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

E-mail

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