Pemodelan
Pemodelan merupakan suatu upaya untuk melakukan analisis sistem pendukung keputusan (SPK) dengan cara meniru bentuk nyata-nya daripada melakukannya pada sistem nyata.
Alasan Penggunaan Model
Manipulasi model (seperti mengubah variabel) akan lebih mudah dilakukan daripada melakukannya pada sistem nyata.
Model dapat menghemat waktu.
Biaya untuk menganalisis model jauh lebih murah jika dibandingkan dengan mengaplikasikannya pada sistem nyata.
Resiko kesalahan pada bentuk model dengan melakukan trial & error (coba-coba) jauh lebih rendah jika dibandingkan dengan melakukannya pada sistem nyata.
Lingkungan bisnis yang banyak mengandung ketidakpastian.
Model matematika dapat menganalisis kemungkinan solusi dalam jumlah yang lebih banyak bahkan tidak terbatas.
Model meningkatkan pembelajaran & pelatihan.
Model-model dan metode-metode untuk mendapatkan solusi telah tersedia di web.
Ada beberapa Java applet (atau pemrograman web lainnya) yang tersedia untuk menyelesaikan model-model tersebut.
Pemodelan pada SPK mencakup tujuh permasalahan
- Identifikasi masalah dan analisis lingkungan.
- Identifikasi variabel
- Peramalan (forecasting).
- Penggunaan beberapa model keputusan.
- Seleksi kategori model yang sesuai.
- Manajemen model.
- Pemodelan berbasis pengetahuan
Identifikasi Masalah dan Analisis Lingkungan
Pada tahap ini akan dilakukan pengawasan, pelacakan, dan interpretasi terhadap informasi-informasi yang telah terkumpul.
Analisis dilakukan terhadap domain dan dinamika dari lingkungan yang ada.
Pada bagian ini perlu juga diidentifikasi budaya organisasi dan proses pengambilan keputusan.
Dapat digunakan business intelligence tools untuk keperluan tersebut.
Identifikasi Variabel
Pada tahap ini akan diidentifikasi variabel-variabel yang relevan.
Variabel tersebut meliputi variabel keputusan, variabel intermediate (tak terkontrol), dan variabel hasil.
Untuk kepentingan tersebut, dapat digunakan influence diagram untuk menunjukkan relasi antar variabel-variabel tersebut.
Peramalan (forecasting)
Apabila suatu SPK diimplemantasikan, maka akibatnya akan dirasakan di kemudian hari.
Oleh karena itu, peramalan mutlak diperlukan.
Penggunaan Beberapa Model
Suatu sistem pendukung keputusan dapat terdiri-atas beberapa model.
Masing-masing model merepresentasikan bagian yang berbeda dari masalah pengambilan keputusan.
Seleksi Kategori Model
Ada tujuh kategori model SPK sebagaimana telah dijelaskan pada bagian terdahulu.
Setiap kategori memiliki beberapa teknik-teknik tertentu.
Pada dasarnya, teknik-teknik tersebut dapat diaplikasikan baik dalam model statis maupun model dinamis.
Model statis umumnya memberikan asumsi adanya operasi perulangan dengan menggunakan kondisi yang identik.
Model dinamik (time-dependent) merepresentasikan skenario yang senantiasa berubah dari waktu ke waktu.
Manajemen Model
Untuk menjaga integritas dan aplikabilitasnya, model perlu dikelola sebaik mungkin.
Untuk keperluan tersebut dibutuhkan suatu model base management system.
Model Base Management System (MBMS) merupakan paket perangkat lunak yang dibangun dengan kapabilitas yang mirip dengan DBMS.
Kapabilitas MBMS meliputi:
- Kontrol,
- Fleksibilitas,
- Umpan balik,
- Antarmuka,
- Adanya pengurangan redundansi, dan
- Adanya peningkatan konsistensi.
Pemodelan Berbasis Pengetahuan
Sistem berbasis pengetahuan menggunakan sekumpulan aturan dalam menyelesaikan permasalahannya.
Sistem pakar merupakan salah satu model pendukung keputusan yang bersifat kualitatif.
Sistem pakar merupakan sistem berbasis pengetahuan.
Influence Diagram
Influence diagram adalah representasi grafis dari suatu model keputusan yang digunakan untuk membantu perancangan model, pengembangan dan pemahaman.
Kata influence merujuk pada ketergantungan suatu variabel pada tingkatan tertentu terhadap variabel yang lainnya.
Ada 3 simbol utama yang digunakan untuk membuat influence diagram, yaitu:
Kotak, menunjukkan variabel keputusan
Lingkaran, menunjukkan variabel intermediate (tak terkontrol)
Oval, menunjukkan variabel hasil (outcome) baik bersifat intermediate maupun final
Business Intelligence (BI)
Business Intelligence (BI) merupakan suatu proses untuk melakukan ekstraksi data-data operasional [perusahaan] dan mengumpulkannya dalam sebuah data warehouse.
Selanjutnya data warehouse diproses menggunakan berbagai analisis statistik [atau data mining], sehingga dapat diperoleh berbagai kecenderungan atau pola data.
Hasil penyederhanaan tersebut disajikan kepada end user yang biasanya merupakan pengambil keputusan, dapat diambil keputusan berdasarkan fakta-fakta aktual, dan tidak hanya mengandalkan intuisi dan pengalaman kuantitatif belaka.
BI merupakan aplikasi dan teknologi untuk mengumpulkan, menyimpan, menganalisis dan menyediakan akses ke data untuk membantu penggunanya dalam mengambil keputusan bisnis dengan lebih baik.
Aplikasi ini mencakup beberapa aktivitas sistem pendukung keputusan, seperti:
- Query,
- Reporting,
- OnLine Analytical Processing (OLAP),
- Statistical analysis,
- Forecasting, dan
- Data mining.
BI akan berfungsi sebagai analis dan sekaligus memberikan rekomendasi pada pengguna terhadap tindakan yang sebaiknya diambil.
BI berfungsi sebagai dashboard, pengguna BI akan cepat mengenali penyimpangan-penyimpangan pada perusahaan sekaligus dengan penyebabnya sebelum hal tersebut berkembang menjadi masalah yang serius.
BI memberikan ukuran-ukuran yang dapat menentukan kinerja organisasi.
Analogi dengan dashboard mobil:
BI memberikan informasi kondisi internal, seperti halnya suhu pada kendaraan.
BI memberikan sinyal-sinyal pada pengemudi bila terjadi kesalahan pada kendaraan, seperti bila bensin akan habis pada kendaraan.
Semuanya berguna bagi pengemudi agar mampu mengendalikan kendaraannya dengan lebih baik dan mampu membuat keputusan yang tepat dengan lebih cepat.
Keungulan-keunggulan BI
- Membutuhkan biaya yang relatif murah dalam pengadaannya.
- Proses pembuatan laporan dapat dilakukan dengan cepat
- Adanya Graphic User Interface (GUI) yang dapat dibentuk sesuai selera.
- Mampu meminimalisasi masalah-masalah teknis, terutama terkait dengan human error.
- Mudah dalam integrasi data
- Adanya konsolidasi informasi, karena data diolah dalam satu platform.
- Adanya respon yang cepat, sehingga dapat digunakan untuk mengantisipasi suatu kejadian.
Manfaat BI untuk organisasi non-profit
- Meningkatkan kualitas data dan informasi pada suatu organisasi.
- Memudahkan proses monitoring terhadap kinerja organisasi.
- Meningkatkan nilai investasi teknologi informasi yang telah ada sebelumnya.
- Menciptakan pegawai yang memiliki akses informasi yang baik (well-informed workers)
- Meningkatkan efisiensi biaya
Ada 3 pendekatan yang dapat digunakan dalam membangun BI di suatu organisasi, yaitu:
- Top-down Approach
- Bottom-up Approach
- Practical Approach
Top-down Approach
Pendekatan top-down sangat tepat bagi suatu organisasi yang akan membangun BI dimana pada waktu yang bersamaan organisasi tersebut juga sedang melakukan perubahan proses kerja (bussiness process re-engineering) secara menyeluruh di seluruh aspek organisasi.
Pada pendekatan ini, kerangka data warehouse secara menyeluruh (enterprise data warehouse) harus disusun terlebih, baru kemudian diikuti oleh data warehouse di setiap unit (data mart).
Kelebihan dari pendekatan top-down ini adalah
Pembangunan BI langsung mencakup data seluruh organisasi
Kerangka BI akan lebih terstruktur, bukan gabungan dari berbagai data mart (data parsial)
Penyimpanan data menjadi terpusat
Kontrol informasi dapat dilakukan secara tersentralisasi
Kelemahan dari pendekatan top-down ini adalah
Waktu implementasi lebih lama
Risiko kegagalan relatif tinggi karena kerumitannya.
Membutuhkan biaya yang relatif besar
Bottom-Up Approach
BI yang akan disusun berasal dari tingkat unit baru kemudian diintegrasikan menjadi data warehouse.
Pendekatan ini sangat cocok digunakan untuk suatu organisasi yang memprioritaskan pembangunan BI di tingkat unit dulu, baru setelah sukses akan dilanjutkan ke unit-unit yang lainnya.
Kelebihan dari pendekatan bottom-up ini adalah
Lebih mudah diimplementasikan
Risiko kegagalan relatif lebih kecil
Bersifat incremental, dimana data mart yang lebih penting dapat dijadwalkan lebih awal
Memungkinkan anggota tim proyek untuk belajar dengan baik.
Kelemahan dari pendekatan bottom-up ini adalah
Tiap data mart merupakan departmental-view
Dimungkinkan adanya duplikasi di setiap unit.
Dimungkinkan data tidak konsisten dan sulit untuk direkonsiliasikan.
Adanya beberapa antarmuka yang sulit untuk dikelola.
Practical Approach
Merupakan kombinasi antara pendekatan top-down dan bottom-up.
Pengembangan BI akan dimulai dengan perencanaan dan pendefinisian arsitektur kebutuhan data warehouse organisasi secara keseluruhan (standardisasi).
Selanjutnya akan dilakukan serangkaian pembuatan BI pada tiap unit yang memang benar-benar membutuhkan.
Beberapa faktor yang mengakibatkan kegagalan implementasi BI
- Adanya perencanaan yang kurang matang.
- Kualitas data yang kurang baik
- Perubahan organisasi tak terantisipasi dengan baik.
- Pengadaan sistem BI yang bersifat one-stop shoping.
- Pengembangan BI hanya mengandalkan tenaga outsourcing
Data Warehouse
Data Warehouse dapat diartikan sebagai gudang data.
Tujuan utama pembuatan data warehouse adalah untuk menyatukan data yang beragam ke dalam sebuah tempat penyimpanan dimana pengguna dapat dengan mudah:
menjalankan query (pencarian data),
menghasilkan laporan, dan
melakukan analisis.
Salah satu keuntungan yang diperoleh dari keberadaan data warehouse adalah dapat meningkatkan efektifitas pembuatan keputusan.
Bill Inmon mendefinisikan data warehouse sebagai basisdata yang memiliki karakter:
- Subject Oriented,
- Integrated,
- Non-volatile,
- Time Variant.
Subject Oriented
Suatu data warehouse harus berorientasi subyek atau disusun menurut jenis subyeknya.
Subject oriented (lawan dari transaction oriented) menuntut agar data-data transaksi ini disusun dengan melihat area subyeknya.
Misal: pada perbankan, sebagai subyeknya adalah nasabah. Sehingga akan lebih baik jika data disusun menurut nasabah.
Integrated
Data warehouse umumnya dibentuk dengan cara menggabungkan beberapa basisdata yang mungkin berbeda baik teknologi maupun kodifikasi suatu pada tabel referensinya.
Untuk menghasilkan subject oriented yang konsisten, data-data dari berbagai sumber harus diintegrasikan.
Oleh karena itu, teknologi dan kode-kode referensi yang mungkin berbeda tersebut harus disatukan.
Non-Volatile
Data warehouse pada umumnya merupakan data yang sudah final (bukan data yang masih bergerak atau masih mungkin diubah).
Data-data operational biasanya mencakup data-data yang bergerak, seperti Order yang belum diverifikasi. Data-data ini masih memiliki status yang belum final (volatile).
Data warehouse merupakan data yang hanya bisa dibaca dan tidak bisa dimodifikasi (Read Only).
Time Variant
Time-variant berarti memiliki dimensi waktu sebagai variabel.
Sebagai contoh: Produk terjual 5000 kemasan. Harus diketahui: dalam hari? Bulan? Tahun?
Aspek time variant memberikan kemampuan untuk menyajikan informasi dalam bentuk trend.
Bagian-bagian data warehouse
Data mart, merupakan bagian dari data warehouse yang berguna dalam mendukung kebutuhan dari suatu fungsi bisnis atau unit tertentu.
Data mart dapat berdiri sendiri atau terhubung ke data warehouse yang telah ada.
Ada beberapa karakteristik dari data mart yang membedakannya dengan data warehouse, yaitu :
Data mart hanya berfokus pada satu kebutuhan pengguna dengan satu unit atau fungsi bisnis
Data mart tidak secara normal berisi data operasional secara terperinci
Data mart berisi lebih sedikit data jika dibanding dengan data warehouse, sehingga lebih mudah dimengerti dan dipahami.
Kubus data (cube) adalah unit pemrosesan data yang terdiri dari tabel fakta dan dimensi dalam suatu data warehouse.
Aggregation, adalah hitungan awal dari data numerik.
Hasil proses ini akan disimpan sebagai jawaban dari query yang sebelumnya telah dibuat, sehingga waktu proses query dapat berjalan dengan lebih cepat.
Proses agregasi ini menyebabkan data yang jumlahnya sangat besar di suatu basisdata multidimensi dapat dicari dengan cara mudah dan dalam waktu yang relatif singkat.
Agregasi ini merupakan dasar dari pembentukan kubus data, karena pada agregasi akan mengorganisir kumpulan data kedalam struktur data basis data multidimensi sehingga menghasilkan waktu respon yang sangat cepat.
OnLine Analytical Processing (OLAP)
OLAP digunakan untuk menganalisisis data dan informasi yang nantinya akan digunakan sebagai Decision Support System (DSS)
Beberapa aktivitas yang dapat dilakukan melalui OLAP antara lain seperti :
melakukan proses query,
meminta laporan,
mendukung analisis statistik,
melakukan analisis interaktif, dan
membangun aplikasi multimedia.
Berdasarkan struktur basisdatanya, OLAP dapat dibagi menjadi 3 bagian
Multidimensional Online Analytical Processing (MOLAP).
MOLAP adalah OLAP yang secara langsung mengarah pada basis data multidimensi.
MOLAP memproses data yang telah disimpan dalam array multidimensional (semua kombinasi data yang mungkin dicerminkan), masing-masing diletakkan dalam suatu sel yang dapat diakses secara langsung.
Relational Online Analytical Processing (ROLAP)
ROLAP adalah suatu format pengolahan OLAP yang melakukan analisis data secara dinamis yang disimpan dalam basis data relasioanal bukan pada basis data multidimensi.
ROLAP merupakan bentuk teknologi dari OLAP yang paling berkembang.
Hybrid Online Analytical Processing (HOLAP)
HOLAP merupakan kombinasi antara ROLAP dengan MOLAP.
HOLAP dikembangkan untuk mengkombina-sikan antara kapasitas data pada ROLAP yang besar dengan kemampuan proses pada MOLAP.
Comments