7 Kesalahan Besar Dalam Membuat Keputusan

Sawyer (1999) menjelaskan apa yang dia sebut sebagai "tujuh kesalahan besar dalam proses pengambilan keputusan." Ini adalah perangkap umum yang terjadi dalam pengambilan keputusan yang seringkali tanpa disadari si pengambil keputusan. Mereka semua saling terkait. Tujuh kesalahan besar ini adalah:
  1. Percaya bahwa Anda sudah memiliki semua jawaban (tidak ada usaha untuk mencari informasi di luar atau keahlian Anda).
  2. Mengajukan pertanyaan yang salah (Anda perlu informasi yang tepat untuk membuat keputusan).
  3. Ego yang sudah kuat (ego setan tua, yaitu pembuat keputusan merasa dia yang benar dan menolak untuk mundur dari kebijakan atau keputusan yang buruk).
  4. Memutuskan sesuatu dengan berdasarkan inisiatif sendiri atau persepsi sendiri dan mengabaikan rencana yang sudah ditentukan atau bantuan-bantuan lainnya, dan tanpa menggunakan kemampuan atau pengalaman yang diperlukan (Dengan tidak mencari informasi, sebuah organisasi menghemat uang dan membuat keputusan yang buruk).
  5. Semua berjalan karena ikut-ikutan: jika sesuatu berhasil untuk mereka, itu akan berhasil juga untuk kita (menyontek ide-ide orang lain harus benar-benar melibatkan pemahaman yang dalam mengapa dan bagaimana mereka berhasil).

k-Means vs k-Medoids, Kelemahan k-Medoids dan Solusinya: CLARA

Metode mana yang lebih handal antara k-means vs k-medoids

Metode k-medoids lebih handal dibanding dengan k-means ketika ada data noise dan pencilan karena k-medoids tidak terlalu dipengaruhi oleh data pencilan atau data ekstrem lainnya dibandingkan dengan k-means. Namun demikian, kompleksitas tiap-tiap iterasi dalam algoritma k-medoids secara komputasi adalah O(k(n-k)2). [Baca artikel sebelumnya tentang: Penjelasan k-Medoids, Algoritma, dan Contohnya]. Bila nilai n dan k sangat besar, komputasi ini mejadi sangat mahal (lama dan rumit), dan jauh lebih mahal dibanding dengan metode k-means. Kesamaan dari kedua metode tersebut adalah bahwa pengguna perlu menetapkan k atau jumlah clusternya. Berikut di bawah ini adalah tabel yang lebih menjelaskan tentang kajian perbandingan antara k-means vs k-medoids dalam beberapa aspek:
Perbandingan k-means vs k-medoids dalam beberapa aspek

Penjelasan k-Medoids, Algoritma, dan Contohnya

Pada artikel sebelumnya tentang kelemahan k-means dan contohnya (lihat pada artikel sebelumnya disini), algoritma k-means sangat sensitif terhadap pencilan (outliers) karena object-object pencilan sangat jauh berbeda dari object lain pada umumnya sehingga ketika dimasukkan ke dalam suatu cluster, object-object seperti itu mendistorsi nilai rerata (mean) dari cluster tersebut. Hal ini secara tak sengaja berpengaruh pada object-object lainnya. Contoh tentang kelemahan ini bisa dibaca lagi di artikel sebelumnya [Kelemahan k-means dan Contohnya].

Kelemahan k-Means dan Contohnya

Algoritma k-Means sangat sensitif terhadap pencilan (outliers) karena object-object seperti ini sangat jauh letaknya/karakteristiknya dari mayoritas data lainnya, dan dengan demikian bila dimasukkan ke suatu cluster, data semacam ini bisa mendistorsi nilai rerata cluster secara dramatis. Hal ini secara tak sengaja akan mengubah penetapan object-object lainnya ke cluster-cluster. Efek ini diperburuk lagi karena penggunaan fungsi error kuadrat, seperti bisa dilihat di contoh berikut.

Contoh kelemahan k-Means. Misalkan ada enam titik dalam ruang 1-D (satu dimensi) yang nilai-nilainya adalah sebagai berikut: 1,2,3,8,9,10, dan 25. Secara intuitif, dengan melihat secara visual kita bisa membayangkan bahwa titik-titik tersebut dipartisi menjadi cluster {1,2,3} dan {8,9,10}. dimana titik 25 dikeluarkan karena terlihat sebagai suatu pencilan (outlier). Tetapi, bagaimanakah k-means akan mempartisi nilai-nilai tersebut? Jika kita menerapkan k-means dengan menggunakan k = 2 dan menggunakan persamaan dalam artikel sebelumnya tentang: [Penjelasan Cara Kerja Algoritma k-Means: Suatu Teknik Clustering Partisi Berbasis Centroid], partisi {{1,2,3}, {8,9,10,25}} akan memiliki simpangan di dalam cluster seperti berikut:

Contoh Ilustrasi Clustering Dengan Menggunakan k-Means dan Variannya: k-Modes

Misalkan ada satu set object yang berada di ruang 2-D (dua dimensi), seperti gambar a disamping. Tentukan k = 3, yang artinya, kita akan mempartisi atau membagi object-object menjadi tiga cluster.

Gambar a. posisi cluster awal
Berdasarkan penjelasan algoritma dalam artikel sebelumnya [Penjelasan Cara Kerja Algoritma k-Means], kita akan memilih secara acak tiga object sebagai pusat-pusat cluster di awal, dimana ketiga pusat cluster tersebut diberi tanda + (lihat gambar, mungkin salah satu cluster agak tidak kelihatan tanda + di gambar a disamping). Masing-masing object ditetapkan ke suatu cluster berdasarkan pusat cluster terdekat. Distribusi object seperti ini bisa dilihat diilustrasi gambar a disamping dengan obejct-object yang dibatasi oleh kurva dengan garis putus-putus.

Penjelasan Cara Kerja Algoritma k-Means: Suatu Teknik Clustering Partisi Berbasis Centroid

Salah satu teknik clustering partisi yang paling populer adalah k-Means. Berikut adalah penjelasan
k-Means berdasarkan penerapan secara teknis. Misalkan ada suatu dataset D, yang berisi object sebanyak n dalam ruang Euclidean (ruang dua dimensi). Metode partisi akan mendistribusikan object-object di dalam D ke dalam cluster-cluster sebanyak k, C1, ... , Ck, yang artinya bahwa, Ci ⊂ D dan Ci ∩ Cj= ∅ untuk (1 ≤ i , j ≤ k). Suatu fungsi yang obyektif digunakan untuk menilai kualitas partisi sehingga object-object di dalam suatu cluster mirip satu sama lain dan tidak mirip dengan object-object di cluster yang lain. Artinya, fungsi obyektif tersebut bertujuan untuk menilai kemiripan yang tinggi pada object-object di dalam cluster yang sama dan kemiripan yang rendah pada cluster yang berbeda.

Metode-metode Dasar dalam Clustering

Menurut berbagai literatur, ada banyak algoritma clustering. Jadi agak sulit untuk memberikan pengkategorian yang pas untuk berbagai macam metode clustering karena akan menyebabkan overlap dalam kategori-kategori tersebut sehingga suatu metode mungkin saja memiliki ciri-ciri dari beberapa kategori. Namun, mungkin bermanfaat apabila disajikan gambaran yang relatif lebih terorganisir tentang metode-metode clustering. Secara umum, metode-metode utama dalam clustering yang mendasar bisa digolongkan menjadi kategori-kategori berikut dibawah ini. [Baca juga: Metode-metode dalam Data Mining]

Pengertian Clustering atau Analisa Cluster

Pengertian clustering atau analisa cluster adalah proses membagi (atau mempartisi) satu set objek data (atau observasi) menjadi beberapa subset. Masing-masing subset adalah satu cluster, sedemikian sehingga objek-objek di dalam suatu cluster adalah mirip satu sama lain, namun tidak mirip dengan objek-objek di dalam cluster lainnya. Set (atau kumpulan) cluster yang dihasilkan dari analisa cluster bisa disebut sebagai clustering. Di dalam konteks ini, berbagai metode clustering yang berbeda bisa menghasilkan clustering yang berbeda pada dataset yang sama. [Baca juga: Metode-metode Dasar dalam Clustering]. Proses membagi (atau mempartisi) tidak dilakukan oleh manusia, tetapi oleh algoritma clustering. Jadi, clustering sangat bermanfaat karena dapat membawa ke penemuan berbagai kelompok yang belum diketahui sebelumnya di dalam data.

10 Perusahaan Teknologi Pemberi Gaji Terbesar Menurut Glassdoor

Industri teknologi adalah salah satu industri yang memberikan gaji tertinggi, karena adanya kebutuhan yang tinggi terhadap software engineer, developer, atau data scientist. Menurut Glassdoor, berikut di bawah ini adalah daftar 10 perusahaan teknologi yang menawarkan gaji tertinggi (data terakhir 2016). Glassdoor adalah situs jejaring sosial yang berfokus pada mengumpulkan, berbagi, dan me-review salary dan benefit para karyawan di berbagai perusahaan di semua industri. [Baca juga: 10 Pekerjaan IT Idaman dengan Gaji Tinggi]
  1. Juniper Networks. Adalah perusahaan infrastruktur jaringan yang bermarkas di Sunnyvale, California. Nilai median dari total kompensasi tahunan karyawan adalah $157.000 dan nilai median gaji pokok tahunan adalah $147.000. Staf engeneers di Juniper Networks memperoleh gaji rata-rata $146,699 sementara technical support engineer rata-rata mendapat $111.483 per tahun.
  2. Google. Adalah perusahaan adidaya di dunia teknologi dan hampir semua orang yang mengakses internet pasti menggunakan produk-produk Google. Nilai median kompensasi tahunan di Google adalah $153,750 dan nilai median gaji pokoknya per tahun adalah $123,331. Software engineer di Google rata-rata mendapatkan gaji $127,047, dan senior software engineer rata-rata mendapatkan gaji $162,249 per tahun.

10 Peran Manajemen Menurut Mintzberg

Untuk melaksanakan fungsi-fungsi manajerial seperti membuat perencanaan, pengorganisasian, pengarahan, implementasi, evaluasi, dan pengontrolan, para manajer harus terlibat secara mendalam dalam proses pembuatan keputusan secara kontinyu. Tingkat produktivitas atau tingkat keberhasilan manajemen bergantung pada kinerja berbagai fungsi manajerial tersebut. Menurut kajian dari Mintzberg ada 10 peran utama dalam fungsi manajerial yang terbagi menjadi tiga kategori. 10 peran manajerial tersebut adalah seperti berikut:

Jurusan Ilmu Komputer & Sistem Informasi (dan terkait) Terbaik di Dunia-Asia-Indonesia

Berikut di bawah ini adalah daftar universitas terbaik di seluruh Dunia, Asia, dan Indonesia untuk jurusan yang terkait dengan ilmu komputer, sistem informasi, informatika,teknologi informasi, dan sekitarnya. Data peringkat ini diambil dari QS Top Universities yang merilis peringkat universitas-universitas seluruh dunia pada pertengahan juni lalu (14-06-2016). [Baca juga: Peringkat Universitas Teratas Dunia - Asia - Indonesia Versi QS Top Universities]

10 Temuan Penting Tentang Keamanan Cyber Menurut Laporan Microsoft

Selama 10 tahun, Microsoft telah mempelajari dan menganalisa ancaman eksploitasi, celah keamanan, dan malware. Microsoft telah menggunakan data yang dikumpulkan dari lebih dari 600 juta komputer seluruh dunia untuk mengembangkan salah satu dataset keamanan yang paling lengkap di dunia. Penelitian sepanjang tahun kami kemudian dikumpulkan dan diterbitkan dalam The Microsoft Security Intelligence Report, yang terakreditasi secara global, laporan 160-halaman yang membahas secara komprehensif tentang lanskap keamanan cyber. Berikut di bawah ini adalah ringkasan tentang 10 temuan penting dari kajian tersebut:

Pekerjaan Akuntan (Akuntansi) Yang Terkait Sistem Informasi

Para akuntan pada umumnya terlibat dengan sistem informasi dalam tiga cara: 1) sebagai pengguna sistem, 2) sebagai desainer sistem, dan 3) sebagai auditor sistem. [Baca juga: Pekerjaan atau Profesi yang Berkaitan Dengan Akuntansi]

1. Akuntan sebagai Pengguna Sistem

Dalam kebanyakan organisasi, fungsi akuntansi adalah pengguna IT yang paling besar. Semua sistem yang mem-proses transaksi keuangan memberi dampak pada fungsi akuntansi. Sebagai pengguna sistem, para akuntan harus memberikan gambaran yang jelas terhadap kebutuhan mereka kepada para profesional yang men-desain sistem mereka. Contohnya, akuntan harus menyebutkan secara spesifik aturan-aturan dan teknik-teknik yang digunakan dalam akuntansi, berbagai requirement dalam pengawasan/pengendalian internal (internal control), dan algoritma tertentu seperti berbagai model depresiasi. Partisipasi akuntan dalam proses pengembangan sistem haruslah aktif dan tidak pasif. Penyebab utama terjadinya kesalahan desain yang mengakibatkan kegagalan sistem adalah tidak adanya keterlibatan pengguna.

Apa yang dimaksud dengan sistem ERP (Enterprise Resource Planning)

ERP (Enterprise Resource Planning) adalah suatu model sistem informasi yang memungkinkan organisasi untuk meng-otomasi dan meng-integrasikan proses-proses bisnis utamanya. ERP memecah kebuntuan berbagai hambatan fungsional tradisional dalam organisasi dengan cara mem-fasilitasi sharing/berbagai data, berbagai aliran informasi, dan mengenalkan/menyalurkan praktik-praktik bisnis yang umum diantara semua pengguna dalam organisasi. Implementasi sistem ERP bisa menjadi suatu upaya yang masif yang dapat memakan waktu hingga beberapa tahun. Karena kompleksitas dan ukuran sistem ERP, hanya sebagian kecil organisasi bersedia atau mampu menerapkan berbagai resource fisik dan finansial dan mengambil risiko untu mengembangkan suatu sistem ERP sendiri (in-house). Karena itu, pada dasarnya semua sistem ERP adalah produk komersial. Produk yang dianggap dan diakui sebagai pemimpin di pasar adalah SAP, Oracle, Baan, J.D. Edwards & Co., dan PeopleSoft Inc.

Apa itu Repositori Metadata di Data Warehouse dan Apa Isinya?

Arsitektur data warehouse 3-tier
Metadata adalah data yang mendeskripsikan data. Ketika digunakan di suatu data warehouse, metadata adalah data yang mendefinisikan objek-objek warehouse. Gambar arsitektur data warehouse 3-tier di samping menunjukkan repositori metadata di bagian tier dasar pada arsitektur data warehousing. Metadata dibuat untuk mendapatkan nama-nama data dan definisi-definisi dari warehouse tertentu. Metadata tambahan dibuat dan ditangkap untuk membuat 'timestamping' dari data yang diekstrak, sumber data yang diekstrak, dan field-field yang kosong yang ditambahkan melalui proses 'data cleaning' dan integrasi. [Baca juga: Pengembangan Repositori Metadata dalam Proyek BI]

Pertanyaan yang mungkin muncul dalam benak orang yang belajar tentang data warehouse adalah: apa isi dari metadata? Repositori metadata seharusnya berisi hal-hal berikut:

Perbedaan Antara Sistem Database Operational vs Data Warehouse

Banyak orang yang sudah familiar dengan berbagai sistem database relational, jadi untuk memahami tentang apa itu data warehouse, cara yang paling mudah adalah dengan membandingkan antara kedua jenis sistem ini.

Tugas utama sistem database operasional adalah untuk melakukan pemrosesan query dan transaksi secara online (online = database dalam kondisi aktif). Sistem-sistem seperti ini disebut dengan sistem-sistem 'On-Line Transactional Processing' (OLTP), yang artinya secara harafiah digunakan untuk memroses transaksi. Sistem-sistem ini pada umumnya meng-cover operasi sehari-hari suatu organisasi seperti pembelian, inventori, manufaktur, perbankan, penggajian, registrasi/pendaftaran, akuntansi, dsb, dsb. [Baca juga: topik-topik terkait database disini]

Sistem-sistem data warehouse, sebaliknya, melayani para pengguna pengetahuan (insight) atau biasa juga disebut 'knowledge workers', yaitu orang-orang yang menganalisa data untuk mendukung proses pengambilan suatu keputusan. Sistem-sistem seperti ini mengorganisasi dan menyajikan data dengan berbagai macam format untuk menampung berbagai macam kebutuhan para pengguna yang berbeda-beda. Sistem-sistem seperti ini disebut dengan 'On-Line Analytical Processing' (OLAP), yang secara harafiah artinya digunakan untuk memroses analisa. [Baca juga: topik-topik terkait data warehouse disini]

Perbedaan utama fitur-fitur antara OLTP (database) dan OLAP (data warehouse) kurang lebih diringkas seperti berikut:

Evaluasi Rilis: Langkah 16 Dalam Siklus Hidup Proyek Pengembangan BI

Tahap 6: Deployment

Langkah 16: Evaluasi Rilis

Berbagai aktivitas dalam evaluasi rilis
Aktivitas-aktivitas Evaluasi Rilis

Aktivitas-aktivitas untuk evaluasi rilis tidak selalu dilakukan secara linear. Gambar di samping menunjukkan aktivitas mana saja yang dapat dilakukan secara bersamaan. Berikut adalah daftar yang secara ringkas menjelaskan aktivitas-aktivitas yang berhubungan dengan langkah 16, yaitu: evaluasi rilis.

1. Siapkan untuk review paska-implementasi.

Implementasi: Langkah 15 Dalam Siklus Hidup Proyek Pengembangan BI

Tahap 6: Deployment

Langkah 15: Implementasi

Berbagai aktivitas dalam implementasi
Aktivitas-aktivitas Implementasi

Aktivitas-aktivitas pada implementasi tidak perlu dilakukan secara linear. Gambar di samping menunjukkan aktivitas mana saja yang dapat dilakukan secara bersamaan. Berikut di bawah ini secara singkat menjelaskan aktivitas-aktivitas yang berhubungan dengan Langkah 15, yaitu Implementasi.

1. Rencanakan implementasi-nya.

Tentukan tanggal implementasi dan pastikan bahwa semua sumber daya yang dibutuhkan untuk implementasi akan tersedia. Tergantung pada kemajuan yang telah dibuat, pelajaran yang telah dipelajari, dan kesulitan-kesulitan yang ditemui, Anda mungkin ingin menggelindingkan/mengenalkan penerapan BI pada orang-orang bisnis dalam beberapa fase. Mulailah dengan sekelompok kecil orang-orang bisnis, belajarlah dari pengalaman, dan modifikasilah pendekatan Anda jika perlu (misalnya, menambah waktu untuk pelatihan atau mengubah langkah-langkah keamanan) sebelum menerapkan BI untuk lebih banyak orang.

Pengembangan Repositori Meta Data: Langkah 14 Dalam Siklus Hidup Proyek Pengembangan BI

Tahap 5: Pengembangan

Langkah 14: Pengembangan Repositori Meta Data

Beberapa aktivitas dalam pengembangan repositori meta data
Aktivitas-aktivitas Development Repositori Meta Data

Aktivitas-aktivitas untuk development repositori meta data tidak harus dilakukan secara linear. Gambar di samping menunjukkan aktivitas mana saja yang dapat dilakukan secara bersamaan. Berikut di bawah ini adalah deskripsi secara ringkas tentang aktivitas-aktivitas yang berhubungan dengan Langkah 14, yaitu Pengembangan Repositiri Meta Data Repository. [Baca juga: Apa itu Repositori Metadata di Data Warehouse dan Apa Isinya?]

Penambangan Data: Langkah 13 Dalam Siklus Hidup Proyek Pengembangan BI

Tahap 5: Pengembangan

Langkah 13: Penambangan Data (Data Mining)

Aktivitas-aktivitas Penambangan Data (Data Mining)

Berbagai aktivitas dalam penambangan data
Aktivitas-aktivitas untuk penambangan data (data mining) tidak harus dilakukan secara linear. Gambar di samping menunjukkan aktivitas mana saja yang dapat dilakukan secara bersamaan. Berikut di bawah ini adalah daftar yang secara ringkas menjelaskan aktivitas yang berhubungan dengan Langkah 13, yaitu Penambangan Data (Data Mining). [Baca juga:Proses dalam Data Mining]

1. Buat statement untuk masalah bisnis.

Tetapkan tujuan sebelum memulai upaya data mining, dan prioritaskan tujuan (seperti meningkatkan keuntungan, mengurangi biaya, menciptakan strategi produk yang inovatif, atau memperluas pangsa pasar). Waktu dan uang harus diinvestasikan untuk mencapai salah satu tujuan tersebut. Perlu juga ada komitmen dari manajemen untuk menerapkan solusi penambangan data (data mining) di organisasi. [Baca juga: Cara Kerja Data Mining]

Pengembangan Aplikasi: Langkah 12 Dalam Siklus Hidup Proyek Pengembangan BI

Tahap 5: Pengembangan

Langkah 12: Pengembangan Aplikasi

Beberapa aktivitas dalam pengembangan aplikasi
Aktivitas-aktivitas pengembangan aplikasi

Aktivitas-aktivitas dalam pengembangan aplikasi tidak harus dilakukan secara linear. Gambar di samping menunjukkan aktivitas mana saja yang dapat dilakukan secara bersamaan. Berikut di bawah ini adalah daftar yang menjelaskan secara ringkas aktivitas-aktivitas yang berhubungan dengan langkah 12, yaitu: pengembangan aplikasi.

Pengembangan ETL: Langkah 11 Dalam Siklus Hidup Proyek Pengembangan BI

Tahap 5: Konstruksi/Pengembangan

Langkah 11: Pengembangan ETL (Extract/Transform/Load)

Beberapa aktivitas dalam pengembangan ETL
Aktivitas-aktivitas dalam Pengembangan ETL (Extract-Transform-Load)

Aktivitas-aktivitas dalam pengembangan ETL (Extract-Transform-Load) tidak harus dilakukan secara linear. Gambar disamping menunjukkan aktivitas mana saja yang dapat dilakukan secara bersamaan. Berikut di bawah ini adalah deskripsi secara singkat yang menjelaskan aktivitas-aktivitas yang berhubungan dengan langkah 11, yaitu: pengembangan ETL. [Baca juga: Proses ETL (Extract-Transform-Load)  dalam Data Warehouse dan Perancangan ETL (Extract-Transform-Load)]

Perancangan Repositori Meta Data: Langkah 10 Dalam Siklus Hidup Proyek Pengembangan BI

Tahap 4: Perancangan

Langkah 10: Perancangan Repositori Meta Data

Berbagai aktivitas dalam perancangan repositori meta data
Aktivitas-aktivitas dalam Perancangan Repositori Meta Data

Aktivitas-aktivitas dalam perancangan repositori meta data yang tidak harus dilakukan secara linear. Gambar di samping menunjukkan aktivitas mana saja yang dapat dilakukan secara bersamaan. Daftar di bawah ini adalah deskripsi secara ringkas yang berkaitan dengan aktivitas-aktivitaspada langkah 10, yaitu perancangan repositori meta data. [Baca juga: Apa itu Repositori Metadata di Data Warehouse dan Apa Isinya?]

Perancangan ETL (Extract-Transform-Load): Langkah 9 Dalam Siklus Hidup Proyek Pengembangan BI

Tahap 4: Perancangan

Langkah 9: Perancangan ETL (Extract/Transform/Load)

Berbagai aktivitas dalam perancangan ETL
Aktivitas-aktivitas dalam perancangan ETL (Extract-Transform-Load)

Aktivitas-aktivitas dalam mendesain ETL (Extract-Transform-Load) tidak harus dilakukan secara linear. Gambar di samping menunjukkan aktivitas mana saja yang dapat dilakukan secara bersamaan. Berikut di bawah ini adalah gambaran secara ringkas tentang aktivitas-aktivitas yang berhubungan dengan langkah 9, yaitu: mendesain ETL (Extract-Transform-Load). [Baca juga: Proses ETL (Extract-Transform-Load)  dalam Data Warehouse dan Pengembangan ETL (Extract-Transform-Load)]

Perancangan Database: Langkah 8 Dalam Siklus Hidup Proyek Pengembangan BI

Tahap 4: Perancangan

Langkah 8: Perancangan Database/Data warehouse

Berbagai aktivitas dalam perancangan database/data warehouse
Aktivitas-aktivitas dalam Perancangan Database/Data warehouse. [Baca dan bandingkan juga: Siklus Hidup Pengembangan Sistem Basis Data]

Aktivitas-aktivitas dalam desain database tidak harus dilakukan secara linear. Gambar di samping menunjukkan aktivitas mana saja yang dapat dilakukan secara bersamaan. Berikut dibawah ini adalah daftar deskripsi singkat mengenaik aktivitas-aktivitas yang berkaitan dengan langkah 8, yaitu perancangan database.

1. Review-lah berbagai requirements untuk akses data

Administrator database harus mereview akses data dan berbagai requirements analisa (reports, queries, dsb), yang dianalisa dan difinalisasi pada langkah 6, yaitu: membuat prototype aplikasi. Administrator database juga harus mereview hasil prototype bersama dengan si pemimpin developer aplikasi untuk membantu menentukan skema desain yang paling sesuai untuk database target BI.

Baca juga dan bandingkan:

Analisa Repositori Meta Data: Langkah 7 Dalam Siklus Hidup Proyek Pengembangan BI

Tahap 3: Analisa Bisnis

Langkah 7: Analisa Repositori Meta Data

Berbagai aktivitas dalam analisa repositori meta daa
Aktivitas-aktivitas untuk analisa repositori meta-data tidak harus dilakukan secara linear. Gambar di samping menunjukkan aktivitas mana saja yang dapat dilakukan secara bersamaan. Berikut di bawah ini adalah deskripsi singkat yang menjelaskan berbagai aktivitas yang berhubungan dengan Langkah 7, yaitu: Analisa Repositori Meta-Data. [Baca juga: Apa itu Repositori Metadata di Data Warehouse dan Apa Isinya?]

Membuat Prototipe Aplikasi: Langkah 6 Dalam Siklus Hidup Proyek Pengembangan BI

Tahap 3: Analisa Bisnis

Langkah 6: Buat Prototipe Aplikasi

Berbagai aktivitas dalam membuat prototipe aplikasi
Aktivitas-aktivitas untuk prototyping aplikasi tidak harus dilakukan secara linear. Gambar di samping menunjukkan aktivitas mana saja yang dapat dilakukan secara bersamaan. Berikut di bawah ini adalah deskripsi singkat berbagai aktivitas yang berhubungan dengan Langkah 6, yaitu: Prototyping Aplikasi.

Analisa Data: Langkah 5 Dalam Siklus Hidup Proyek Pengembangan BI

Tahap 3: Analisa Bisnis

Langkah 5: Analisa Data

Berbagai aktivitas dalam analisa data
Aktivitas-aktivitas pada analisa data tidak harus dilakukan secara linear. Gambar disamping menunjukkan aktivitas-aktivitas mana saja yang dapat dilakukan secara bersamaan. Berikut di bawah ini adalah deskripsi singkat aktivitas-aktivitas yang berhubungan dengan Langkah 5, yaitu: Analisa Data.

Mendefinisikan Requirements Proyek: Langkah 4 Dalam Siklus Hidup Proyek Pengembangan BI

Tahap 3: Analisa Bisnis

Langkah 4: Definisikan Requirements Proyek

Berbagai aktivitas dalam mendefinisikan requirements proyek
Aktivitas-aktivitas untuk menentukan requirements proyek tidak harus dilakukan secara linear. Gambar disamping menunjukkan aktivitas mana saja yang dapat dilakukan secara bersamaan. Berikut di bawah ini secara ringkas menjelaskan aktivitas-aktivitas yang berhubungan dengan Langkah 4, yaitu: Definisi Requirements Proyek.

1. Tentukan requirements teknis untuk tambahan/peningkatan infrastruktur.

Perencanakan Proyek: Langkah 3 Dalam Siklus Hidup Proyek Pengembangan BI

Tahap 2: Perencanaan

Step 3: Perencanakan Proyek

Berbagai aktivitas dalam perencanaan proyek
Aktivitas-aktivitas dalam perencanaan proyek tidak harus dilakukan secara linear. Gambar disamping menunjukkan aktivitas-aktivitas mana yang dapat dilakukan secara bersamaan. Berikut di bawah ini adalah penjelasan singkat tentang aktivitas-aktivitas yang berhubungan dengan Langkah 3, yaitu: Perencanaan Proyek.

1. Tentukan berbagai persyaratan proyek.
Anda mungkin sudah mempersiapkan tujuan untuk proyeknya dan beberapa persyaratan umum untuk lingkup yang diusulkan selama Langkah 1, yaitu: Assesment terhadap Kasus Bisnis. Namun, kemungkinan besar persyaratan-persyaratan itu tidak cukup detail untuk memulai proses perencanaan. Sebagai bagian dari definisi ruang lingkup, review-lah dan revisilah berbagai persyaratan berikut: data, fungsionalitas (laporan dan query), dan infrastruktur (teknis dan nonteknis).

Evaluasi Infrastruktur Enterprise: Langkah 2 Dalam Siklus Hidup Proyek Pengembangan BI

Tahap 2: Perencanaan

Langkah 2: Evaluasi Infrastruktur Enterprise/Perusahaan

Beberapa aktivitas dalam evaluasi infrastruktur
Kegiatan evaluasi infrastruktur teknis tidak perlu dilakukan secara linear. Gambar disamping menunjukkan dua kegiatan yang dapat dilakukan secara bersamaan. Berikut di bawah adalah menjelaskan kegiatan yang berhubungan dengan Langkah 2, yaitu: Evaluasi Infrastruktur Teknis.

Assessment Kasus Bisnis: Langkah 1 Dalam Siklus Hidup Proyek Pengembangan BI

Tahap 1: Justifikasi

Langkah 1: Assessment Kasus Bisnis

Masalah bisnis atau peluang bisnis didefinisikan dan suatu solusi BI diusulkan. Setiap rilis aplikasi BI seharusnya memiliki pembenaran dari sisi biaya dan harus jelas mendefinisikan manfaat baik untuk memecahkan masalah bisnis atau untuk mengambil keuntungan dari peluang bisnis.

Aktivitas-aktivitas dalam Assessment terhadap Kasus Bisnis

Aktivitas-aktivitas dalam Langkah 1: Assessment terhadap Kasus Bisnis
Aktivitas-aktivitas dalam penilaian terhadap kasus bisnis tidak perlu dilakukan secara linear. Gambar di atas menunjukkan aktivitas mana saja yang dapat dilakukan secara bersamaan. Berikut di bawah ini adalah daftar yang secara ringkas menjelaskan aktivitas-aktivitas yang berhubungan dengan Langkah 1, yaitu Assesment terhadap Kasus Bisnis.

Seri Siklus Hidup Proyek Pengembangan BI (Business Intelligence): Pendekatan Dalam Proses Pengembangan

Inisiatif pendukung keputusan BI (Business Intelligence) adalah suatu upaya yang mahal. Data bisnis yang terpisah-pisah dan berbeda harus diekstrak dan digabung dari berbagai sistem OLTP (On-line Transactional Processing), dari sistem-sistem batch processing, dan dari berbagai sumber data eksternal. Berbagai inisiatif pendukung keputusan BI juga perlu berbagai teknologi baru untuk dipertimbangkan, tugas-tugas tambahan yang harus dilakukan, peran dan tanggung jawab yang akan bergeser, dan analisis dan berbagai aplikasi pendukung keputusan yang akan dikeluarkan dengan cepat sambil mempertahankan kualitas yang masih dapat diterima.

Suatu hal yang mengejutkan bahwa 60 persen dari berbagai proyek BI berakhir dengan penolakan atau kegagalan karena perencanaan yang tidak memadai, tugas-tugas yang terlupakan, deadline yang terlewatkan, manajemen proyek yang buruk, requirements bisnis yang tidak disampaikan, atau berbagai hasil dengan kualitas yang buruk. Manajer proyek perlu mengetahui apa yang harus dilakukan dan apa yang tidak boleh dilakukan dalam implementasi BI berdasarkan pengalaman praktikal.

Review Topik: Hardware Sistem Pendukung Keputusan

1. Mengapa pilihan-pilihan hardware dan software SPK/DSS seringkali didasarkan pada sistem yang sedang berjalan pada perusahaan?

Kebanyakan MSS (management support systems), termasuk SPK/DSS, menggunakan hardware standar. Sistem-sistem itu biasanya tidak menganjurkan akuisisi sistem baru yang dioptimalkan untuk kebutuhan mereka. Akuisisi baru terbatas pada hardware dan software yang spesifi pada SPK/DSS, seperti storage untuk data warehouse atau paket perangkat lunak prediksi.

2. Apasaja PC dan perangkat mobile yang bisa digunakan si pengambil keputusan untuk tersambung ke suatu SPK/DSS?

Semua PC, apakah itu Windows, Mac OS atau Linux, mendukung browser Web dan karena itu dapat terhubung ke SPK/DSS berbasis Web. Perangkat mobile termasuk laptop menggunakan salah satu OS di atas, PDA (biasanya menjalankan Windows CE atau Palm OS) dan ponsel juga bisa.

Review Topik: Pengguna Sistem Pendukung Keputusan

1. Apa saja dua kelas/kategori dalam arti yang luas tentang pengguna SPK/DSS?

Para manajer (temasuk apa yang disebut dengan para staff/pekerja pengetahuan), yang ditugaskan oleh organisasi untuk memecahkan masalah dengan menggunakan SPK/DSS yang memang dirancang untuk membantu mereka, dan para spesialis staf, yang membantu mereka menggunakan berbagai aspek SPK/DSS yang berada di luar kemampuan teknis mereka atau akan memerlukan terlalu banyak waktu mereka.

2. Apa saja empat jenis perantara dalam SPK/DSS?
  • Para asisten staf memiliki pengetahuan khusus tentang masalah-masalah manajemen dan beberapa berpengalaman dengan teknologi pendukung keputusan.
  • Para pengguna tool yang sudah ahli sangat terampil dalam penerapan satu atau lebih jenis tool untuk memecahkan masalah khusus. Seorang pengguna tool yang ahli melakukan tugas-tugas dimana si pemecah masalah tidak memiliki ketrampilan atau pelatihan untuk melakukannya.
  • Para business (yistem) analist memiliki pengetahuan umum di bidang terapan, pendidikan administrasi bisnis formal (bukan dalam ilmu komputer), dan keterampilan yang mumpuni dalam menggunakan tool-tool untuk konstruksi SPK/DSS. Mereka biasanya melakukan tugas-tugas dimana seorang manajer, pada prinsipnya, bisa melakukannya sendiri, dengan meluangkan waktunya untuk tugas-tugas yang lebih berharga.
  • Para fasilitator (dalam GSS) mengontrol dan mengkoordinasikan penggunaan perangkat lunak untuk mendukung pekerjaan orang-orang yang bekerja dalam kelompok. Fasilitator juga bertanggung jawab untuk melakukan sesi workgroup.

Review Topik: Subsistem Manajemen Berbasis Pengetahuan

1. Apa saja tool-tool berbasis pengetahuan yang bisa menjadi sistem manajemen berbasis pengetahuan?

Sistem seperti ini dapat mencakup sistem pakar (expert systems), jaringan saraf tiruan (artificial neural networks), intelligent agents, logika samar (fuzzy logic), penalaran berbasis kasus (case-based reasoning), dan sebagainya.

Beberapa orang mungkin ingin membedakan antara tiga poin pertama dengan poin dua terakhir. Sistem pakar (expert systems), jaringan saraf tiruan (artificial neural networks) dan agen cerdas (intelligent agents) adalah tool-tool perangkat lunak. Logika samar (fuzzy logic) dan penalaran berbasis kasus (case-based reasoning), sebaliknya, dapat dianggap sebagai konsep yang sangat berguna, yang dapat dimasukkan ke dalam berbagai tool apapun, dan bukan tool itu sendiri.
Masalah ini adalah masalah penafsiran dari kata 'tool'. Jika diartikan sebagai perangkat lunak, maka lebih tepat untuk mengecualikan dua poin terakhir. Tetapi jika dipahami lebih umum, keduanya juga harus dimasukkan.

Review Topik: Subsistem Antarmuka Pengguna (Dialog)

1. Apa tujuan utama dari sub-sistem antarmuka pengguna?

Suatu antarmuka pengguna mencakup semua aspek komunikasi antara pengguna dan SPK/DSS (atau MSS lainnya). Tujuan mendasarnya adalah untuk membuatnya semudah mungkin bagi pengguna untuk mendapatkan bantuan keputusan dari SPK/DSS.

2. Apa yang dimaksud dengan proses antarmuka pengguna?

Istilah "proses" dalam konteks ini mengacu pada arus informasi (a) dari pengguna ke sistem dan (b) dari sistem untuk pengguna. Hal ini ditangani oleh Sub-Sistem Manajemen Antarmuka Pengguna (User Interface Management System / UIMS). UIMS memproses perintah-perintah dari pengguna, yang dikeluarkan dalam bahasa tindakan apapun yang dibutuhkan, dan menyalurkannya ke sub-sistem manajemen data dan ke sub-sistem manajemen model. Di arah sebaliknya, UIMS menyajikan informasi dari subsistem-subsistem tadi ke pengguna. Seiring berjalannya waktu, bahasa tindakan tadi menggunakanWeb atau sistem operasi yang ber konsep visual (GUI). Hal ini juga dapat menggabungkan kemampuan-kemampuan pemrosesan bahasa alami.

Review Topik: Subsistem Manajemen Model

1. Model diklasifikasikan sebagai strategis, taktis, atau operasional. Apa tujuan dari klasifikasi seperti itu? Berikan contoh masing-masing jenis model.

Tujuan dari klasifikasi ini adalah untuk menunjukkan pentingnya keputusan dan menunjukkan apa tingkat manajerial yang bertanggung jawab untuk pelaksanaannya. Dengan mengetahui jenis model juga memungkinkan orang untuk menarik kesimpulan tentang strukturnya dan komunitas penggunanya tanpa mengetahui lebih banyak tentang hal itu. 
  • Model strategis mendukung perencanaan strategis dari manajemen puncak; misalnya, pemeriksaan akuisisi, diversifikasi, dan merger. 
  • Model taktis mendukung manajemen menengah terutama dalam alokasi sumber daya dan pengontrolan. Misalnya, keputusan tentang menyewa-atau-membeli atau menyusun rencana promosi besar. 
  • Model operasional mendukung manajer menengah dan supervisor untuk keputusan jangka pendek; misalnya, menilai dampak yang mungkin muncul pada jadwal kerja harian dan mingguan.

Review Topik: Subsistem Manajemen Data

1. Mengapa Sistem Pendukung Keputusan (SPK/DSS) umumnya memiliki databasenya sendiri?

SPK/DSS yang besar umumnya memiliki database-nya sendiri untuk tiga alasan:
  • SPK/DSS mungkin harus mengintegrasikan data dari berbagai sumber, yang masing-masing adalah database yang terpisah dan yang tidak bisa digabungkan secara langsung.
  • Struktur yang terbaik database untuk data statis yang digunakan untuk analisis, dengan 'query-query' yang jarang tapi sangat kompleks, mungkin tidak cocok untuk data dinamis yang digunakan untuk proses transaksi dengan query-query dan update yang sering tapi sederhana, dan sebaliknya.
  • Berbagi satu database yang sama untuk kedua penggunaan dapat menyebabkan masalah kinerja pada waktu beban puncak. Memisahkan database dari kedua jenis pengguna tersebut mungkin lebih ekonomis daripada upgrade perangkat keras kalau menerapkan berbagi databse yang sama.

Review Topik: Komponen-komponen Sistem Pendukung Keputusan

1. Apa saja komponen utama dari SPK/DSS dan jelaskan secara singkat masing-masing komponen tersebut?

Komponen-komponen utamanya adalah: manajemen data, model manajemen, antarmuka pengguna dan basis pengetahuan.
  • Manajemen data mencakup sistem manajemen basis data (satu atau lebih basis data).
  • Manajemen model mencakup model-model dan sistem manajemennya.
  • User interface (antarmuka) mencakup komunikasi dua-arah antara manusia-komputer dan manajemennya.
  • Basis pengetahuan mencakup peningkatan terhadap kecerdasan buatan untuk komponen-komponen lain.
2. Bagaimana menjelaskan secara singkat tentang penggunaan Web di masing-masing komponen utama dari SPK/DSS?

Secara ringkas bisa dijelaskan seperti berikut:
  • Sistem manajemen basis data (DBMS): Data biasanya disimpan di server diakses melalui Web.
  • Sistem manajemen basis model (MBMS): Model dapat disimpan secara eksternal dan diakses melalui Web. Model-model juga dapat dikembangkan untuk berjalan pada server aplikasi, yang juga diakses melalui Web.
  • Sistem dialog antarmuka: Web browser menyediakan antarmuka pengguna secara visual (GUI).
  • Sistem manajemen berbasis pengetahuan (KBMS): Banyak metode AI telah diimplementasikan dalam sistem berbasis web, sehingga memudahkan basis pengetahuan untuk berintegrasi dengan komponen SPK/DSS lainnya.

Review Topik: Klasifikasi Dalam Sistem Pendukung Keputusan

1. Apa saja daftar klasifikasi Sistem Pendukung Keputusan (SPK/DSS) menurut Asosiasi Kelompok Peminat Khusus Sistem Informasi Tentang Sistem Pendukung Keputusan (AIS SIGDSS = Association for Information Systems Special Interest Group on DSS)?
  • Communications-driven and group DSS (GSS) atau DSS (SPK) berorientasi grup atau G-DSS dan DSS berorientasi komunikasi
  • Data-driven DSS (DSS berorientasi data)
  • Document-driven DSS (DSS berorientasi dokumen)
  • Knowledge-driven DSS, data mining, and management ES applications (DSS berorientasi pengetahuan, penambangan data, dan penerapan sistem pakar manajemen).
  • DSS Model-driven (DSS berorientasi model)
  • Compound DSS (DSS gabungan,yang menggabungkan dua atau lebih kategori di atas)

Review Topik: Karakteristik & Kemampuan Sistem Pendukung Keputusan

1. Apa saja yang menjadi karakteristik kunci dan kemampuan Sistem Pendukung Keputusan (SPK/DSS)?

Ini bisa seperti yang ada pada gambar di bawah, yaitu:
Karakteristik & Kemampuan SPK/DSS
  • Dukungan untuk (terutama) siatuasi semi-terstruktur dan tak-terstruktur, dengan cara menggabungkan penilaian manusia dengan informasi yang terkomputerisasi.
  • Dukungan untuk semua level manajerial, mulai dari eksekutif puncak hingga ke manajer lini.
  • Dukungan untuk individu dan kelompok.
  • Dukungan untuk berbagai keputusan yang memiliki saling ketergantungan dan / atau berurutan.
  • Mendukung semua empat fase pengambilan keputusan: intelijens, desain, pilihan, dan implementasi. [Baca juga: Fase-fase dalam pengambilan keputusan]
  • Dukungan berbagai gaya dan proses dalam pengambilan keputusan.
  • Pengguna dapat menambahkan, menghapus, menggabungkan, mengubah, atau mengatur ulang elemen dasar, atau memodifikasinya untuk memecahkan masalah lain yang serupa.
  • Antarmuka yang user-friendly. (Sebagian besar aplikasi SPK/DSS yang baru menggunakan antarmuka berbasis Web.)
  • Meningkatkan efektivitas pengambilan keputusan (akurasi, ketepatan waktu, kualitas) dibanding dengan efisiensinya. [Baca juga: Effectiveness vs Efficiency]
  • Pembuat keputusan mengontrol semua tahap dalam proses pengambilan keputusan dalam memecahkan suatu masalah.
  • Pengguna bisa mengembangkan dan memodifikasi sendiri SPK/DSS yang sederhana; untuk SPK/DSS yang lebih rumit membutuhkan seorang spesialis.
  • Model umumnya digunakan untuk mendorong bereksperimen dengan strategi yang berbeda.
  • Akses ke berbagai sumber data, format, dan jenis, termasuk GIS, multimedia, dan berorientasi objek.
  • Digunakan oleh si pembuat keputusan atau didistribusikan di seluruh organisasi

Review Topik: Gambaran Sistem Pendukung Keputusan

1. Mengapa orang berusaha untuk mempersempit definisi SPK (Sistem Pendukung Keputusan) atau DSS (Decision Support System)?

Definisi yang luas menyebabkan perbedaan pendapat tentang seperti apa sebenarnya DSS. Definisi yang lebih sempit akan menjadi lebih jelas sehingga mendorong fokus yang lebih jelas pada ciri-ciri yang umum. Definisi sempit membantu mengidentifikasi apa yang merupakan SPK/DSS dan apa yang bukan SPK/DSS. 

2. Apa salah satu definisi SPK/DSS yang bisa suguhkan?

Salah satu definisinya adalah: "Suatu sistem informasi yang tujuan utamanya adalah untuk mendukung pengguna (para pekerja pengetahuan) membuat keputusan yang tak-terstruktur pada hal-hal tertentu." Definisi orang bisa saja bervariasi, berbeda orang beda definisi.

Review Topik: Konfigurasi Sistem Pendukung Keputusan

1. Apa saja dan jelaskan tentang tiga komponen utama dari Sistem Pendukung Keputusan (SPK atau DSS).

Tiga komponen utama adalah: data, model, dan user interface.
  • Data mengacu pada informasi yang diperlukan untuk membuat keputusan, biasanya disimpan dalam database, dan bagaimana data tersebut diatur dan dikelola oleh DBMS.
  • Model mengacu pada model yang digunakan untuk menganalisis data dan memprediksi hasil keputusan, serta mengacu ke perangkat lunak yang digunakan untuk mengelola penggunaan model di dalam SPK atau DSS.
  • User interface mengacu pada cara seorang manajer atau si pengguna yang menggunakan sistem untuk mendukung kebutuhannya dalam proses pengambilan keputusan tanpa harus menjadi ahli dalam hal teknologinya.

Review Topik Pemodelan dan Analisa: Paket-paket Software Kuantitatif dan Manajemen Basis Model

1. Jelaskan mengapa OLAP adalah semacam sistem pemodelan.

OLAP adalah pendekatan fleksibel untuk analisis data. Paket-paket OLAP telah berevolusi dari berbagai macam asal-usul. Karena menganalisis data seringkali membutuhkan model, vendor-vendor perangkat lunak OLAP telah menambahkan kemampuan pemodelan untuk sistem-sistem mereka, sehingga membuat OLAP juga merupakan sistem pemodelan di samping fitur-fitur lainnya.

2. Apa saja tiga kelas/kategori dari model dan berilah contoh dua jenis masalah yang dapat dipecahkan oleh model-model tersebut.

Tiga kelas dari model yang bisa disebutkan dalam topik ini adalah beberapa paket software kuantitatif, sistem spreadsheet Excel, dan sistem-sistem OLAP.

Paket-paket perangkat lunak kuantitatif dapat memecahkan masalah optimasi umum serta masalah yang timbul dalam terapan tertentu. 

Sistem-sistem OLAP dapat mengatasi (meskipun mungkin tidak memecahkan) masalah yang jawabannya terletak pada suatu data warehouse yang besar. Sistem-sistem ini cenderung menjadi masalah di mana data historis dapat berfungsi sebagai panduan untuk masa depan. Dua contohnya adalah (a) management hasil maskapai, di mana data historis menunjukkan bagian kursi mana saja yang akhirnya akan terjual pada penerbangan tertentu akan terjual X hari sebelum keberangkatan; dan (b) analisis demand ritel, di mana analisis ini dapat menunjukkan bagaimana penjualan memerinci melalui serangkaian faktor dan apa saja tren yang sedang terjadi disitu.

Review Topik Pemodelan dan Analisa: Simulasi Interaktif Visual

1. Apa yang dimaksud dengan simulasi visual dan bandingkan dengan simulasi konvensional.

Simulasi visual adalah simulasi yang menggunakan representasi grafis untuk menunjukkan situasi kepada pengguna akhir. Simulasi ini melakukan segala sesuatu yang dilakukan oleh simulasi konvensional, yaitu semua teknik untuk melakukan eksperimen (misalnya analisis 'bagaimana-jika') dengan komputer digital pada pemodelan sistem manajemen, hanya saja simulasi ini melakukannya secara visual dan menyenangkan dan informatif. Simulasi interaktif visual adalah jenis simulasi visual di mana masukan yang diberikan secara langsung kepada representasi visual dari sistem, dengan hasil riil yang cepat.

2. Jelaskan fitur-fitur VIS (visual interactive simulation) (misalnya, VIM atau visual interactive model) yang membuatnya menarik bagi para pengambil keputusan.

Daya tarik utama dari VIS (VIM) adalah tampilan grafisnya. Jenis interaksi seperti ini dapat membantu para manajer mempelajari situasi pengambilan keputusan, meskipun beberapa orang merespon tampilan grafis dengan lebih baik dibanding yang lain. Para manajer non-teknis, yang mungkin tidak mengerti data dalam tabel atau grafik, dapat memahami apa yang terjadi dalam presentasi visual dengan mudah.

Review Topik Pemodelan dan Analisa: Simulasi

1. Apa saja karakteristik simulasi?
  • Suatu tiruan dari realitas dan bukan realitas itu sendiri
  • Suatu teknik untuk melakukan eksperimen
  • Lebih sedikit penyederhanaan dibandingkan dengan kebanyakan metode lainnya
  • Lebih deskriptif dibanding normatif; pengguna bisa menggunakan hasil simulasi untuk mencari solusi
  • Biasanya digunakan untuk masalah yang terlalu kompleks untuk metode-metode optimasi numerik

Review Topik Pemodelan dan Analisa: Metode Pencarian Dalam Pemecahan Masalah

1. Apa yang dimaksud dengan pendekatan 'pencarian' (search approach)?

Pendekatan pencarian (search approach) adalah metode umum, atau suatu kategori dari metode-metode yang terkait erat, yang digunakan untuk menemukan solusi terbaik untuk masalah yang berdasarkan pada beberapa kriteria. Kriteria tersebut biasanya menerapkan proses memaksimalkan atau meminimalkan suatu nilai numerik.
Beberapa pendekatan pencarian

2. Apa saja metode-metode pencarian untuk pemecahan masalah?

metode teknik-teknik analisis,  metode algoritma, metode pencarian buta (blind searching), dan metode pencarian heuristik (heuristic searching)

3. Apa batasan-batasan praktis untuk pencarian buta (blind searching)?

Batasan-batasan praktisnya adalah waktu dan sumber daya komputer yang digunakan untuk pencarian.

Review Topik Pemodelan dan Analisa: Pengambilan Keputusan Multi-Kriteria Dengan Perbandingan Berpasangan

1. Apa yang dimaksud dengan Proses Hirarki Analitik atau Analytic Hierarchy Process (AHP)?

Proses hirarki analitik (AHP), adalah struktur pemodelan yang sangat baik untuk menyajikan berbagai problem yang multi-kriteria (beberapa sasaran, beberapa tujuan)-dengan beberapa set kriteria dan alternatif (pilihan) -umumnya ditemukan di lingkungan bisnis.

2. Langkah-langkah apa yang diperlukan dalam menerapkan AHP?

Pembuat keputusan menerapkan AHP untuk menguraikan problem pengambilan keputusan menjadi berbagai alternatif dan kriteria yang relevan. AHP memisahkan analisis terhadap kriteria dengan berbagai alternatif, yang membantu pengambil keputusan untuk fokus pada bagian problem yang kecil dan yang dapat dikelola dengan baik.

Review Topik Pemodelan dan Analisa: Analisa Keputusan Dengan Tabel Keputusan Dan Pohon Keputusan

1. Apa yang dimaksud dengan tabel keputusan (decision table)?

Tabel keputusan adalah cara untuk mengorganisasi informasi secara sistematis (dalam bentuk seperti tabel) supaya siap untuk dianalisis. Biasanya, keputusan ditampilkan di sepanjang satu sumbu (misalnya secara vertikal), dan kondisi alami nya berada di sisi lainnya (horizontal). Berbagai macam hasil yang dapat dihasilkan dari keputusan apapun, dengan ditentukan kondisi alaminya, kemudian dapat dengan mudah dilihat dalam satu kolom (atau baris).

2. Apa yang dimaksud dengan pohon keputusan (decision tree)?

Pohon keputusan adalah representasi lain dari situasi pengambilan keputusan, di mana pilihan dan keadaan alaminya ditunjukkan sebagai node-node sepanjang cabang-cabang pohon. Berbagai macam hasil yang dapat dihasilkan dari keputusan apapun, dengan ditentukan keadaan alaminya, kemudian dapat dengan mudah dilihat dengan mengikuti semua cabang-cabang dari keputusan hingga ujung akhir.

Review Topik Pemodelan dan Analisa: Analisa Dengan Banyak Tujuan, Analisa Sensitivitas, Analisa Bagaimana-Jika, dan Pencarian Tujuan

1. Apa saja beberapa kesulitan yang mungkin timbul ketika menganalisis beberapa tujuan?
  • Biasanya sulit untuk mendapatkan pernyataan eksplisit tentang tujuan organisasi.
  • Pentingnya tujuan tertentu bisa berubah dari waktu ke waktu atau dalam situasi yang berbeda.
  • Tujuan dan sub-tujuan dilihat dan diberi bobot berbeda oleh orang yang berbeda dan di berbagai bagian organisasi. 
  • Tujuan berubah sebagai respon terhadap perubahan dalam organisasi dan lingkungannya.
  • Hubungan antara beberapa alternatif dan perannya dalam menentukan tujuan mungkin sulit untuk diukur.
  • Peserta mengakses pentingnya (atau memiliki prioritas) tentang berbagai tujuan secara berbeda

Review Topik Pemodelan dan Analisa: Optimasi Pemrograman Matematis

1. Jelaskan apa saja beberapa asumsi yang diterapkan dalam pemrograman linear (Linear Programming / LP)?

Pendekatan dalam pemrograman linear (Linear Programming/LP) melibatkan baik asumsi ekonomi maupun teknis.
Beberapa asumsi ekonomi adalah:
  • Imbal balik dari berbagai alokasi yang berbeda-beda dapat diukur dengan unit ukuran yang umum (misalnya, dolar, utilitas, dsb).
  • Imbal balik dari suatu alokasi adalah independen dari alokasi lainnya.
  • Imbal balik total adalah jumlah dari semua imbal balik yang dihasilkan oleh berbagai kegiatan yang berbeda-beda.
  • Semua data diketahui dengan pasti.
  • Sumber daya harus digunakan dengan cara yang paling ekonomis.
Beberapa asumsi teknis adalah:
  • Fungsi yang bersifat tujuan (yang harus dimaksimalkan) adalah kombinasi linear dari berbagai macam output.
  • Masing-masing output (variabel keputusan) menggunakan kombinasi linear dari berbagai inputnya.
  • Batasan-batasan pada input adalah ketidaksamaan linear (atau konstanta, yang merupakan kasus khusus dari linear).

Review Topik Pemodelan dan Analisa: Pemodelan Sistem Pendukung Management Dengan Spreadsheet

1. Apakah yang dimaksud dengan spreadsheet?

Ada beberapa penjelasan singkat tentang spreadsheet, antara lain:

"Sebuah program yang dirancang untuk melakukan tugas-tugas komputasi umum yang lebih mengutamakan menggunakan hubungan spasial dibandingkan dengan proses eksekusi sekuensial sebagai prinsip utama dalam sistem pengorganisiannya." (Wikipedia)

"Sebuah program komputer dimana angka-angka yang diatur dalam baris dan kolom dari suatu grid dapat dimanipulasi dan digunakan dalam perhitungan." (Oxford American Dictionary)

Sangat mungkin ada penjelasan lain tentang spreadsheet dari sumber lainnya.

Review Topik Pemodelan dan Analisa: Kepastian, Ketidakpastian, dan Risiko

1. Apa yang dimaksud dengan melakukan pengambilan keputusan dengan asumsi kepastian, risiko, dan ketidakpastian?

Pengambilan keputusan dengan asumsi kepastian: nilai dari seluruh variabel yang mempengaruhi keputusan, termasuk nilai-nilai tentang masa depan, semuanya diketahui atau diasumsikan diketahui. 
Pengambilan keputusan dengan risiko: nilai yang tepat dari suatu variabel keputusan tidak diketahui, tetapi distribusi probabilitas statistiknya diketahui (atau dapat diasumsikan).
Pengambilan keputusan dengan ketidakpastian: bahkan data tentang distribusi probabiltas pun tidak diketahui.

Review Topik Pemodelan dan Analisa: Struktur Model-model Matematika Untuk Pendukung Keputusan

1. Apa yang dimaksud dengan variabel keputusan (decision variable)?

Suatu variabel keputusan (decision variable) adalah elemen data dikontrol oleh pembuat keputusan, dimana berbagai macam kemungkinan nilainya bisa menjelaskan beberapa alternatif.

2. Jelaskan dengan singkat mengenai tiga komponen utama dari pemrograman linear (linear programming).

Dari empat komponen dari setiap model matematika yang digunakan untuk pendukung keputusan, pemrograman linear menggunakan variabel hasil (result/outcome variables), variabel keputusan (decision variable) dan variabel bebas/tak terkendali (parameter). Model-model pemrograman linear tidak menggunakan komponen keempat, yaitu variabel hasil antara (hasil sementara atau intermediate result).
Teteapi ada kemungkinan jawaban lain yang mungkin yang tidak terkait dengan konsep pada bagian ini. Misalnya, orang bisa mengatakan bahwa tiga komponen utama dari pemrograman linear adalah fungsi objektifnya, variabel keputusannya, dan batasan-batasannya.

Review Topik Pemodelan dan Analisa: Pemodelan Management Support Systems

Jelaskan apa saja tentang masalah utama dalam pemodelan.

masalah utama dalam pemodelan meliputi:
  • identifikasi masalah dan analisis lingkungan: memindai lingkungan untuk mengetahui apa masalah yang muncul dan dapat diselesaikan melalui suatu model
  • identifikasi variabel: mengidentifikasi faktor-faktor penting dalam suatu model dan hubungan diantara faktor-faktor tersebut
  • prediksi: memprediksi masa depan
  • penggunaan beberapa model: menggabungkan model-model untuk memecahkan banyak bagian dari suatu masalah yang kompleks
  • kategori model: memilih jenis yang tepat dari suatu model untuk suatu masalah atau sub-masalah
  • manajemen model: mengkoordinasi model-model suatu perusahaan dan penggunaannya
  • pemodelan berbasis pengetahuan: bagaimana mengambil keuntungan dari pengetahuan manusia dalam pemodelan

Review Topik Pengambilan Keputusan: Bagaimana Berbagai Keputusan Didukung oleh Teknologi

1. Jelaskan bagaimana berbagai macam teknologi dan tools DSS / BI  bisa membantu dalam setiap fase pengambilan keputusan?

Fase Intelijen: 
Syarat utama pendukung keputusan untuk fase intelijen adalah kemampuan untuk memindai sumber informasi eksternal dan internal untuk menemukan berbagai masalah & peluang dan menafsirkan apa yang ditemukan selama proses pemindaian. Berbagai macam sumber dari web dan berbagai macam tool sangat bermanfaat untuk melakukan pemindaian.
Berbagai macam teknologi & tool untuk pendukung keputusan / bisnis intelijen juga dapat membantu untuk fase ini. Data mining (yang otomatis) maupun online analytical processing (yang manual) bisa mensupport untuk fase ini dengan mengidentifikasi hubungan antara berbagai macam aktivitas dan faktor-faktor lainnya. Sistem informasi geografis (GIS) dapat dimanfaatkan baik sebagai sistem stand-alone maupun terintegrasi dengan sistem ini, sehingga pembuat keputusan dapat menentukan masalah & peluang dalam konteks spasial.

Review Topik Pengambilan Keputusan: Fase Implementasi

1. Apa yang dimaksud dengan implementasi.
Implementasi didefinisikan sebagai awal dari sebuah tatanan baru hal, pendahuluan dari suatu perubahan; menempatkan solusi yang direkomendasikan untuk berjalan.

2. Bagaimana DSS (Decision Support System atau Sistem Pendukung Keputusan) bisa mendukung implementasi suatu keputusan?
DSS mendukung implementasi suatu keputusan melalui komunikasi, penjelasan, dan pembenaran. Dalam keputusan terkait keuangan, misalnya, DSS tidak hanya akan mencakup tujuan-tujuan terkait keuangan dan kebutuhan cash untuk jangka dekat secara rinci, tetapi juga akan memberikan perhitungan, hasil sementara/antara, dan statistik yang digunakan untuk menentukan angka-angka agregat. DSS juga menyampaikan kepada bawahan bahwa pengambil keputusan telah memikirkan melalui berbagai asumsi di balik tujuan-tujuan keputusan dan sangat serius tentang pentingnya tujuan-tujuan itu. Akhirnya, DSS memungkinkan orang untuk menjelaskan dan membenarkan tentang saran dan pendapat mereka secara visual.

Review Topik Pengambilan Keputusan: Fase Choice

1. Jelaskan perbedaan antara principle of choice (prinsip dalam menghadapi pilihan) dan fase choice (memilih) yang sebenarnya dalam pengambilan keputusan.
Principle of choice atau prinsip dalam memilih adalah kriteria yang digunakan untuk menggambarkan kemampuan menerima dari suatu pendekatan solusi. Dengan kata lain, ini adalah dasar untuk memutuskan apakah salah satu pendekatan lebih unggul daripada yang lain. Prinsip memilih adalah umum: artinya, ini berlaku untuk berbagai macam situasi dalam pengambilan keputusan.
Fase choice atau fase memilih dalam pengambilan keputusan menggunakan satu atau lebih prinsip memilih tadi, dipilih selama fase ini atau sebelumnya, untuk memilih alternatif dalam situasi tertentu.

Review Topik Pengambilan Keputusan: Fase Design

1. Apa yang dimaksud dengan optimasi dan bandingkan dengan suboptimisasi.

Optimasi mengacu pada "terbaik." (Tidak ada hal lain yang "lebih" optimal!). Untuk mencapai hal itu, semua alternatif harus dipertimbangkan, dan yang optimal harus menjadi yang terbaik. Suboptimisasi adalah optimasi dari suatu subsistem, tanpa mempertimbangkan dampaknya terhadap bagian-bagian lain dari sistem secara keseluruhan. Apa yang optimal pada suatu bagian dari suatu sistem (atau organisasi) mungkin bukan (belum tentu) yang optimal untuk seluruh sistem (atau organisasi). Misalnya, seorang mahasiswa menghabiskan 24 jam belajar untuk ujian akhir topik DSS mungkin memberikan dia nilai yang terbaik  untuk topik itu, tetapi rata-rata secara keseluruhan bisa lebih baik apabila menghabiskan dan mempelajari enam jam untuk masing-masing empat topik ujian. Penurunan dari A + menjadi B dalam topik DSS akan lebih baik apabila dengan diimbangi oleh peningkatan dari Ds ke B dan C pada tiga topik lainnya.

Review Topik Pengambilan Keputusan: Fase Intelijence

1. Apa perbedaan antara suatu 'problem/masalah' dan apa yang dimaksud dengan 'gejala'-nya?

Masalah/problem muncul dari ketidakpuasan bersama dengan bagaimana/cara suatu hal tersebut berlangsung. Jadi masalah/problem adalah hasil dari suatu perbedaan atau kesenjangan antara apa yang kita inginkan dan apa yang terjadi. Gejala adalah bagaimana masalah memanifestasikan dirinya.
Suatu contoh yang sudah familiar adalah suhu tinggi (gejala) dan penyakit (masalah). Gejala ini diperlukan untuk mendiagnosa dan mengobati penyakitnya. Mencoba untuk meredakan suhu bisa berhasil apabila penyakit ini adalah salah satu penyakit yang bisa disembuhkan melalui daya tahan tubuh, tapi, bisa jadi menjadi bencana bila dalam situasi yang berbeda.
Contoh bisnis: harga tinggi (masalah) dan tingkat persediaan yang tidak terjual tinggi (gejala). Contoh lain adalah simpangan kualitas dalam produk (gejala) dan kalibrasi yang buruk atau peralatan manufaktur yang sudah tua (masalah).

Review Topik Pengambilan Keputusan: Fase-fase Dalam Proses Pengambilan Keputusan

Review tanya jawab tentang: Fase-fase Dalam Proses Pengambilan Keputusan

1. Apa saja dan jelaskan secara singkat empat fase untuk  pengambilan keputusan menurut Simon.

Fase-fase pengambilan keputusan
Empat fase pengambilan keputusan menurut Simon adalah 1) fase intelijen (mempelajari & memahami), 2) fase desain, 3) fase pilihan, dan 4) fase implementasi.

Fase Intelijen terdiri dari mengumpulan informasi dengan memeriksa realita keadaan riil, kemudian mengidentifikasi dan mendefinisikan masalah. Pada fase ini kepemilikan masalah ini juga harus didefinisikan.

Fase Desain terdiri dari menentukan alternatif dan mengevaluasi alternatif-alternatif tersebut. Jika evaluasi tersebut akan memerlukan pembuatan model, hal itu juga dilakukan dalam fase ini.

Fase Pilihan terdiri dari memilih solusi tentatif dan menguji validitasnya.

Review Topik Pengambilan Keputusan: Model

Review tanya jawab tentang 'Model' - Seri DSS & BI

1. Berikan gambaran beberapa kategori model.
Kategori model yang bisa dimanfaatkan dalam dunis bisnis antara lain meliputi model ikonik (skala, fisik), model analog, model mental, dan model matematika (kuantitatif). Jenis-jenis model lainnya, misalnya model fashion atau model data yang digunakan dalam analisis dan sesain sistem, tidak relevan dengan konteks disini.

2. Bagaimana model matematika bisa memberikan manfaat dalam konteks bisnis?

Review Topik Pengambilan Keputusan: Pendahuluan & Definisi

Review tanya-jawab tentang Pengambilan Keputusan, Sistem, Pemodelan, dan Support

1. Apa saja berbagai aspek dalam pengambilan keputusan?

Aspek-aspek dalam pengambilan keputusan yang penting untuk dipahami jika kita mengembangkan sistem pendukung berbasis komputer yang efektif adalah sebagai berikut:
  • karakteristik pengambilan keputusan, seperti groupthink, eksperimentasi, dan membludaknya informasi.
  • gaya keputusan para pengambil keputusan
  • tujuan para pengambil keputusan
  • disiplin-disiplin ilmu yang mendukung, gaya dan bagaimana semua itu berkaitan dengan karakteristik pribadi dari pembuat keputusan, dan sifat dasar kelompok yang terlibat dalam keputusan (jika ada).
  • rasionalitas si pembuat keputusan. Seorang pembuat keputusan tidak seharusnya hanya menerapkan berbagai macam tool IT secara membabi buta. Sebaliknya, pembuat keputusan mendapat dukungan melalui pendekatan rasional yang menyederhanakan realitas dan menyediakan sarana yang relatif cepat dan murah untuk mempertimbangkan berbagai program alternatif yang terbaik atau solusi yang baik untuk suatu masalah.