Pengertian Classification, Clustering, As Sociation, Regression, Fore Casting, Sequence Analysis, Deviation Analysis.

Classification

Classification adalah metode yang paling umum pada data mining. Persoalan bisnis sperti Churn Analysis, dan Risk Management biasanya melibatkan metode Classification.

Classification adalah tindakan untuk memberikan kelompok pada setiap keadaan. Setiap keadaan berisi sekelompok atribut, salah satunya adalah class attribute. Metode ini butuh untuk menemukan sebuah model yang dapat menjelaskan class attribute itu sebagai fungsi dari input attribute.

Contohnya kita lihat pada contoh kasus College Plan pada postingan Pengenalan data mining.

Class adalah attribute CollegePlans yang berisi dua pernyataan, Yes dan No, perhatikan ini.

Sebuah Classification Model akan menggunakan atribut lain dari kasus tersebut (input attribut; yaitu kolom IQ, Gender, ParentIncome, dan ParentEncouragement) untuk dapat menentukan pola (pattern) class (Output Attribute; yaitu Kolom CollegePlans yang berisi Yes atau No).

Algoritma Data Mining yang membutuhkan variabel target untuk belajar (sampai mendapatkan rule / pola yang berlaku pada data tersebut) kita standarkan dengan sebuthan dengan Supervised Algorithm.

Clustering

Clustering adalah metode penganalisaan data, yang sering dimasukkan sebagai salah satu metode Data Mining, yang tujuannya adalah untuk mengelompokkan data dengan karakteristik yang sama ke suatu ‘wilayah’ yang sama dan data dengan karakteristik yang berbeda ke ‘wilayah’ yang lain.

Ada beberapa pendekatan yang digunakan dalam mengembangkan metode clustering. Dua pendekatan utama adalah clustering dengan pendekatan partisi dan clustering dengan pendekatan hirarki. Clustering dengan pendekatan partisi atau sering disebut dengan partition-based clustering mengelompokkan data dengan memilah-milah data yang dianalisa ke dalam cluster-cluster yang ada. Clustering dengan pendekatan hirarki atau sering disebut dengan hierarchical clustering mengelompokkan data dengan membuat suatu hirarki berupa dendogram dimana data yang mirip akan ditempatkan pada hirarki yang berdekatan dan yang tidak pada hirarki yang berjauhan. Di samping kedua pendekatan tersebut, ada juga clustering dengan pendekatan automatic mapping (Self-Organising Map/SOM)

Clustering Dengan Pendekatan Partisi

K-Means

Salah satu metode yang banyak digunakan dalam melakukan clustering dengan partisi ini adalah metode k-means. Secara umum metode k-means ini melakukan proses pengelompokan dengan prosedur sebagai berikut:

• Tentukan jumlah cluster
• Alokasikan data secara random ke cluster yang ada
• Hitung rata-rata setiap cluster dari data yang tergabung di dalamnya
• Alokasikan kembali semua data ke cluster terdekat
• Ulang proses nomor 3, sampai tidak ada perubahan atau perubahan yang terjadi masih sudah di bawah treshold

Prosedur dasar ini bisa berubah mengikuti pendekatan pengalokasian data yang diterapkan, apakah crisp atau fuzzy. Setelah meneliti clustering dari sudut yang lain, saya menemukan bahwa k-means clustering mempunyai beberapa kelemahan.

Hal-hal terkait dengan metode k-means saya rangkum dalam tulisan saya yang dapat di-download di sini (k-means – penerapan, permasalahan dan metode terkait).

Penjelasan lengkap tentang k-means dapat juga dilihat pada Yudi Agusta’s K-Means Page.

Mixture Modelling (Mixture Modeling)

Mixture modelling (mixture modeling) merupakan metode pengelompokan data yang mirip dengan k-means dengan kelebihan penggunaan distribusi statistik dalam mendefinisikan setiap cluster yang ditemukan. Dibandingkan dengan k-means yang hanya menggunakan cluster center, penggunaan distribusi statistik ini mengijinkan kita untuk:

• Memodel data yang kita miliki dengan setting karakteristik yang berbeda-beda
• Jumlah cluster yang sesuai dengan keadaan data bisa ditemukan seiring dengan proses pemodelan karakteristik dari masing-masing cluster
• Hasil pemodelan clustering yang dilaksanakan bisa diuji tingkat keakuratannya

Distribusi statistik yang digunakan bisa bermacam-macam mulai dari yang digunakan untuk data categorical sampai yang continuous, termasuk di antaranya distribusi binomial, multinomial, normal dan lain-lain. Beberapa distribusi yang bersifat tidak normal seperti distribusi Poisson, von-Mises, Gamma dan Student t, juga diterapkan untuk bisa mengakomodasi berbagai keadaan data yang ada di lapangan. Beberapa pendekatan multivariate juga banyak diterapkan untuk memperhitungkan tingkat keterkaitan antara variabel data yang satu dengan yang lainnya.

Clustering dengan Pendekatan Hirarki

Clustering dengan pendekatan hirarki mengelompokkan data yang mirip dalam hirarki yang sama dan yang tidak mirip di hirarki yang agak jauh. Ada dua metode yang sering diterapkan yaitu agglomerative hieararchical clustering dan divisive hierarchical clustering. Agglomerative melakukan proses clustering dari N cluster menjadi satu kesatuan cluster, dimana N adalah jumlah data, sedangkan divisive melakukan proses clustering yang sebaliknya yaitu dari satu cluster menjadi N cluster.

Beberapa metode hierarchical clustering yang sering digunakan dibedakan menurut cara mereka untuk menghitung tingkat kemiripan. Ada yang menggunakan Single Linkage, Complete Linkage, Average Linkage, Average Group Linkage dan lain-lainnya. Seperti juga halnya dengan partition-based clustering, kita juga bisa memilih jenis jarak yang digunakan untuk menghitung tingkat kemiripan antar data.

Salah satu cara untuk mempermudah pengembangan dendogram untuk hierarchical clustering ini adalah dengan membuat similarity matrix yang memuat tingkat kemiripan antar data yang dikelompokkan. Tingkat kemiripan bisa dihitung dengan berbagai macam cara seperti dengan Euclidean Distance Space. Berangkat dari similarity matrix ini, kita bisa memilih lingkage jenis mana yang akan digunakan untuk mengelompokkan data yang dianalisa.

Clustering Dengan Pendekatan Automatic Mapping

Self-Organising Map (SOM)

Self-Organising Map (SOM) merupakan suatu tipe Artificial Neural Networks yang di-training secara unsupervised. SOM menghasilkan map yang terdiri dari output dalam dimensi yang rendah (2 atau 3 dimensi). Map ini berusaha mencari property dari input data. Komposisi input dan output dalam SOM mirip dengan komposisi dari proses feature scaling (multidimensional scaling).

Walaupun proses learning yang dilakukan mirip dengan Artificial Neural Networks, tetapi proses untuk meng-assign input data ke map, lebih mirip dengan K-Means dan kNN Algorithm. Adapun prosedur yang ditempuh dalam melakukan clustering dengan SOM adalah sebagai berikut:

• Tentukan weight dari input data secara random
• Pilih salah satu input data
• Hitung tingkat kesamaan (dengan Eucledian) antara input data dan weight dari input data tersebut dan pilih input data yang memiliki kesamaan dengan weight yang ada (data ini disebut dengan Best Matching Unit (BMU))
• Perbaharui weight dari input data dengan mendekatkan weight tersebut ke BMU dengan rumus:

Wv(t+1) = Wv(t) + Theta(v, t) x Alpha(t) x (D(t) – Wv(t))

Dimana:

• Wv(t): Weight pada saat ke-t
• Theta (v, t): Fungsi neighbourhood yang tergantung pada Lattice distance antara BMU dengan neuron v. Umumnya bernilai 1 untuk neuron yang cukup dekat dengan BMU, dan 0 untuk yang sebaliknya. Penggunaan fungsi Gaussian juga memungkinkan.
• Alpha (t): Learning Coefficient yang berkurang secara monotonic
• D(t): Input data
• Tambah nilai t, sampai t < Lambda, dimana Lambda adalah jumlah iterasi

Variasi Metode Clustering

• Quality Threshold Clustering Method
• Locality Sensitive Hashing
• Algoritma Rock
• Hierarchical Frequent Term-Base Clustering
• Suffix Tree Clustering
• Single Pass Clustering
• Neighborhood Clustering
• Sequence Clustering
• Spectral Clustering
• Clustering on Frequent Tree
• Latent Class Cluster Analysis a.k.a. Latent Profile Analysis a.k.a. Mixture Model for Continuous Variabel
• Latent Class Analysis a.k.a. Mixture Model for Categorical Variable

Hal-hal Terkait Dengan Clustering

• Analisa Faktor
• Singular Value Decomposition
• Eigen Value and Eigen Vector
• Similarity Measure
• Feature Discretisation
• Feature Selection
• Feature Scaling
• Indexing Method For Searching

Clustering Implementation

• Document Clustering Algorithm, Document Feature Extraction
• Image Clustering

Clustering juga disebut sebagai segmentation. Metoda ini digunakan untuk mengidentifikasi kelompok alami dari sebuah kasus yang di dasarkan pada sebuah kelompok atribut, mengelompokkan data yang memiliki kemiripan atribut.

Gambar dibawah ini menunjukkan kelompok data pelanggan sederhana yang berisi dua atribut, yaitu Age (Umur) dan Income (Pendapatan).

Algoritma Clustering mengelompokkan kelompok data kedalam tiga segment berdasarkan kedua atribut ini.

• Cluster 1 berisi populasi berusia muda dengan pendapatan rendah
• Cluster 2 berisi populasi berusia menengah dengan pendapatan yang lebih tinggi
• Cluster 3 berisi populasi berusia tua dengan pendapatan yang relatif rendah.

Clustering adalah metode data mining yang Unsupervised, karena tidak ada satu atributpun yang digunakan untuk memandu proses pembelajaran, jadi seluruh atribut input diperlakukan sama.

Kebanyakan Algoritma Clustering membangun sebuah model melalui serangkaian pengulangan dan berhenti ketika model tersebut telah memusat atau berkumpul (batasan dari segmentasi ini telah stabil).

Association

Association juga disebut sebagai Market Basket Analysis. Sebuah problem bisnis yang khas adalah menganalisa tabel transaksi penjualan dang mengidentifikasi produk-produk yang seringkali dibeli bersamaan oleh customer, misalnya apabila orang membeli sambal, biasanya juga dia membeli kecap. Kesamaan yang ada dari data pembelian digunakan untuk mengidentifikasi kelompok kesamaan dari produk dan kebiasaan apa yang terjadi guna kepentingan cross-selling seperti gambar dibawah ini.

Anda bisa lihat disini, beberapa hal dapat kita baca, misalnya :

• Ketika orang membeli susu, dia biasanya membeli keju
• Ketika orang membeli pepsi atau coke, biasanya dia membeli juice

Didalam istilah association, setiap item dipertimbangkan sebagai informasi.

Metode association memiliki dua tujuan:

1. Untuk mencari produk apa yang biasanya terjual bersamaan
2. Untuk mencari tahu apa aturan yang menyebabkan kesamaan tersebut.

Regression

Metode Regression mirip dengan metode Classification, yang membedakannya adalah metode regression tidak bisa mencari pola yang dijabarkan sebagai class (kelas).

Metoda regression bertujuan untuk mecari pola dan menentukan sebuah nilai numerik.

Sebuah Teknik Linear Line-fitting sederhana adalah sebuah contoh dari Regression, dimana hasilnya adalah sebuah fungsi untuk menentukan hasil yang berdasarkan nilai dari input.

Bentuk yang lebih canggih dari regression sudah mendukung input berupa kategori, jadi tidak hanya input berupa numerik. Teknik paling popular yang digunakan untuk regression adalah linear regression dan logistic regression. Teknik lain yang didukung oleh SQL Server Data mining adalah Regression Trees (bagian dari dari algoritma Microsoft Decission Trees) dan Neural Network.

Regression digunakan untuk memecahkan banyak problem bisnis – contohnya untuk memperkirakan metode distribusi, kapasitas distribusi, musim dan untuk memperkirakan kecepatan angin berdasarkan temperatur, tekanan udara, dan kelembaban.

Fore Casting

Forecasting juga adalah metode data mining yang sangat penting. Contohnya digunakan untuk menjawab pertanyaan seperti berikut:

·        Seperti apa jadinya nilai saham dari Microsoft Corporation (pada NASDAQ, disimbolkan sebagai MSFT) pada keesokan hari?

·        Sebanyak apa penjualan produk tertentu pada bulan depan?

Teknik Forecasting dapat membantu menjawab pertanyaan-pertanyaan diatas. Sebagai inputnya teknik Forecasting akan mengambil sederetan angka yang menunjukkan nilai yang berjalan seiring waktu dan kemudian Teknik Forecasting ini akan menghubungkan nilai masa depan dengan menggunakan bermacam-macam teknik machine-learning dan teknik statistik yang berhubungan dengan musim, trend, dan noise pada data.

Gambaranya dapat anda lihat sebagai berikut:

Gambar diatas menunjukkan dua kurva, garis yang tegas adalah time-series data sebenarnya dari nilai saham Microsoft, dan garis putus-putus adalah time series model yang memprediksi nilai saham berdasarkan nilai saham pada masa lalu.

Sequence Analysis

Sequence Anlysis digunakan untuk mencari pola pada serangkaian kejadian yang disebut dengan Sequence. Sebagai contoh sebuah DNA terdiri dari rangaian bagian: A, G, C, dan T. dan rangkaian klik pada sebuah website berisi rentetan URL. Pada kejadian nyata anda mungkin memodelkan pembelian oleh pelanggan sebagai sebuah sequence (rangkaian) data, rangkaian tersebut adalah:

• Pertama-tama Seorang pelanggan membeli komputer
• kemudian membeli speaker
• dan akhirnya membeli sebuah webcam.

Baik Sequence maupun time-series data mempunyai kemiripan, mereka sama sama berisi tinjauan berdekatan yang urutannya bergantung. Bedanya adalah sebuah time-series berisi data bertipe numerik, dan sebuah sequence series berisi bagian yang khas.

Gambar dibawah ini menunjukan rangkaian klik pada sebuah website berita. Setiap node adalah sebuah kategori URL. Dan garis melambangkan transisi antar kategori URL tersebut. Setiap transisi di kelompokan dengan sebuah bobot yang menggambarkan kemungkinan transisi antara satu URL dan URL yang lain.

Deviation Analysis

Deviation Analysis digunakan untuk mencari kasus yang bertindak sangat berbeda dari normalnya. Deviation analysis pengguaannya sangat luas, yang paling umum menggunakan metode ini adalah pendeteksian penyalah gunaan Kartu kredit. Mengidentifikasi kasus yang tidak normal diantara jutaan transaksi adalah pekerjaan yang sangat menantang. Penggunaan yang lainnya misalnya, pendeteksian gangguan jaringan komputer, analisa kesalahan produksi, dan lain-lain.

Tidak ada teknik standar dalam deviation analysis. Hanya saja biasanya para analis menggunakan decision trees, clustering atau neural network untuk pekerjaan ini.

Sumber :

http://yudiagusta.wordpress.com/clustering/

http://ishwara.us/metode-data-mining/

PENGERTIAN DSS (Decision Support System)

PENGERTIAN DSS (Decision Support System)

DSS merupakan bagian dari sistem informasi berbasis komputer (termasuk sistem berbasis pengetahuan (manajemen pengetahuan). Sistem informasi sangat penting untuk mendukung proses pengambilan keputusan . Dimana system informasi mempunyai tujuan untuk mendukung sebuah aplikasi Decision Support System (DSS) yang telah dikembangkan pada tahun 1970. Keefektifan dalam mengembangkan DSS diperlukan suatu pemahaman tentang bagaimana system informasi ini dapat digunakan dalam proses pengambilan keputusan, sehingga DSS ini dapat membantu seorang manajer dalam meningkatkan kinerjanya dalam mengambil suatu keputusan.

Hal yang perlu ditekankan di sini adalah bahwa keberadaan DSS bukan untuk menggantikan tugas-tugas manajer, tetapi untuk menjadi sarana penunjang (tools) bagi mereka. DSS sebenarnya merupakan implementasi teori-teori pengambilan keputusan yang telah diperkenalkan oleh ilmu-ilmu seperti operation research dan management science. Hanya bedanya adalah bahwa jika dahulu untuk mencari penyelesaian masalah yang dihadapi harus dilakukan perhitungan iterasi secara manual (biasanya untuk mencari nilai minimum, maksimum, atau optimum), saat ini komputer PC telah menawarkan kemampuannya untuk menyelesaikan persoalan yang sama dalam waktu relatif singkat. Dalam kedua bidang ilmu di atas, dikenal istilah decision modeling, decision theory, dan decision analysis - yang pada hakekatnya adalah merepresentasikan permasalaha dan manaje-men yang dihadapi setiap hari ke dalam bentuk kuantitatif (misalnya dalam bentuk model matematika). Contoh-contoh klasik dari persoalan dalam bidang ini adalah linear programming, game's theory, transportation problem, inventory system, decision tree, dan lain sebagainya. Dari sekian banyak problem klasik yang kerap dijumpai dalam aktivitas bisnis perusahaan sehari-hari, sebagian dapat dengan mudah disimulasikan dan diselesaikan dengan menggunakan formula atau rumus-rumus sederhana. Tetapi banyak pula masalahan yang ada sangat rumit sehingga membutuhkan kecanggihan komputer. Decision Support System ( DSS ) merupakan progresi alamiah dari system pelaporan informasi dan system pemrosesan transaksi. DSS bersifat interaktif, system informasi yang berbasis komputer yang menggunakan model keputusan dan secara khusus menggunakan database untuk membantu proses pengambilan keputusan bagi manajer dan pengguna akhir Informasi dihasilkan dalam bentuk laporan periodik dan khusus dan output dari model matematika dan sistem pakar.

Sprague dan Carlson mendefinisikan DSS dengan cukup baik, sebagai sistem yang memiliki lima karakteristik utama (Sprague et.al., 1993):

1) Sistem yang berbasis komputer;

2) Dipergunakan untuk membantu para pengambil keputusan;3) Untuk memecahkan masalah-masalah rumit yang "mustahil" dilakukan dengan kalkulasi manual;

4) Melalui cara simulasi yang interaktif;

5) Dimana data dan model analisis sebagai komponen utama.Karakteristik 4 dan 5 merupakan fasilitas baru yang ditawarkan oleh DSS belakangan ini sesuai dengean perkembangan terakhir kemajuan perangkat komputer.

Prinsip Dasar DSS

1. Struktur MasalahSulit utk menemukan masalah yg sepenuhnya terstruktur atau tak terstruktur - area kelabu Simon. Ini berarti DSS diarahkan pada area tempat sebagai besar masalah berada.
2. Dukungan KeputusanDSS tidak dimaksudkan untuk menggantikan manajer. Komputer dapat diterapkan pada bagian masalah yg terstruktur, tetapi manajer bertanggung ajwab atas bagian yang tidak terstruktur.
3. Efektivitas Keputusanwaktu manajer berharga dan tidak boleh terbuang, tetapi manfaat utama menggunakan DSS adalah keputusan yg baik

TAHAPAN-TAHAPAN

Tahapan SPK :

Definisi masalah

Pengumpulan data / elemen informasi yang relevan
pengolahan data menjadi informasi baik dalam bentuk laporan grafik maupun tulisan
menentukan alternatif - alternatif solusi ( bisa dalam persentase )

Selain itu tahap-tahap dalan mengambil suatu keputusan telah dijelaskan dalam buku Herbert A. Simon, dimana tahapan tersebut terbagi menjadi tiga, yaitu:
1. Kegiatan Intelijen.Mengamati lingkungan mencari kondisi-kondisi yang perlu diperbaiki
2. Kegiatan Merancang.Menemukan, mengembangkan dan mengalihkan berbagai alternatif tindakan yang mungkin
3. Kegiatan Memilih dan Menelaah.Menilai pilihan-pilihan yang sesuai

TUJUAN DSSTujuan dari DSS adalah sebagai berikut:

1. Membantu manajer membuat keputusan untuk memecahkan masalah semi struktur.
2. Mendukung penilaian manajer bukan mencoba menggantikannya.
3. Meningkatkan efektifitas pengambilan keputusan manajer daripada efisiensinya.

Perintis DSS yang lain, Peter G.W. Keen, bekerja sama dengan Scott Morton mendefinisikan 3 (tiga) tujuan yang harus dicapai DSS. Mereka percaya bahwa DSS harus :1. Membantu manajer membuat keputusan untuk memecahkan masalah semi terstruktur2. Mendukung penilaian manajer bukan mencoba menggantikannya3. Meningkatkan efektifitas pengambilan keputusan manajer.

KEUNTUNGAN DAN KERUGIAN

Manajer yang menggunakan model matematis dapat memperoleh keuntungansebagai berikut :
1. Proses pemodelan menjadi pengalaman belajar
2. Kecepatan simulasi memberikan kemampuan bagi kita untuk mengevaluasi dampak keputusan dalam jangka waktu yang singkat.
3. Model memberikan daya peramalan
4. Model membutuhkan biyaya yang lebih murah daripada metode trial-and-error.
5. Dapat menyelesaikan problem yang kompleks.
6. Sistem dapat berinteraksi dengan pemakainya.
7. Lebih cepat dengan hasil yang lebih baik (terutama dibandingkan dengan pengambilan keputusan secara intuisi).
8. Menghasilkan acuan data untuk menyelesaikan masalah yang dihadapi oleh manajer yang kurang berpengalaman.
9. Untuk masalah yang berulang, DSS dapat memberi keputusan yang lebih efektif.
10. Fasilitas untuk mengambil data dapat memberikan kesempatan bagi beberapa manajer untuk berkomunikasi dengan lebih baik.
11. Meningkatkan produktivitas dan kontrol dari manajer.

Sedangkan kerugian model adalah sebagai berikut:
1. Sulitnnya pemodelan system bisnis dan akan menghasilkan model yang tidak dapatmenangkap semua pengaruh pada entity.
2. Dibutuhkan keterampilan matematika yang tinggi untuk menggembangkan model yang lebih kompleks secara pribadi

Beberapa hal yang dilakukan oleh seorang manajer adalah sebagai berikut:
1. Fungsi ManajemenFungsi manajemen dari seorang manajer ini meliputi:
1. Planning.
2. Organizing.
3. Staffing.
4. Directing.
5. Controlling.
2. Peran ManajemenPeran manajerial ini maliputi beberapa aktifitas, diantaranya:
1. Interpersonal.
2. Informational.
3. Decisional.
3. Tingkatan ManajemenTingkatan manajemen ini meliputi: (Dapat dilihat pada gambar 10.5)
1. Tingkat Perencanaan Strategis.
2. Tingkat Pengendalian Manajemen.
3. Tingkat Operasional.

JENIS-JENIS DSS

Jenis-jenis DSS menurut tingkat kerumitan dan tingkat dukungan pemecahan masalahnya adalah sebagai berikut:
1. Mengambil elemen-elemen informasi.
2. Menaganalisis seluruh file.
3. Menyiapkan laporan dari berbagai file.
4. Memperkirakan dari akibat. keputusan
5. Mengusulkan. keputusan
6. Membuat keputusan

Adapun fokus utama konsep DSS adalah komputer harus digunakan untuk mendukung manajer tertentu membuat keputusan tertentu untuk memecahkan masalah tertentu. Model DSS terdiri dari:
1. Model matematika.
2. Database.
3. Perangkat lunak.
yang melukiskan beberapa komponen yang mendukung DSS, seperti: Hardware, Software, Data, Model, dan Interaktif para pemakainya.Menurut Herbert A. Simon keputusan berada pada suatu rangkaian kesatuan, dengan keputusan terprogram pada satu ujungnya dan keputusan tak terprogram pada ujung lainnya.

1. Keputusan Terprogram, bersifat berulang dan rutin sedemikian sehingga suatu prosedur pasti telah dibuat untuk menanganinya sehingga keputusan tersebut tidak perlu diperlakukan de novo (sbg sesuatu yg baru) tiap kali terjadi.

2. Keputusan Tidak Terprogram, bersifat baru, tidak terstruktur, dan jarang konsekuen. Tidak ada metode yg pasti utk menangani masalah ini belum pernah ada sebelumnya, atau karena sifat dan struktur persisnya tak terlihat atau rumit, atau karena begitu pentingnya sehingga memerlukan perlakuan yang sangat khusus.

Aplikasi DSS yang ditawarkan di pasar sangat beraneka ragam, dari yang paling sederhana (quick-hit DSS)sampai dengan yang sangat kompleks (institutional DSS). Quick-Hit DSS" biasanya ditujukan untuk para manajer yang baru belajar menggunakan DSS (sebagai pengembangan setelah jenis pelaporan yangdisediakan oleh MIS = Management Information System, satu level sistem di bawah DSS). Biasanya masalah yang dihadapi cukup sederhana (simple) dan dibutuhkan dengan segera penyelesaiannya.Misalnya untuk kebutuhan pelaporan (report) atau pencarian informasi (query). Sistem yang sama biasa pula dipergunakan untuk melakukan analisa sederhana. Contohnya adalah melihat dampak yang terjadi pada sebuah formulasi, apabila variabel-variabel atau parameter-parameternya diubah. Di dalam perusahaan, DSS jenis ini biasanya diimplementasikan dalam sebuah fungsi organisasi yang dapat berdiri sendiri (berdasarkan data yang dimiliki fungsi organisasi tersebut). Misalnya adalah DSS untuk menyusun anggaran tahunan, DSS untuk melakukan kenaikan gaji karyawan, DSS untuk menentukan besanya jam lembur karyawan, dan lain sebagainya.

PENGAMBILAN KEPUTUSAN

Keputusan-keputusan dibuat untuk memecahkan masalah. Dalam usaha memecahkan suatu masalah mungkin membuat banyak keputusan. Keputusan merupakan rangkaian tindakan yang perlu diikuti dalam memecahkan masalah untuk menghindari atau mengurangi dampak negatif, atau untuk memanfaatkan kesempatan.

CARA PENGGUNAAN INFORMASI DARI DSS:

Pada dasarnya dua pengguna informasi dari DSS oleh manajer, yaitu untuk mendefinisikan masalah dan memecahkan masalah tersebut. Pendefinisian masalah adalah usaha definisi dari pendekatan system. Ia juga berkaitan dengan fase intelegensi yang di kemukakan oleh simon. Selanjutnya manjer menggunakan informasi untuk memecahkan masalah yang telah diidentifikasi. Hal ini merupakan usaha pemecahan menurut poendekatan sistim dan berkaitan denga fase disain dan pemilihan. Pada umumnya, lapaoran berkala dan khusus digunakan terutama dalam usaha definisi, dan simulasi dalam usaha pemecahanLaporan berkala dapat di rancang untuk menidentifikasi masalah atau masalah yangkemungkinan besar akan muncul, manjer juga melakukan query terhadap database untukmenemukan masalah atau mempelajari lebih jauh lagi mengenai masalah yang telah di identifikasi. Simulasi dapat juga membuka masalah yang tersembunyi, karna kelemahancenderung akan kelihatan menonjol ketika operasi perusahaan diubah secara matematis.Laporan berkala dan khusus dapat juga membantu manajer untuk memecahkan masalahdengan cara mengidentifikasi keputusan alternative, mengevaluasi dan memilih alternative tersebut, dan memberikan informasi lanjutan.

LAPORAN

1. Laporan berkala dan khusus

Laporan berkala atau periodic report yaitu laporan yang dibuat menurut jadwal tertentu contohnya adalah analis penjualan terhadap pelanggan perbulan dan laporankhusus atau special report yaitu laporan yang di buat ketika laporan dibuat ketika sesuatu yang tidak seperti biasanya terjadi contohnya laporan mengenai kecelakaan. Dalam penggunaannya laporan berkala dan khusus bersifat lengkap atau ringkas.

2. Laporan lengkap dan ringkas

laporan lengakap atau detail report yaitu laporan yang memberikan spesifikasimengenai setiap tindakan atau transaksi dan baris yang mewakili tindakan atau transaksi disebut baris lengkap atau detail line sedangkan laporan ringkas atau summary report yaitu laporan yang menyertakan baris yang mewakili beberapa tindakan atau transaksi. Baris laporan biasanya di cetak dalam beberapa ururtan tertentu, filed yang berada dalam record data, yang disebut key filed atau control filed digunakan untuk mengurutkan record sebelum laporan tersebut dicetak. Yang paling sering digunakan ialah Ascending sequence (urutan naik) disini nilai filed control terendah (no pelanggan 0001 atau nama Aardbverk) didaftar pertama kali, dan nilai tertinggi (no 9999 atau zikmund) di daftar paling akhir.

Penjelasan Gambar MODEL DSS

Data dan informasi dimasukkan ke dalam database dari lingkungan perusahaan. Database berisi data yang disediakan oleh SIA. Isi database digunakan oleh tiga subsistem perangkat lunak.

• Perangkat Lunak Penulisan Laporan merupakan hasil periodik maupun khusus.
• Model Matematika menghasilkan informasi sebagai hasil dari simulasi yang melibatkan satu atau beberapa komponen dari sistem fisik perusahaan, atau berbagai aspek operasinya.
• Perangkat Lunak GDSS, memungkinkan beberapa pemecah masalah, bekerja sama sebagai satu kelompok, mencapai solusi.

SISTEM BERBASIS GRAFIK

Dalam merepresenasikan DSS agar mudah dipergunakan dan dimengeri oleh user (dalam hal ini adalahmanajer perusahaan), format grafik mutlak dipergunakan untuk melengkapi teks yang ada. Contoh-contohmodel grafik yang populer dipergunakan adalah sebagai berikut:
1. Time Series Charts - untuk melihat dampak sebuah variable terhadap waktu;
2. Bar Charts - untuk memperbandingkan kinerja beberapa entiti;
3. Pie Charts - untuk melihat komposisi atau persentasi suatu hal;
4. Scattered Diagrams - untuk menganalisa hubungan antara beberapa variabel;
5. Maps - untuk merepresentasikan data secara geografis;
6. Layouts - untuk menggambarkan lokasi barang secara fisik, seperti pada bangunan dan kantor;
7. Hierarchy Charts - untuk menggambarkan struktur organisasi;
8. Sequence Charts - untuk merepresentasikan sesuatu dengan logika yang tersetruktur (contohnya adalah diagram flowchart); dan
9. Motion Graphics - untuk memperlihat-kan perilaku dari variabel yang diamati denvan cara animasi

PENGERTIAN DAN DEFINISI ANTARA DSS DAN SYSTEM INFORMASI

PENGERTIAN DAN DEFINISI ANTARA DSS DAN SYSTEM INFORMASI
DSS (Decision Support System)
DECISION SUPPORT SYSTEM
Pengertian
Decision Support System atau Sistem Penunjang Keputusan dapat didefinisikan sebagai sebuah system yang mampu memberikan kemampuan baik kemampuan pemecahan masalah maupun memberikan pengkomunikasian untuk masalah semi terstruktur.
Tujuan
Dari pengertian diatas dapat disimpulkan tujuan DSS antara lain :
1. Membantu menjawab masalah semi terstruktur
2. Membantu Manajer dalam mengambil keputusan, bukan menggantikannya.
3. Manajer yang dibantu melingkupi top manajer sampai ke manajer lapangan.
4. Fokus pada keputusan yang efektif, bukan keputusan yang efisien.
Proses Pengambilan Keputusan
Proses pengambilan keputusan meliputi 4 tahapan yaitu ;
1. Tahap Intelligence
Dalam tahap ini pengambil keputusan mempelajari kenyataan yang sering terjadi sehingga dapat mengidentifikasi dan mendefinisikan masalah yang sedang terjadi, biasanya dilakukan analisis berurutan dari system ke subsistem pembentuknya. Dari tahap ini didapatkan keluaran berupa dokumen Pernyataan Masalah.
2. Tahap Design
Dalam tahap ini pengambil keputusan menemukan, mengembangkan dan menganalisa semua pemecahan yang mungkin yaitu melalui pembuatan model yang bisa mewakili kondisi nyata masalah. Dari tahap ini didapatkan keluaran berupa dokumen Alternatif Solusi.
3. Tahap Choice
Dalam tahap ini pengambil keputusan memilih salah satu akternatif pemecahan yang dibuat pada tahap design yang dipandang sebagai aksi yan paling tepat untuk mengatasi masalah yang sedang dihadapi. Dari tahap ini didapatkan keluaran berupa dokumen solusi dan rencana implementasi.
4. Tahap Implementation
Dalam tahap ini pengambil keputusan menjalankan rangkaian aksi pemecahan yang dipilih di tahap choice. Implementasi yang sukses ditandai dengan terjawabnya masalah yang dihadapi, sementara kegagalan ditandai dengan tetap adanya masalah yang sedang dicoba untuk diatasi. Dari tahap ini didapatkan keluaran berupa laporan Pelaksanaan Solusi dan Hasilnya.


GAMBARAN UMUM SISTEM INFORMASI DAN TEKNOLOGI INFORMASI

A. GAMBARAN SISTEM INFORMASI
Banyak aktivitas manusia yang berhubungan dengan sistem informasi. Tak hanya di negara-negara maju, di Indonesia pun sistem informasi telah banyak diterapkan dimana-mana, seperti di kantor, di pasar swalayan, di bandara, dan bahkan di rumah ketika pemakai bercengkerama dengan dunia internet. Entah disadari atau tidak, sistem informasi telah banyak membantu manusia.
B. PENGERTIAN SISTEM INFORMASI
Sesungguhnya yang dimaksud dengan sistem informasi tidak harus melibatkan komputer. Sistem Informasi yang menggunakan komputer biasa disebut sistem informasi berbasis komputer (Computer-Based Information Systems atau CBIS).
Dalam prakteknya, istilah sistem informasi lebih sering dipakai tanpa embel-embel berbasis komputer walaupun dalam kenyataannya komputer merupakan bagian yang penting. Yang dimaksudkan dengan sistem informasi disini adalah sistem informasi yang berbasis komputer.

Sistem Informasi (SI) atau Information System (IS) yang menunjukkan sistem yang dapat menghasilkan informasi yang berguna.

DEFINISI SISTEM INFORMASI
Ada beragam definisi sistem informasi, sebagaimana tercantum di bawah ini.

Menurut Alter (1992)
Sistem informasi adalah kombinasi antara prosedur kerja, informasi, orang, dan teknologi informasi yang diorganisasikan untuk mencapai tujuan dalam sebuah organisasi.

Menurut Bodnar dan Hopwood (1993)
Sistem informasi adalah kumpulan perangkat keras dan perangkat lunak yang dirancang untuk mentransformasikan data ke dalam bentuk informasi yang berguna.

Menurut Gelinas, Oram, dan Wiggins (1990)
Sistem informasi adalah suatu sistem buatan manusia yang secara umum terdiri atas sekumpulan komponen berbasis komputer dan manual yang dibuat untuk menghimpun, menyimpan, dan mengelola data serta menyediakan informasi keluaran kepada pemakai.
Menurut Hall (2001)
Sistem informasi adalah sebuah rangkaian prosedur formal dimana data dikelompokkan, diproses menjadi informasi, dan didistribusikan kepada pemakai.

Menurut Turban, McLean, dan Wetherbe (1999)
Sebuah sistem informasi mengumpulkan, memproses, menyimpan, menganalisis, dan menyebarkan informasi untuk tujuan yang spesifik.

Menurut Wilkinson (1992)
Sistem informasi adalah kerangka kerja yang mengkoordinasikan sumber daya (manusia, komputer) untuk mengubah masukan (input) menjadi keluaran (informasi), guna mencapai sasaran-sasaran perusahaan.

Dari berbagai definisi tersebut, dapat disimpulkan bahwa sistem informasi mencakup sejumlah komponen (manusia, komputer, teknologi informasi, dan prosedur kerja), ada sesuatu yang diproses (data menjadi informasi), dan dimaksudkan untuk mencapai suatu sasaran atau tujuan.

C. TEKNOLOGI INFORMASI
Istilah teknologi informasi (Information Technology atau IT) mulai populer di akhir dekade 70-an. Pada masa sebelumnya, istilah teknologi komputer atau pengolahan data elektronis atau PDE (Electronic Data Processing atau EDP) lebih dikenal.

Istilah teknologi informasi mulai banyak digunakan untuk menggantikan sistem informasi manajemen. Istilah teknologi informasi (TI) lebih berorientasi ke teknologi nya. Teknologi Informasi (TI) adalah sub-sistem atau sistem bagian dari sistem informasi,

Istilah Teknologi Sistem Informasi (TSI) atau Information Systems Technology (IST) juga menunjukkan ke teknologi yang digunakan oleh sistem informasi. Istilah teknologi sistem informasi mempunyai arti yang mirip dengan teknologi informasi (TI) atau information technology (IT).

Sistem komputer (Computer System) juga merupakan teknologi informasi yang digunakan di sistem informasi. Teknologi informasi dapat berupa teknologi apapun yang dapat menghasilkan informasi, termasuk teknologi komputer dan teknologi telekomunikasi. Dengan demikian sistem komputer merupakan sub-sistem atau sistem bagian dari teknologi informasi.

DEFINISI TEKNOLOGI INFORMASI
Istilah teknologi sering kali rancu dengan istilah sistem informasi itu sendiri dan kadang menjadi bahan perdebatan. Ada yang menggunakan istilah teknologi informasi untuk menjabarkan sekumpulan sistem informasi, pemakai, dan manajemen (diulas oleh Turban, McLean, dan Wetherbe, 1999). Pendapat ini menggambarkan teknologi dalam perspektif yang luas. Namun, kalau didasarkan pada definisi sistem informasi menurut Alter, teknologi informasi hanyalah bagian dari sistem informasi.


Contoh Teknologi Informasi
Mikrokomputer, komputer mainframe, pembaca barcode, perangkat lunak pemroses transaksi, perangkat lunak lembar kerja (spreadsheet), dan peralatan komunikasi dan jaringan.

PERANAN TEKNOLOGI INFORMASI
Peranan teknologi informasi pada aktivitas manusia pada saat ini memang begitu besar. Teknologi informasi telah menjadi fasilitator utama bagi kegiatan-kegiatan bisnis, memberikan andil besar terhadap perubahan-perubahan yang mendasar pada struktur, operasi, dan manajemen organisasi. Berkat teknologi ini, berbagai kemudahan dapat dirasakan oleh manusia.

Contoh Hasil Penerapan Teknologi Informasi :
Pengambilan uang melalui ATM (Anjungan Tunai Mandiri), transaksi melalui Internet yang dikenal dengan e-commerce atau perdagangan elektronik, transfer uang melalui fasilitas e-banking yang dapat dilakukan dari rumah, dll.

Secara garis besar, dapat dikatakan bahwa :
• Teknologi informasi menggantikan peran manusia. Dalam hal ini, teknologi informasi melakukan otomasi terhadap suatu tugas atau proses.
• Teknologi memperkuat peran manusia, yakni dengan menyajikan informasi terhadap suatu tugas atau proses.
• Teknologi informasi berperan dalam restrukturisasi terhadap peran manusia. Dalam hal ini, teknologi berperan dalam melakukan perubahan-perubahan terhadap sekumpulan tugas atau proses.

Banyak perusahaan yang berani melakukan investasi yang sangat tinggi di bidang teknologi informasi. Alasan yang paling umum adalah adanya kebutuhan untuk mempertahankan dan meningkatkan posisi kompetitif, mengurangi biaya, meningkatkan fleksibilitas, dan tanggapan.

Kecenderungan Teknologi Informasi Terhadap Sistem Informasi
Alter (1992) mengemukakan berbagai kecenderungan teknologi yang berkaitan dengan sistem informasi, yaitu :

• Peningkatan kecepatan dan kapasitas komponen-komponen elektronik.
• Ketersediaan informasi dalam bentuk digital semakin banyak.
• Portabilitas peralatan-peralatan elektronis semakin meningkat.
• Konektivitas meningkat.
• Kemudahan pemakaian meningkat.
• Ketidakmampuan mengotomasikan logika masih berlanjut

 

Pengertian Sistem Pendukung Keputusan (DSS)

Publish on 

June 28th, 2011

 under Teknologi by kyurozona | No Comments »

Sistem pendukung keputusan (Inggris: decision support systems disingkat DSS) adalah bagian dari sistem informasi berbasis komputer (termasuk sistem berbasis pengetahuan (manajemen pengetahuan)) yang dipakai untuk mendukung pengambilan keputusan dalam suatu organisasi atau perusahaan.

Dapat juga dikatakan sebagai sistem komputer yang mengolah data menjadi informasi untuk mengambil keputusan dari masalah semi-terstruktur yang spesifik.

Menurut Moore and Chang, SPK dapat digambarkan sebagai sistem yang berkemampuan mendukung analisis ad hoc data, dan pemodelan keputusan, berorientasi keputusan, orientasi perencanaan masa depan, dan digunakan pada saat-saat yang tidak biasa.

.Tahapan SPK:

·         Definisi masalah

·         Pengumpulan data atau elemen informasi yang relevan

·         pengolahan data menjadi informasi baik dalam bentuk laporan grafik maupun tulisan

·         menentukan alternatif – alternatif solusi (bisa dalam persentase)

Tujuan dari SPK:

·         Membantu menyelesaikan masalah semi-terstruktur

·         Mendukung manajer dalam mengambil keputusan

·         Meningkatkan efektifitas bukan efisiensi pengambilan keputusan

Sistem Pendukung Keputusan diharapkan dapat membantu seorang manajer dalam meningkatkan kinerjanya dalam mengambil suatu keputusan. Adapun tahap – tahap dalam mengambil keputusan telah dijelaskan dalam buku Herbert A. Simon, dimana tahapan tersebut terbagi menjadi tiga, yaitu kegiatan intelijen, kegiatan merancang, kegiatan memilih dan menelaah, seperti terlihat pada gambar dibawah ini :

Ketiga tahapan saling berinteraksi dan mengadakan umpan balik yang saling mendukung dala prosesnya.Umpan balik dilakukan untuk menentukan beberapa alternatif lainnya jika Decision Maker tidak puas pada hasil yang didapat.

Intellijen

Merupakan kondisi tahapan pola fikir.Untuk melakukan hal ini diperukan sebuah informasi dimana hal ini didapat dari kondisi internal maupun eksternal. Hal – hal ini akan berpengaruh terhadap keputusan pendukung bagi manajerial karena terdapat kejelasan sumber yang dapat diidentifikasi dengan nilai keputusan yang amat potensial.

Merancang

Hal ini merupakan bagian untuk menemukan, mengembankan dan menganalisa berbagai tindakan alternative yang mungkin guna dilakukan guna evaluasi terhadap serangkaian kegiatan.

Memilih dan Menelaah

Hal ini berhubungan langsung dengan langkah-langkah dari pendekatan sistem. Intelijen bergerak dari tingkat sistem ke sub sistem dan menganalisa bagian – bagian sistem secara berurutan. Dari sinilah akan dipilih solusi terbaik dan berusaha menerapkannya dengan tindakan lanjut.

Tiga Tingkat Struktur Masalah yang sering dihadapi Manajer, yaitu  :

1.     Terstruktur :Masalah ini merupakan suatu masalah yang memiliki struktur pada tiga tahapan simon. Jadi, masalah dapat dibuat algoritma atau aturan keputusan identifikasi masalah sehingga dapat memunculkan solusi alternatif.

2.    Semi struktur : Masalah ini merupakan suatu masalah yang memiliki struktur hanya pada satu atau dua tahapan simon.

3.    Tidak Terstruktur : Masalah ini merupakan suatu masalah yang sama sekali tidak memiliki struktur tiga tahap simon.

Sumber :

http://hendranyu2.blogspot.com/2010/10/pengertian-dan-definisi-antara-dss-dan.html

http://fajarilhamsyah06111137.blogspot.com/2008/06/pengertian-dss-decision-support-system.html

http://duniaberbagi.com/pengertian-sistem-pendukung-keputusan-dss.html