstruktur.
THE DSS CONCEPT
Gorry and Scott Morton menggambarkan jenis-jenis keputusan menurut struktur masalah. dari terstruktur sampai tidak terstruktur
Masalah terstruktur merupakan suatu masalah yang memiliki strukutur pada tiga tahap pertama simon yaitu, inteligen, rancangan dan pilihan
Masalah tidak terstruktur merupakan sebaliknya yang sama sekali tidak memiliki strukutur pada tiga tahap seperti yang dikemukakan simon
Masalah Semi terstruktur merupakan masalah yang memiliki struktur hanya pada satu atau dua tahap pada tahapan yang dikemukakan simon
Tingkat
struktur
masalah
The Gorry and Scott Morton Grid
Management levels
Structured
Semistructured
Unstructured
Operational
control
Management
control
Strategic
planning
Piutang
dagang
Order entry
Inventory
control
Analisis anggaran
biaya
peramalan
jangka pendek
pengaturan armada
Lokasi gudang
Jadwal
produksi
Cash
management
PERT/COST
systems
Analisis anggaran
keseluruhan
penyiapan
anggaran
Penjualan dan
produksi
Penggabungan usaha
Dan akuisisi
Perencanaan produk
baru
Perencanaan litbang
JENIS-JENIS DSS MENURUT ALTER
Tingkatan kerimutan DSS dari jenis yang rendah
sampai yang tertinggi
Mengambil elemen informasi
Menganalisa seluru file
Menyiapkan laporan dari berbagai file
Menyiapkan akibat keputusan
Mengusulkan keputusan
Mengambil keputusan
Retrieve
information
elements
Analyze
entire
files
Prepare
reports
from
multiple
files
Estimate
decision
consequen-
ces
Propose
decisions
Tingkat
dukungan
pemecahan
masalah
Tingkat kerumitan
sistem
pemecahan
masalah
Little Much
Alter’s DSS Types
Make
decisions
TIGA TUJUAN YANG HARUS DICAPAI DSS
1. Membantu manajer membuat keputusan untuk
memecahkan masalah semi terstruktur
2. Mendukung penilaian manajer bukan mencoba
menggantikannya
3. Meningkatkan efektifnes pengambilan keputusan
manajer daripada efisiensinya
MODEL DSS
Pemecah
Masalah
Peorangan
Para Anggota
Kelompok
Yang lain
P/L (S/W)
Penulisan
Laporan
Model
Matematika
Perangkat
Kelompok
(Groupware)
Database
Lingkungan
MODEL DSS
Isi database digunakan oleh tiga subsistem Perangkat lunak penulisan laporan
Special reports
Periodic reports
COBOL or PL/I
DBMS
Model Matematika Simulations
Special modeling languages
Groupware
memungkinkan beberapa pemecah masalah bekerja bersama sebagai satu kelompok untuk mencapai solusi.
GROUP DECISION SUPPORT SYSTEMS
Merupakan suatu sistem berbasis komputer yang
mendukung kelompok-kelompok orang yang
terlibat dalam suatu tugas bersama dan yang
menyediakan interface bagi suatu lingkungan
bersama
Digunakan dalam penyelesaian masalah
BAGAIMANA GDSS BERKONTRIBUSI PADA PEMECAHAN
MASALAH
Komunikasi yang lebih baik memungkinkan
keputusan yang lebih baik. Komunikasi yang lebih
baik tercapai dengan menjaga diskusi terfokus
pada masalah, akibatnya mengurangi waktu
terbuang
PENGATURAN LINGKUNGAN GDSS
Synchronous exchange
Para anggotan dapat bertemu pada waktu yang sama,
contohnya rapat komite
Asynchronous exchange
Para anggota dapat bertemu pada waktu yang
berlainan contohnya komunikasi melalui surat
elektronik.
GDSS TYPES Ruang Keputusan
Merupakan pengaturan rapat untuk kelompok kecil secara tatap muka
Jaringan keputusan setempat
Anggota berinteraksi melalui jaringan
Pertemuan legislatif
Jika kelompok terlalu besar untuk ruang keputusan
Konferensi bermedia komputer
Beberapa aplikasi kantor virtual memungkinkan komunikasi antara kelompok-kelompok besar dengan anggota yang tersebar secara geografis
GROUPWARE
Functions
FAX
Voice messaging
Internet access
Lotus Notes
Popular groupware product
Handles data important to managers
ARTIFICIAL INTELLIGENCE (AI)
Kegiatan memberikan pada mesin
seperti komputer kemampuan
untuk menampilkan perilaku yang
dianggap cerdas jika diamati pada
manusia.
Lingkungan dari kecerdasan Buatan
Expert
systems AI
hardware
Robotics
Perceptive
systems
(vision,
hearing)
Neural
networks
Natural
language
Learning
Artificial Intelligence
APPEAL OF EXPERT SYSTEMS
Computer program that codes the knowledge of
human experts in the form of heuristics
Two distinctions from DSS
1. Has potential to extend manager‟s problem-solving
ability
2. Ability to explain how solution was reached
Know-
ledge
base
User
User
interface
Instructions &
information
Solutions &
Penjelasan Knowledge
Inference
engine
Problem
Domain
Expert and
knowledge engineer
Development
engine Expert
system Model
Sistem Pakar
EXPERT SYSTEM MODEL
User interface
Allows user to interact with system
Knowledge base
Houses accumulated knowledge
Inference engine
Provides reasoning
Interprets knowledge base
Development engine
Creates expert system
USER INTERFACE
User enters:
Instructions
Information
Expert system provides:
Solutions
Explanations of
Questions
Problem solutions
Menus, commands, natural language, GUI
KNOWLEDGE BASE
Description of problem domain
Rules
Knowledge representation technique
„IF:THEN‟ logic
Networks of rules
Lowest levels provide evidence
Top levels produce 1 or more conclusions
Conclusion is called a Goal variable.
Evidence
Conclusion
Conclusion
Evidence Evidence Evidence Evidence
Evidence Evidence Evidence
Conclusion
A Rule Set That
Produces One Final
Conclusion
RULE SELECTION
Selecting rules to efficiently solve a problem is
difficult
Some goals can be reached with only a few rules;
rules 3 and 4 identify bird
INFERENCE ENGINE
Performs reasoning by using the contents of
knowledge base in a particular sequence
Two basic approaches to using rules
1. Forward reasoning (data driven)
2. Reverse reasoning (goal driven)
FORWARD REASONING (FORWARD CHAINING)
Rule is evaluated as:
(1) true, (2) false, (3) unknown
Rule evaluation is an iterative process
When no more rules can fire, the reasoning
process stops even if a goal has not been reached
Start with inputs and
work to solution
Rule 1
Rule 3
Rule 2
Rule 4
Rule 5
Rule 6
Rule 7
Rule 8
Rule 9
Rule 10
Rule 11
Rule 12
IF A
THEN B
IF C
THEN D
IF M
THEN E
IF K
THEN F
IF G
THEN H
IF I
THEN J
IF B OR D
THEN K
IF E
THEN L
IF K AND
L THEN N
IF M
THEN O
IF N OR O
THEN P
F
IF (F AND H)
OR J
THEN M
The Forward
Reasoning
Process
T
T T
T
T
T
T
T
T
F
T
Legend:
First pass
Second pass
Third pass
REVERSE REASONING STEPS
(BACKWARD CHAINING)
Divide problem into subproblems
Try to solve one subproblem
Then try another
Start with solution and
work back to inputs
T
Rule 1
Rule 2
Rule 3
Rule 9
Rule 11 Legend: Problems to
be solved
Step 4
Step 3
Step 2
Step 1
Step 5
IF A THEN
B
IF B OR D
THEN K IF K AND L
THEN N IF N OR O
THEN P
IF C
THEN D
IF M
THEN E
IF E
THEN L
IF (F AND H)
OR J
THEN M
IF M
THEN O IF M
THEN O
T
The First Five Problems
Are Identified Rule 7
Rule 10
Rule 12
Rule 8
If K
Then F
Legend: Problems to
be solved
If G
Then H
If I
Then J
If M
Then O
Step 8
Step 9 Step 7 Step 6
Rule 4
Rule 5
Rule 11 Rule 6
T
IF (F And H)
Or J
Then M T
Rule 9
T T
Rule 12
T
If N Or O
Then P
The Next Four Problems Are
Identified
FORWARD VERSUS REVERSE REASONING Reverse reasoning is faster than forward
reasoning
Reverse reasoning works best under certain
conditions
Multiple goal variables
Many rules
All or most rules do not have to be examined in the
process of reaching a solution
DEVELOPMENT ENGINE
Programming languages
Lisp
Prolog
Expert system shells
Ready made processor that can be tailored to a
particular problem domain
Case-based reasoning (CBR)
Decision tree
EXPERT SYSTEM ADVANTAGES
For managers Consider more alternatives
Apply high level of logic
Have more time to evaluate decision rules
Consistent logic
For the firm Better performance from management team
Retain firm‟s knowledge resource
EXPERT SYSTEM DISADVANTAGES
Can‟t handle inconsistent knowledge
Can‟t apply judgment or intuition
KEYS TO SUCCESSFUL ES DEVELOPMENT
Coordinate ES development with strategic
planning
Clearly define problem to be solved and
understand problem domain
Pay particular attention to ethical and
legal feasibility of proposed system
Understand users‟ concerns and
expectations concerning system
Employ management techniques designed
to retain developers
NEURAL NETWORKS
Mathematical model of the human brain
Simulates the way neurons interact to process data and
learn from experience
Bottom-up approach to modeling human intuition
THE HUMAN BRAIN
Neuron -- the information processor
Input -- dendrites
Processing -- soma
Output -- axon
Neurons are connected by the synapse
Soma
(processor)
Axon
Synapse
Dendrites
(input)
Axonal Paths
(output)
Simple Biological Neurons
EVOLUTION OF ARTIFICIAL NEURAL SYSTEMS (ANS)
McCulloch-Pitts mathematical neuron function
(late 1930s) was the starting point
Hebb‟s learning law (early 1940s)
Neurocomputers
Marvin Minsky‟s Snark (early 1950s)
Rosenblatt‟s Perceptron (mid 1950s)
CURRENT METHODOLOGY
Mathematical models don‟t duplicate human
brains, but exhibit similar abilities
Complex networks
Repetitious training
ANS “learns” by example
y1
y2
y3
yn-1
y
w1
w2
w3
wn-1
Single Artificial Neuron
The Multi-Layer
Perceptron
Yn2
INn
OUTn OUT1
IN1
Y1
Input
Layer
OutputL
ayer
KNOWLEDGE-BASED SYSTEMS
IN PERSPECTIVE
Much has been accomplished in neural nets and
expert systems
Much work remains
Systems abilities to mimic human intelligence
are too limited and regarded as primitive
SUMMARY [CONT.]
AI
Neural networks
Expert systems
Limitations and promise