Sistem Pendukung Pengambilan Keputusan

1. Pendahuluan

Manajer membuat banyak keputusan untuk mengatasi masalah. Penyelesaian masalah dicapai melalui empat tahapan dasar dan mempergunakan kerangka berpikir seperti model sistem perusahaan yang umum dan model lingkungan. Dengan mengikuti pendeketan sistem untuk menyelesaikan masalah, manajer melihat sistem secara keseluruhan.

Proses pemecahan masalah terdiri atas empat elemen dasar, yaitu : 

1)      standar,

2)      informasi,

3)      batasan, dan

4)      solusi alternatif. 

Jika proses ini diikuti, pemilihan alternatif yang terbaik tidak selalu dicapai melalui analisis logis saja dan penting untuk membedakan antara permasalahan dan gejala.

Masalah memiliki struktur yang beragam dan keputusan untuk menyelesaikannya dapat terprogram maupun tidak terprogram. Konsep sistem pendukung pengambilan keputusan (decision support system-DSS) awalnya ditujukan pada masalah-masalah yang setengah terstruktur. Output DSS yang pertama terdiri atas laporan dan output dari model matematika. Kemudian, kapabilitas pemecahan masalah kelompok ditambahkan, diikuti dengan kecerdasan buatan (artifical intellgence) dan pemrosesan analitis oniline (on-line analytical processing-OLAP). 

Model matematika dapat diklasifikasikan dalam berbagai cara, dan penggunaannya disebut simulasi. Lembar kerja elektronik (spreadsheet) merupakan alat yang baik untuk membuat model matematika. Lembar kerja ini dapat digunakan baik untuk model statik dan dinamik dan membuat manajer dapat memainkan permainan “bagaimana jika” (what-if-game).

Kecerdasan buatan dapat menjadi salah satu komponen DSS. Dengan menambahkan basis pengetahuan dan mesin inferensi, DSS dapat memberikan saran solusi masalah kepada manajer.

Jika groupware ditambahkan ke DSS, maka DSS tersebut akan menjadi sistem pendukung pengambilan keputusan kelompok (group decision support system-GDSS). GDSS dapat diletakkan di beberapa tempat yang berbeda agar kondusif terhadap pemecahan masalah kelompok.

1.1  Pemecahan Masalah dan Pembuatan Keputusan

SIM adalah sistem yang memberikan informasi untuk digunakan dalam pembuatan keputusan guna menyelesaikan masalah bagi para penggunanya.

Pemecahan masalah (problem solving) terdiri atas respons terhadap hal yang berjalan dengan baik, serta terhadap hal yang berjalan dengan buruk dengan cara mendefinisikan masalah (problem) sebagai kondisi atau peristiwa yang berbahaya atau dapat membahayakan perusahaan, atau yang bermanfaat atau dapat memberi manfaat. Dalam proses penyelesaian masalah manajer terlihat dalam pembuatan keputusan (decision making), yaitu tindakan memilih di antara berbagai alternatif solusi pemecahan masalah. Keputusan (decision) didefinisikan sebagai tindakan pilihan dan sering kali perlu untuk mengambil banyak keputusan dalam proses pemecahan satu masalah saja.

1.2  Fase Pemecahan masalah

Menurut Simon, orang yang memecahkan masalah terlibat dalam :

·         Aktivitas Intelijen. Mencari di sekitar lingkungan kondisi yang harus dipecahkan.

·         Aktivitas perancangan. Menemukan, mengembangkan, dan menganalisis tindakan-tindakan yang mungkin dilakukan.

·         Aktivitas pemilihan. Memilih tindakan tertentu dari beberapa yang tersedia.

·         Aktivitas Pengkajian. Memeriksa pilihan-pilihan yang lalu.

2. Pendekatan dan Pentingnya Cara Pandang Sistem

Pendekatan sistem yaitu sederetan langkah yang dikelompokkan ke dalam tiga tahap upaya persiapan, upaya pendefinisian, dan upaya pemecahan. 

Dalam menggunakan model sistem umum dan model lingkungan sebagai dasar pemecahan masalah, cara pandang sistem (systems view) yang memandang operasional usaha sebagai sistem yang menjadi bagian dari lingkungan yang lebih luas. Ini merupakan cara pemikiran yang abstrak, namun memiliki nilai yang potensial untuk manajer. Cara pandang secara sistem akan :

1.  Mencegah manajer agar tidak bingung karena kompleksitas struktur organisasi dan detail pekerjaan.

2.      Menekankan pentingnya memiliki tujuan yang baik.

3.      Menekankan pentingnya semua bagian organisasi untuk bekerja sama.

4.      Mengangkat hubungan antara organisasi dengan lingkungannya.

5.      Menempatkan nilai tinggi pada informasi yang didapat dari input yang hanya dapat dicapai melalui sistem perputaran tertutup.

3. Membangun Konsep dan Elemen Proses Pemecahan Masalah

Kebanyakan masalah yang dipecahkan manajer dapat dianggap sebagai permasalahan sistem. Sebagai contoh, perusahaan sebagai suatu sistem tidak berfungsi sebagaimana mestinya. Atau, terdapat masalah dengan sistem persediaan, sistem komisi penjualan, dan seterusnya. Solusi masalah sistem adalah solusi yang membuat sistem tersebut memenuhi tujuannya dengan paling baik, seperti yang dicerminkan dalam standar kinerja sistem. Standar ini menggambarkan situasi yang diinginkan (desired state) apa yang harus dicapai sistem tersebut. Sebagai tambahan, manajer tersebut harus memiliki informasi yang menggambarkan keadaan saat ini (current state) apa yang dicapai sistem tersebut sekarang ini. Jika dua keadaan ini berbeda, maka ada masalah yang menjadi penyebabnya dan harus dipecahkan.

Perbedaan antara keadaan saat ini dengan keadaan yang diinginkan disebut dengan kriteria solusi (solution criterion), atau apa yang harus terjadi agar situasi saat ini berubah menjadi situasi yang diinginkan. Tentu saja, jika situasi saat ini menunjukkan tingkat kinerja yang lebih tinggi dibandingkan dengan keadaan yang diinginkan, maka tugas yang harus dilakukan bukanlah menyamakan keadaan saat ini. Melainkan, tugas yang harus dilakukan adalah menjaga agar situasi saat ini tetap berada pada tingkatan yang lebih tinggi. Jika kinerja tingkat tinggi dapat dipertahankan, maka situasi yang diinginkan harus ditingkatkan.

Tanggung jawab manajer adalah mengidentifikasi solusi alternatif, yang selalu ada. Ini merupakan satu langkah dari proses penyelesaian masalah di mana komputer tidak terlalu banyak membantu. Manajer biasanya mengandalkan pengalaman sendiri atau mencari bantuan dari pemroses informasi nonkomputer, seperti input dari pihak lain baik di dalam maupun di luar perusahaan.

Setelah berbagai alternatif diidentifikasi, sistem informasi dapat digunakan untuk mengevaluasinya. Evaluasi ini harus mempertimbangkan batasan (constraint) yang ada, yang dapat berasal baik dari internal maupun lingkungan. Batasan internal (internal constraint) biasanya berbentuk sumber daya yang terbatas yang ada di dalam perusahaan. Sebagai contoh, unit TI tidak dapat merancang sistem CRM karena kurangnya keahlian dalam OLAP. Batasan lingkungan (environmental constraint) berbentuk tekanan dari berbagai elemen lingkungan yang membatasi aliran sumber daya dari dan keluar perusahaan. Salah satu contoh adalah peningkatan suku bunga oleh Federal Reserve Board yang meningkatkan biaya ekspansi pabrik.

3.1  Memilih Solusi yang Terbaik

Pemilihan solusi yang terbaik dapat dicapai dengan berbagai cara. Herry Mintzberg, seorang ahli teori manajemen, telah mengidentifikasi tiga pendekatan :

·         Analisis

Evaluasi atas pilihan-pilihan secara sistematis, dengan mempertimbangkan konsekuensi pilihan-pilihan tersebut pada tujuan organisasi. 

Salah satu contohnya adalah pertimbangan yang dilakukan oleh para anggota komite pengawas SIM untuk memutuskan pendekatan mana yang harus diambil dalam mengimplementasikan sistem informasi eksekutif.

·         Penilaian

Proses pemikiran yang dilakukan oleh seorang manajer. Sebagai contoh, manajer produksi menerapkan pengalaman dan intuisi dalam mengevaluasi gambar pabrik baru yang diusulkan dari model matematika.

·         Penawaran

Negosiasi antara beberapa manajer. Salah satu contoh adalah proses memberi dan menerima yang berlangsung antara para anggota komite eksekutif mengenai pasar yang mana yang harus dimasuki selanjutnya. Di sinilah tempat di mana pengaruh politik dalam perusahaan dapat dilihat dengan jelas.

3.4  Permasalahan versus Gejala

Penting bagi kita untuk memahami perbedaan antara masalah dan gejala dari suatu masalah. Jika tidak demikian, kita dapat menghabiskan banyak waktu dan uang untuk menyelesaikan permasalahan yang salah atau sesuatu yang sesungguhnya bukanlah suatu masalah. Gejala (symptom) adalah kondisi yang dihasilkan masalah. Sering kali seorang manajer melihat gejala dan bukan masalah.

3.5  Struktur Permasalahan

Model matematika yang disebut formula EOQ (economic order quantity) dapat memberitahu bagaimana masalah tersebut harus diselesaikan. Masalah seperti ini disebut masalah terstruktur (structured problem) karena terdiri atas unsur dan hubungan antara berbagai elemen yang semuanya dipahami oleh orang yang memecahkan masalah.

Masalah yang tidak terstruktur (unstructured problem) adalah masalah yang tidak memiliki elemen atau hubungan antarelemen yang dipahami oleh orang yang memecahkan masalah. Salah satu contoh dari masalah yang tidak terstruktur adalah memutuskan film yang mana yang paling kita sukai. Manajer bisnis sering kali tidak memiliki perangkat yang cukup untuk mendefinisikan masalah seperti ini dengan cara yang terstruktur.

Sebenarnya, hanya sedikit permasalahan dalam suatu organisasi yang benar-benar terstruktur atau benar-benar tidak terstruktur. Kebanyakan masalah adalah permasalahan di mana manajer memiliki pemahaman yang kurang sempurna akan berbagai elemen dan hubungan di antaranya. Masalah semiterstruktur (semistructured problem) adalah masalah yang terdiri atas beberapa elemen atau hubungan yang dipahami oleh si pemecah masalah dan beberapa yang tidak dapat dipahami. Salah satu contoh adalah pemilihan lokasi untuk membangun sebuah pabrik baru. 

Beberapa elemen, seperti harga tanah, pajak, dan biaya-biaya untuk mengirimkan bahan baku, dapat diukur dengan tingkat ketepatan yang tinggi. Tetapi elemen-elemen lain, seperti bahaya dari lingkungan dan perilaku masyarakat sekitar, sulit untuk diidentifikasi dan diukur.

Setelah prosedur ditentukan, komputer dapat memecahkan masalah yang terstruktur tanpa keterlibatan manajer. Namun, manajer sering kali harus melakukan semua pekerjaan untuk memecahkan masalah yang tidak terstruktur. Dalam wilayah masalah semiterstruktur yang luas, manajer dan komputer dapat bekerja sama dalam menemukan solusi.

3.6  Jenis Keputusan

Selain memberikan tahap-tahap pemecahan masalah, Herbert A.Simon juga menemukan metode untuk mengklasifikasikan keputusan, yaitu :

·         Keputusan terprogram (programmed decision) bersifat “repetitif dan rutin, dalam hal prosedur tertentu digunakan untuk menanganinya sehingga keputusan tersebut tidak perlu dianggap de novo (baru) setiap kali terjadi.” 

·         Keputusan yang tidak terprogram (nonprogrammed decision) bersifat “baru, tidak terstruktur, dan penuh konsekuensi. Tidak terdapat metode yang pasti untuk menangani masalah seperti ini karena masalah tersebut belum pernah muncul sebelumnya, atau karena sifat dan strukturnya sulit dijelaskan dan kompleks, atau karena masalah tersebut demikian penting sehingga memerlukan penanganan khusus.”

4.      Sistem Pendukung Pengambilan Keputusan

Istilah sistem keputusan terstruktur (structured decision system-SDS) digunakan untuk mendeskripsikan sistem-sistem yang mampu menyelesaikan masalah yang teridentifikasi. Masalah-masalah di bawah garis menyulitkan pemrosesan komputer, dan Gorry dan Scott-Morton menggunakan istilah sistem pendukung pengambilan keputusan (decision support system-DSS) untuk menggambarkan sistem yang dapat memberikan dukungan yang dibutuhkan.

Sejak 1971, DSS telah menjadi jenis sistem informasi yang paling sukses dan kini menjadi aplikasi komputer untuk pemecahan masalah yang paling produktif.

5.      Model DSS

Ketika DSS untuk pertama kalinya dirancang, model ini menghasilkan laporan khusus dan berkala serta output dari model matematika. Laporan khusus ini berisikan respons terhadap permintaan ke basis data. Setelah DSS diterapkan dengan baik, kemampuan yang memungkinkan para pemecah masalah untuk bekerja sama dalam kelompok ditambahkan ke dalam model tersebut. Penambahan peranti lunak groupware memungkinkan sistem tersebut untuk berfungsi sebagai sistem pendukung pengambilan keputusan kelompok (group decision support system-GDSS). Yang terbaru, kemampuan kecerdasan buatan juga telah ditambahkan beserta kemampuan untuk terlibat dalam OLAP.

5.1  Pemodelan Matematika

Model adalah abstraksi dari sesuatu. Model mewakili suatu objek atau aktivitas, yang disebut entitas (entity). Manajer menggunakan model untuk mewakili permasalahan yang harus diselesaikan. Objek atau aktivitas yang menyebabkan masalah disebut dengan entitas.

5.2  Jenis Model

Terdapat empat jenis dasar model, yaitu :

1.      Model Fisik (Physical model) 

Merupakan gambaran tiga dimensi entitasnya. Model fisik yang digunakan di dunia bisnis mencakup model skala untuk pusat perbelanjaan dan prototipe mobil baru.

Model fisik dibuat untuk mencapai tujuan yang tidak dapat dipenuhi oleh benda sesungguhnya. Sebagai contoh, model fisik memungkinkan desainer untuk mengevaluasi desain objek, seperti pesawat terbang, dan membuat perubahan-perubahan sebelum konstruksi sesungguhnya. Ini akan menghemat waktu dan uang.

2.      Model Naratif 

Salah satu jenis model yang digunakan oleh manajer setiap hari adalah model naratif (narrative model) yang menggambarkan entitas dengan kata-kata yang terucap atau tertulis. Pendengar atau pembaca dapat memahami entitas tersebut dari naratifnya. Semua komunikasi bisnis adalah model naratif, sehingga membuat model naratif jenis model yang paling populer.

3.      Model Grafis 

Jenis model lain yang terus digunakan adalah model grafis. Model grafis (graphic model) menggambarkan entitasnya dengan abstraksi garis, simbol, atau bentuk. Jumlah pemesanan ekonomis (economic order quantity-EOQ) adalah jumlah optimum penambahan stok yang harus dipesan dari pemasok. EOQ menyeimbangkan biaya pembelian stok dan biaya untuk menyimpannya hingga stok tersebut digunakan atau dijual. 

Model grafis juga digunakan dalam desain sistem informasi. Kebanyakan perangkat yang digunakan oleh pengembang sistem bersifat grafis. Diagram relasi entitas, diagram kelas, dan diagram aliran data merupakan beberapa contoh.

6.      Model Matematis

Setiap rumus atau persamaan matematika adalah model matematis (mathematical model). Kebanyakan model matematika yang digunakan manajer bisnis sama kompleksnya dengan yang digunakan untuk menghitung EOQ.

Biaya penyimpanan mencakup semua biaya yang terjadi dalam penyimpanan barang, seperti asuransi, kerusakan, dan kehilangan karena pencurian.

Beberapa model matematika menggunakan ratusan atau bahkan ribuan persamaan. Sebagai contoh, model perencanaan keuangan yang dirancang Sun Oil Company pada tahun-tahun pertama penggunaan SIM-nya menggunakan sekitar 2.000 persamaan. Model besar seperti ini cenderung lamban dan sulit untuk digunakan. Tren yang berlangsung saat ini adalah penggunaan model yang lebih kecil.

6.1  Penggunaan Model

Keempat jenis model memberikan pemahaman dan memfasilitasi komunikasi. Selain itu, model matematis memiliki kemampuan prediktif.

1)      Memberikan pengertian.

Model biasanya lebih sederhana dibandingkan entitasnya. Entitas adalah objek atau proses. Entitas dapat lebih mudah dimengerti jika berbagai elemen dan hubungan yang terdapat di dalamnya ditampilkan secara lebih sederhana. Setelah model yang sederhana dapat dipahami, model tersebut secara bertahap dapat dibuat lebih kompleks sehingga dapat mewakili entitasnya secara lebih kompleks. Tetapi, model tersebut hanya dapat mewakili entitasnya. Model tersebut tidak dapat benar-benar berlaku seperti entitas sesungguhnya.

2)      Memfasilitasi Komunikasi

Keempat jenis model dapat mengomunikasikan informasi secara akurat dan cepat kepada orang-orang yang memahami makna bentuk, kata-kata, grafis, dan matematis.

3)      Memprediksi masa depan

Ketepatan yang ditunjukkan model matematis untuk mewakili merupakan kemampuan yang tidak terdapat pada model lain. Model matematis dapat memprediksi apa yang akan terjadi di masa depan, namun tidak 100 persen akurat. Tidak ada model yang sebaik itu. Karena asumsi biasanya harus dibuat berdasarkan banyaknya data yang dimasukkan ke dalam model tersebut, manajer harus menggunakan penilaian dan intuisi dalam mengevaluasi outputnya.

6.2  Kelas Model Matematis

Model matematis dapat diklasifikasikan ke dalam tiga dimensi : pengaruh waktu, tingkat keyakinan, dan kemampuan untuk mencapai optimisasi.

1)      Model Statis atau Dinamis

Model Statis (static model) tidak melibatkan waktu sebagai salah satu variabel. Model ini berkenaan dengan situasi pada waktu tertentu. Dengan kata lain, bersifat seperti cuplikan keadaan. Model yang melibatkan waktu sebagai salah satu variabel disebut model dinamis (dynamic model). Model ini menggambarkan perilaku entitas seiring dengan waktu, seperti gambar bergerak atau film.

2)      Model Probabilitas atau Deterministik

Cara lain untuk mengklasifikasikan beragam model didasarkan pada apakah suatu formula melibatkan probabilitas atau tidak. Probabilitas (Probability) adalah kesempatan bahwa sesuatu akan terjadi. Probabilitas berkisar dari 0,00 (Untuk sesuatu yang tidak memiliki kesempatan terjadi) hingga 1,00 (untuk sesuatu yang pasti terjadi). Model yang melibatkan probabilitas disebut model probabilitas (probability model). Jika tidak, maka model tersebut adalah model deterministik (deterministic model).

3)      Model Optimisasi atau Suboptimisasi

Model optimisasi (optimizing model) adalah model yang memilih solusi terbaik dari berbagai alternatif yang ditampilkan. Agar suatu model dapat melakukan hal ini, masalah tersebut harus terstruktur dengan amat baik.

Model Suboptimisasi (suboptimizing model) yang sering kali disebut model pemuas (satisficing model) memungkinkan seorang manajer untuk memasukkan seperangkat keputusan. Setelah langkah ini diselesaikan, model tersebut akan memproyeksikan hasil.

7.      Simulasi

Tindakan menggunakan model disebut dengan simulasi (simulation). Simulasi terjadi dalam skenario tertentu dan memprediksi dampak keputusan orang yang memecahkan masalah tersebut.

Skenario istilah skenario (scenario) digunakan untuk menggambarkan kondisi yang memengaruhi simulasi. Elemen data yang menentukan skenario ini disebut elemen data skenario (scenario data element). Model ini dapat didesain sedemikian rupa sehingga elemen data skenario berbentuk variabel, sehingga memungkinkan penetuan nilai-nilai yang berbeda.

7.1  Variabel Keputusan dan Teknik Simulasi

Nilai input yang dimasukkan manajer untuk mengukur dampak pada entitas disebut variabel keputusan (decision variable). 

Manajer biasanya melakukan model optimisasi hanya sekali. Model ini menghasilkan solusi yang terbaik menggunakan skenario tertentu dan variabel-variabel keputusan. Namun, penting juga untuk menjalankan model suboptimisasi berulang kali, guna mencari kombinasi variabel keputusan yang menghasilkan hasil yang memuaskan. Proses perulangan untuk mencoba beragam alternatif keputusan ini disebut permainan bagaimana jika (what-if game).

Setiap kali model tersebut dijalankan, hanya satu dari beragam variabel keputusan yang harus diubah agar pengaruhnya dapat terlihat. Dengan cara ini, pemecah masalah secara sistematis dapat menemukan kombinasi keputusan yang akan menghasilkan solusi masalah.

7.2  Contoh Pemodelan

Eksekutif perusahaan dapat menggunakan model matematis untuk membuat beberapa keputusan kunci. Para eksekutif ini dapat menyimulasikan dampak dari :

·         Harga Produk.

·    Jumlah investasi pabrik yang dibutuhkan untuk menyediakan kapasitas untuk memproduksi produk.

·         Jumlah yang akan diinvestasikan dalam aktivitas pemasaran, seperti iklan dan penjualan langsung.

·         Jumlah yang akan diinvestasikan dalam penelitian dan pengembangan.

Selain itu, para eksekutif tersebut ingin menyimulasikan empat kuartal aktivitas dan menghasilkan dua laporan :

1.    Laporan operasional yang mencakup nilai-nilai nonmoneter seperti potensi pasar (permintaan) dan kapasitas pabrik serta,

2.      Laporan pendapatan yang mencerminkan hasil secara monoter.

7.3  Kelebihan dan kelemahan pemodelan

Manajer yang menggunakan model matematika bisa mendapatkan manfaat melalui hal-hal berikut :

·         Proses pemodelan dapat menjadi pengalaman belajar. Manajer akan selalu mempelajari sesuatu yang baru mengenai sistem sesungguhnya melalui setiap proyek pemodelan.

·     Kecepatan proses simulasi memungkinkan sejumlah besar alternatif dapat dipertimbangkan dengan cara memberikan kemampuan untuk mengevaluasi dampak keputusan dalam waktu yang singkat. Hanya dalam beberapa menit, kita dapat menyimulasikan beberapa bulan, kuartal, atau tahunan operasional perusahaan.

·         Seperti yang telah dibahas sebelumnya, model memberikan kemampuan prediksi pandangan ke masa depan yang tidak dapat diberikan oleh metode penyedia informasi lain.

·     Model tidak semahal upaya uji coba. Proses pemodelan memang mahal jika dilihat dari masa perancangan dan biaya peranti keras dan peranti lunak yang dibutuhkan untuk melakukan simulasi, namun biaya ini tidak setinggi biaya yang terjadi jika keputusan yang buruk diimplementasikan di dunia nyata.

7.4  Kelebihan pemodelan ini dapat berkurang karena dua kelemahan dasar :

·         Kesulitan untuk membuat model sistem bisnis akan menghasilkan model yang tidak mencakup semua pengaruh terhadap entitas. Sebagai contoh, dalam model yang baru saja digambarkan, seseorang di perusahaan harus mengestimasikan nilai untuk elemen data skenario. Selain itu, rumus matematis biasanya hanya merupakan prakiraan atas perilaku entitas tersebut. Ini berarti bahwa penilaian subjektif yang cukup besar harus diterapkan dalam mengimplementasikan keputusan yang dibuat berdasarkan hasil simulasi.

·         Kemampuan matematis tingkat tinggi dibutuhkan untuk merancang model yang lebih kompleks. Selain itu, kemampuan semacam ini juga diperlukan untuk menginterpretasikan output dengan baik.

7.5  Pemodelan Matematika Menggunakan Lembar Kerja Elektronik

Terobosan teknologi yang memungkinkan para pemecah persoalan untuk menyusun model matematika dan tidak sekedar hanya mengandalkan spesialis informasi atau ilmuwan manajemen adalah lembar kerja elektronik. Sebelum adanya lembar kerja (spreadsheet), model matematika diprogram dalam bahasa teknis seperti Fortran atau API, yang berada di luar kompetensi para pemecah masalah yang tidak memiliki latar belakang komputer. Ketika spreadsheet hadir, tampak jelas bahwa teknologi ini akan menjadi alat yang baik untuk membuat model matematika.

1.      Kapabilitas Pemodelan Statis

Baris dan kolom dari lembar kerja elektronik membuatnya ideal untuk digunakan dalam model statis. 

2.      Kapabilitas Pemodelan Dinamis

Lembar kerja sangat sesuai untuk digunakan sebagai model dinamis. Kolom-kolom yang tersedia amat sesuai untuk periode waktu.

7.6  Memainkan Permainan “Bagaimana Jika”

Lembar kerja ini juga berguna untuk memainkan permainan “bagaimana jika”, di mana pemecah masalah memanipulasi satu atau lebih variabel untuk melihat dampak dari hasil simulasi.

7.7  Antarmuka Model Lembar Kerja

Ketika menggunakan lembar kerja sebagai model matematika, pengguna dapat memasukkan data atau membuat perubahan secara langsung pada sel-sel lembar kerja atau dapat menggunakan antarmuka pengguna grafis. 

7.8  Kecerdasan Buatan

DSS menekankan penggunaan pemodelan matematika dan pengajuan permintaan ke basis data. Tidak lama kemudian, para perancang DSS mulai menyadari kebutuhan untuk menggabungkannya dengan kecerdasan buatan. Kecerdasan buatan (artificial intelligence-AI) adalah aktivitas penyediaan mesin seperti komputer dengan kemampuan untuk menampilkan perilaku yang akan dianggap sama cerdasnya dengan jika kemampuan tersebut ditampilkan oleh manusia. AI merupakan aplikasi komputer yang paling canggih karena aplikasi ini berusaha mencontoh cara pemikiran manusia.

7.9  Sejarah AI

Bibit AI pertama kali disebar hanya 2 tahun setelah General Electri menerapkan komputer yang pertama kali digunakan untuk penggunaan bisnis. Tahun 1956, dan istilah kecerdasan buatan pertama kali dibuat oleh John McCarthy sebagai tema suatu konferensi yang dilaksanakan di Dartmouth College. Pada tahun yang sama, program komputer AI pertama yang disebut Logic Theorist, diumumkan. Kemampuan Logic Theorist yang terbatas untuk berpikir (membuktikan teorema-teorema kalkulus) mendorong para ilmuwan untuk merancang program lain yang disebut General Problem Solver (GPS), yang ditujukan untuk digunakan dalam memecahkan segala macam masalah. Proyek ini ternyata membuat para ilmuwan yang pertama kali menyusun program ini kewalahan, dan riset AI dikalahkan oleh aplikasi-aplikasi komputer yang tidak terlalu ambisius seperti SIM dan DSS. Namun seiring waktu, riset yang terus-menerus akhirnya membuahkan hasil, dan AI telah menjadi wilayah aplikasi komputer yang solid.

7.10  Wilayah AI

AI diterapkan di dunia bisnis dalam bentuk sistem pakar, jaringan saraf tiruan,    algoritme genetik, dan agen cerdas.

1.      Sistem Pakar

Sistem pakar adalah program komputer yang berusaha untuk mewakili pengetahuan keahlian manusia dalam bentuk heuristik. Istilah heuristik berasal dari kata Yunani eureka, yang berarti “menemukan.” Heuristik (heuristic) adalah aturan yang menjadi patokan atau aturan untuk menebak dengan baik.

Heuristik tidak menjamin hasil sebaik algoritme yang biasa didapatkan dalam model matematika, namun heuristik biasanya menawarkan hasil yang cukup spesifik sehingga dapat berguna. Heuristik memungkinkan sistem pakar untuk berfungsi sedemikian rupa agar konsistem dengan keahlian manusia, dan menyarankan penggunanya cara memecahkan masalah. Karena sistem pakar berfungsi sebagai konsultan, tindakan menggunakan aplikasi ini disebut konsultasi (consultation) karena pengguna berkonsultasi kepada sistem pakar untuk mendapatkan saran.

Sistem pakar dirancang oleh spesialis informasi (yang sering kali disebut insinyur pengetahuan (knowledge engineer)) yang memiliki keahlian khusus dalam bidang kecerdasan buatan. Insinyur pengetahuan amat ahli dalam mendapatkan ilmu dari seorang ahli.

2.      Jaringan saraf tiruan

Jaringan saraf tiruan (neural networks) meniru fisiologi otak manusia. Jaringan ini mampu menemukan dan membedakan pola, sehingga membuatnya amat berguna dalam bisnis di wilayah pengenalan suara dan pengenalan karakter optis.

3.      Algoritme Genetik

Algoritme genetik (genetic algorithms) menerapkan proses “yang terkuat yang selamat” untuk memungkinkan para pemecah masalah agar menghasilkan solusi masalah yang semakin lebih baik. Sebagai contoh, bankir investasi dapat menggunakannya untuk memilih portofolio investasi yang terbaik bagi kliennya.

4.      Agen Cerdas 

Agen Cerdas (intelligent agent) digunakan untuk melakukan tugas yang berkaitan dengan komputer yang berulang-ulang. Salah satu contoh adalah penggalian data, di mana penemuan pengetahuan memungkinkan sistem gudang data untuk mengidentifikasi hubungan data yang sebelumnya tidak dikenal.

      1.1 Daya Tarik Sistem Pakar

Sistem pakar menawarkan kemampuan yang unik sebagai sistem pendukung keputusan, yaitu :

1.      Sistem pakar memberikan kesempatan untuk membuat keputusan yang melebihi kemampuan seorang manajer. Sebagai contoh, seorang karyawan investasi baru di bank dapat menggunakan suatu sistem pakar yang didesain oleh seorang ahli keuangan dan, dengan demikian, menggabungkan pengetahuan ahli tersebut ke dalam keputusan investasinya. 

2.      Sistem pakar tersebut dapat menjelaskan alasannya hingga menuju ke suatu keputusan. Sering kali, penjelasan mengenai bagaimana solusi tersebut dicapai lebih berharga dibandingkan solusi itu sendiri.

     1.2 Konfigurasi Sistem Pakar

Sistem pakar terdiri atas empat bagian utama : antarmuka pengguna, basis pengetahuan, mesin antarmuka, dan mesin pengembangan. 

·         Antarmuka Pengguna

Antarmuka pengguna memungkinkan manajer untuk memasukkan instruksi dan informasi ke dalam sistem pakar dan menerima informasi dari sistem tersebut. Instruksi ini menentukan parameter yang mengarahkan sistem pakar dalam proses pemikirannya. Input informasi berbentuk nilai yang dikaitkan dengan variabel tertentu.

Sistem pakar didesain untuk merekomendasikan solusi. Solusi ini kemudian dilengkapi dengan penjelasan. Terdapat dua jenis penjelasan : Penjelasan dari pertanyaan yang diberikan manajer dan penjelasan mengenai solusi masalah.

·         Basis Pengetahuan 

Basis pengetahuan (knowledge basis) berisikan fakta yang menggambarkan masalah serta teknik penggambaran pengetahuan yang menjelaskan bagaimana fakta bersentuhan secara logis. Istilah domain masalah (problem domain) digunakan untuk menggambarkan area permasalahan.

Salah satu teknik untuk menggambarkan pengetahuan yang populer adalah penggunaan aturan. Aturan (rule) menentukan apa yang harus dilakukan dalam suatu situasi dan terdiri atas dua bagian : kondisi yang bisa jadi benar atau salah dan tindakan yang harus dilakukan jika kondisi itu benar. Contoh aturan adalah :

If Indeks.Ekonomi > 1,20 dan Indeks.Musiman > 1,30 Then Prakiraan.Penjualan = ‘SANGAT BAIK ‘

Semua aturan yang ada di dalam sistem pakar disebut set aturan (rule set). Jumlah aturan dalam set aturan dapat bervariasi dari sekitar selusin peraturan untuk suatu sistem pakar sederhana hingga 10.000 peraturan untuk set yang rumit.

·         Mesin Inferensi

Mesin Inferensi (inference engine) adalah bagian dari sistem pakar yang melakukan pemikiran dengan cara menggunakan isi basis pengetahuan dalam urutan tertentu. Selama konsultasi, mesin inferensi memeriksa aturan-aturan basis pengetahuan satu demi satu, dan jika persyaratan satu aturan benar, maka suatu tindakan akan dilaksanakan. Dalam terminologi sistem pakar, aturan diberhentikan jika tindakan diambil.

Proses pemeriksaan peraturan satu demi satu berlanjut hingga seluruh set aturan telah dilalui. Lebih dari satu kali pemeriksaan biasanya dibutuhkan untuk memberikan suatu nilai ke solusi masalah, yang disebut variabel tujuan (goal variable). Pemeriksaan terus berlanjut hingga memungkinkan untuk memberhentikan beberapa aturan. Ketika tidak ada lagi aturan yang dapat diberhentikan, proses pemikiran dapat berhenti.

·         Mesin Pengembangan

Komponen utama yang keempat dari sistem pakar adalah mesin pengembangan, yang digunakan untuk membuat sistem pakar. Ada dua pendekatan dasar yang tersedia : bahasa pemrograman dan kerangka sistem pakar. 

Kerangka sistem pakar (expert system shell) adalah prosesor siap pakai dan dapat disesuaikan untuk masalah tertentu dengan cara menambahkan basis pengetahuan yang sesuai. Kini, kebanyakan minat untuk menerapkan sistem pakar ke masalah bisnis melibatkan penggunaan kerangka.

Salah satu contoh domain masalah yang menggunakan kerangka sistem pakar adalah komputer bantuan pelanggan. Ketika sistem pakar bantuan pelanggan digunakan, pengguna atau anggota staf bantuan pelanggan berkomunikasi secara langsung dengan sistem, dan sistem kemudian berusaha menyelesaikan masalah. 

Sistem pakar bantuan pelanggan menggunakan beragam teknik penggambaran pengetahun. Salah satu pendekatan yang populer disebut cara pikir berbasis kasus (case base reasoning-CBR). Pendekatan ini menggunakan data historis sebagai dasar untuk mengidentifikasi masalah dan merekomendasikan solusi. 

Kerangka sistem pakar telah membuat kecerdasan buatan terjangkau perusahaan-perusahaan yang tidak memiliki sumber daya yang cukup untuk merancang sistem mereka sendiri menggunakan bahasa pemrograman. Dalam area bisnis, kerangka sistem pakar merupakan cara yang paling populer bagi banyak perusahaan untuk menerapkan sistem berbasis pengetahuan.

8.      Sistem Pendukung Pengambilan Keputusan Kelompok

Berbagai komite, tim proyek, dan satuan tugas yang ada di banyak perusahaan merupakan contoh pendekatan kelompok terhadap pemecahan masalah. Menyadari fakta ini, para pengembang sistem telah mengadaptasi DSS ke dalam pemecahan masalah secara kelompok.

8.1  Konsep GDSS

Sistem pendukung pengambilan keputusan kelompok (group decision support system-GDSS) adalah “sistem berbasis komputer yang membantu sekelompok orang melakukan tugas (atau mencapai tujuan) yang sama dan memberikan antarmuka untuk digunakan bersama.” Istilah-istilah lain juga digunakan untuk menggambarkan aplikasi teknologi informasi ke dalam situasi kelompok. Istilah ini antara lain sistem pendukung kelompok (group support system-GSS), kerja sama berbantuan komputer (computer-supported cooperative work-CSCW), dukungan kerja kolaboratif terkomputerisasi (computerized collaborative work support), dan sistem pertemuan elektronik (electronic meeting system-EMS). Peranti lunak yang digunakan dalam situasi-situasi ini diberi nama groupware.

8.2  Bagaimana GDSS Membantu Pemecahan Masalah

Asumsi yang mendasari GDSS adalah komunikasi yang lebih baik memungkinkan dibuatnya keputusan yang lebih baik. Komunikasi yang lebih baik dicapai dengan menjaga agar diskusi kelompok tetap terfokus pada masalah yang dibicarakan, sehingga waktu tidak terbuang sia-sia. Ekstra waktu yang dimiliki dapat digunakan untuk mendiskusikan masalah secara lebih mendetail, sehingga didapatkan definisi masalah yang lebih baik. Atau, ekstra waktu yang dimiliki dapat digunakan untuk mengidentifikasi alternatif-alternatif yang sebelumnya tampak tidak mungkin. Evaluasi alternatif yang lebih banyak akan meningkatkan kesempatan mendapatkan solusi yang lebih baik.

8.3  Letak Lingkungan GDSS

GDSS membantu pemecahan masalah dengan cara menyediakan lokasi yang kondusif untuk komunikasi. Pada tiap lokasi, para anggota kelompok dapat bertemu dalam waktu yang bersamaan atau waktu yang berbeda. Jika para anggota bertemu pada saat yang bersamaan, maka lokasi ini disebut pertukaran sinkron (synchronous exchange). Salah satu contoh adalah pertemuan komite. Jika para anggota bertemu pada waktu yang berbeda-beda, maka lokasi ini disebut pertukaran asinkron (asynchronous exchange). Salah satu contoh adalah saling berbalas komunikasi melalui e-mail.

8.4  Ruang Keputusan 

Ruang keputusan (decision room) adalah tempat sekelompok kecil orang yang bertemu langsung. Ruangan ini membantu komunikasi melalui kombinasi perabotan, peralatan, dan tempat. Peralatan mencakup kombinasi komputer, mikrofon penangkap suara, kamera video, dan layar lebar. Di tengah-tengah ruangan terletak konsol fasilitator. Fasilitator (Facilitator) adalah seseorang yang tugas utamanya adalah menjaga diskusi di jalurnya.

Berdasarkan pengaturan yang ditentukan untuk masing-masing sesi, pesan yang dimasukkan oleh salah seorang anggota kelompok kepada anggota lain dapat ditampilkan pada layar lebar untuk dilihat seluruh anggota kelompok. Materi lain yang penting untuk diskusi ini juga dapat ditampilkan dari media seperti gambar PowerPoint, videotape, slide berwarna, dan transparansi.

Dua buah fitur GDSS yang unik adalah komunikasi paralel dan anonimitas. Komunikasi paralel (parallel communication) terjadi ketika semua peserta memasukkan komentar pada saat yang bersamaan, dan anonimitas (anonimity) adalah ketika tidak ada yang dapat mengetahui siapa yang memberikan komentar tertentu. Anonimitas memungkinkan para peserta untuk mengatakan apa yang mereka pikirkan tanpa takut diejek oleh anggota kelompok yang lain. Selain itu, fitur ini memungkinkan masing-masing ide untuk dievaluasi berdasarkan kelebihannya dan bukan berdasarkan siapa yang memberikannya.

8.5  Jaringan Keputusan Wilayah Lokal

Jika tidak memungkinkan untuk sekelompok kecil orang untuk bertemu langsung, maka para anggota dapat berinteraksi melalui LAN. Seorang anggota dapat memasukkan komentar ke dalam komputer dan melihat komentar yang diberikan anggota lain di layar.

8.6  Sesi Legislatif

Jika kelompok yang ada terlalu besar untuk suatu ruang keputusan, maka akan dibutuhkan sesi legislatif. Ukuran yang besar akan membatasi komunikasi. Kesempatan partisipasi secara rata oleh semua anggota kelompok menjadi berkurang atau waktu yang tersedia akan berkurang. Salah satu solusi untuk masalah ini adalah fasilitator memutuskan materi mana yang harus ditampilkan di layar untuk dilihat seluruh kelompok.

8.7  Konferensi Yang Dimediasi Komputer

Beberapa aplikasi virtual memungkinkan komunikasi antara kelompok-kelompok besar yang memiliki anggota yang tersebar di berbagai wilayah geografis. Aplikasi ini secara kolektif dikenal sebagai aplikasi konferensi jarak jauh, yang mencakup konferensi komputer, konferensi audio, dan konferensi video.

8.8  Meletakkan DSS pada Tempatnya

Telah dilihat bagaimana cakupan dukungan keputusan yang diberikan oleh DSS telah meluas dibandingkan ketika Gorry dan Scott-Morton pertama kali mengutarakan ide untuk mengatasi masalah semiterstruktur. Perluasan cakupan ini merupakan saksi keberhasilan DSS. Konsep ini telah bekerja dengan amat baik sehingga para pengembang terus memikirkan fitur-fitur baru untuk ditambahkan.

Ketika kecerdasan buatan ditambahkan, fitur ini benar-benar mengubah karakter DSS. Seseorang pernah menggambarkan perbedaan antara DSS dan sistem pakar dengan cara menjelaskan bahwa ketika seorang manajer menggunakan DSS, maka ia duduk di depan komputer dan berusaha menemukan bagaimana cara menggunakan tampilan informasi untuk menyelesaikan masalah. Ketika manajer menggunakan sistem pakar, manajer duduk di depan komputer, namun seorang konsultan duduk di sebelah manajer dan memberi saran mengenai bagaimana memecahkan masalah. Kecerdasan buatan memungkinkan DSS untuk memberikan tingkat dukungan keputusan yang semula tidak dibayangkan oleh para visioner DSS.

Referensi :

McLeod Raymond, Sistem Informasi Manajemen, Edisi Kesepuluh, Jakarta, Salemba Empat : 2007