PEMODELAN DAN MANAJEMEN MODEL

MAKALAH

SISTEM PENUNJANG KEPUTUSAN

(PEMODELAN DAN MANAJEMEN MODEL)

 

OLEH :

NAMA       :  POPPY

NIM           :  04124093

KELAS      :  SI-NR-71

PROGRAM STUDI S-1 SISTEM INFORMASI

SEKOLAH TINGGI ILMU MANAJEMEN INFORMATIKA DAN KOMPUTER

STMIK PROFESIONAL

MAKASSAR

2015

KATA PENGANTAR

Puji syukur kami ucapkan alhamdulillah kepada Allah SWT yang telah melimpahkan karunia dan hidayahnya sehingga makalah tentang “Pemodelan dan Manajemen Model”  dapat terselesaikan. Makalah ini dibuat untuk memenuhi tugas Sistem Penunjang Keputusan. Demikian pula makalah ini kiranya  bermanfaat bagi teman – teman.

Makalah ini diharapkan mampu memberikan wawasanpengetahuan dan pemahaman bagi para pembaca. Kami menyadari bahwa masih banyak kekurangan, oleh karena itu saran dan kritik yang membangun senantiasa diharapkan sebagai umpan balik yang positif untuk memperbaiki di masa mendatang.

Akhir kata Kami menyampaikan terimakasih kepada semua pihak yang telah membantu menyelesaikan makalah ini,  semoga makalah ini dapat berguna dan bermanfaat bagi kita semua.

                                                         
                                                                                                                   Makassar,     November  2015



                                                                                                                   Penulis

DAFTAR ISI

Kata Pengantar......................................................................................i

Daftar Isi.............................................................................................. ii

Daftar Tabel........................................................................................ iv

Daftar Gambar..................................................................................... v

BAB I Pendahuluan............................................................................. 1

1.1 Latar Belakang....................................................................... 1

1.2 Rumusan Masalah.................................................................. 1

1.3 Tujuan.................................................................................... 1

1.4 Manfaat...................................................................................1

BAB II Pembahasan.............................................................................2

2.1 Pemodelan dalam MSS.......................................................... 2

2.2 Model Statis dan Dinamis...................................................... 3

2.3  Certainty, Uncertainty, dan Resiko........................................3

2.4  Analisis Keputusan................................................................3

2.4.1 Tabel Keputusan............................................................3

2.4.2 Pohon Keputusan...........................................................5

2.4.3 Multiple  Goals............................................................. 5

2.5 Optimasi dengan Pemrograman Matematis...........................5

2.5.1 Pemrograman Matematis..............................................5

2.5.2 Linear Programming (LP).............................................6

2.5.3 Perumusan Umum dan Istilah.......................................7

2.6 Simulasi..................................................................................8

2.7 Pemrograman Heuristic.........................................................11

2.8 Influence Diagram.................................................................12

2.9 Forecasting........................................................................... 14

2.10 Pemodelan Non kuantitatif.................................................15

2.11 Bahasa Pemodelan dan  Spreadsheet..................................15

2.12 Pemodelan Finansial dan perencanaannya.........................15

2.13 Model Kuantitafil yang Tersedia........................................16

2.14 Model Base Structure and Management.............................17

BAB III Penutup............................................................................... 18

Kesimpulan................................................................................ 18

DAFTAR TABEL

Tabel 2.1 Jenis Model......................................................................... 2

Tabel 2.2 Tabel Keputusan Alternatif Investasi...................................4

Tabel 2.3 Tabel Keputusan untuk mengatasi resiko.............................4

Tabel 2.4 Tabel Multiple Goals............................................................5

Tabel 2.5 Tabel Simulasi probabilistic............................................... 10

Tabel 2.6 Tabel Pemodelan Finansial................................................. 16

DAFTAR GAMBAR

Gambar 2.1 Proses Simulasi............................................................... 10

Gambar 2.2 Influence Diagram.......................................................... 13

BAB I

PENDAHULUAN

1.1    Latar belakang

Yang melatar belakangi pembuatan makalah ini yaitu merupakan salah satu pemenuhan atau kewajiban sebagai mahasiswa untuk mengerjakan tugas dari dosen mata kuliah yang Sistem Penunjang Keputusan.

Selain itu, pembuatan makalah ini juga di latar belakangi atas dasar kemauan untuk tahu terhadap mata kuliah Sistem Penujang Keputusan khususnya mengenai Pemodelan Dan Manajemen Model.

1.2    Rumusan masalah

Rumusan masalah yang kami angkat dalam makalah ini yaitu :

a.     Pemodelan dalam MSS

b.     Model Statis dan Dinamis

c.     Certainty, Uncertainty, dan Resiko

d.     Analisis Keputusan

e.     Optimasi dengan Pemrograman Matematis

f.      Simulasi

g.     Pemrograman Heuristic

h.     Influence Diagram

i.      Forecasting

j.      Pemodelan Non Kuantitatif

k.     Bahasa Pemodelan dan Spreadsheet

l.      Pemodelan Finansial dan perencanaannya

m.   Model Base Structure and Management

1.3    Tujuan

Tujuan pembuatan makalah ini merupakan wujud dari keingintahuan kami sebagai mahasiswa terhadap salah satu mata kuliah Sistem Penunjang Keputusan, yaitu untuk mengetahui apa itu Pemodelan dan Manajemen Model.

1.4    Manfaat

Mahasiswa dapat mengetahui definisi tentang Pemodelan dan Manajemen Model.

BAB II

PEMBAHASAN

2.1.      Pemodelan dalam MSS

Salah satu contoh DSS, yaitu dari Frazee Paint, Inc., memiliki 3 jenis model:

1.     Model statistik (analisis regresi), digunakan untuk mencari relasi diantara variabel. Model ini merupakan preprogram dalam tool software pengembangan DSS.

2.     Model finansial untuk pengembangan laporan pemasukan dan proyeksi data finansial untuk beberapa tahun. Model ini semi terstruktur dan ditulis dalam bahasa khusus DSS yang disebut dengan IFPS.

3.     Model optimasi yang dibuat menggunakan model management science yang disebut pendekatan Linear Programming dalam rangka menentukan pemilihan media. Untuk menggunakan model ini, DSS perlu antarmuka untuk berhubungan dengan software yang lain.

Berbagai aspek dalam pemodelan diantaranya adalah:

·         Identifikasi masalah dan analisis lingkungan.

·         Identifikasi variabel.

·         Perkiraan (forecasting).

·         Model.

·         Manajemen model.

Di bawah ini adalah tabel berbagai jenis model:

Tabel 2.1 Jenis Model

Category	Process and Objective	Representative Techniques
Optimization of problems with few alternatives	Find the best solution from a relatively small number of alternatives	Decision tables, decision trees
Optimization via algorithm	Find the best solution from a large or an infinite number of alternatives using a step-by-step improvement process	Linear and other mathematical programming models, network models
Optimization via analytical formula	Find the best solution, in one step, using a formula	Some inventory models
Simulation	Finding “good enough” solution, or the best among those alternatives checked, using experimentation	Several types of simulation
Heuristics	Find “good enough” solution using rules	Heuristic programming, expert systems
Other descriptive models	Finding “what-if” using a formula	Financial modelling, waiting lines
Predictive models	Predict future for a given scenario	Markov analysis, forecasting models

2.2.      Model Statis dan Dinamis

·         Analisis statis. Model statis mengambil satu kejadian saja dalam suatu situasi. Selama kejadian tersebut semuanya terjadi dalam 1 interval, baik waktunya sebentar atau lama. Diasumsikan adanya stabilitas disini.

·         Analisis dinamis. Model dinamis digunakan untuk mengevaluasi skenario yang berubah tiap saat. Model ini tergantung pada waktu. Dapat menunjukkan tren dan pola pada waktu tertentu.

2.3.      Certainty, Uncertainty, dan Resiko

·         Model certainty (kepastian) Mudah untuk bekerja dengan model ini dan dapat menghasilkan solusi yang optimal.

·         Uncertainty (ketidakpastian) Umumnya memang diusahakan sebisa mungkin menghindari uncertainty ini. Dibutuhkan informasi lebih banyak sehingga masalah dapat diproses dengan resiko yang dapat dihitung.

·         Risk (Resiko) Kebanyakan keputusan bisnis dibuat dibawah asumsi resiko tertentu.

2.4.      Analisis Keputusan dari Sedikit Alternatif

Pada situasi yang melibatkan sejumlah tertentu dan umumnya tak terlalu banyak alternatif dimodelkan oleh pendekatan dimana alternatif-alternatif tadi didaftarkan dengan perkiraan kontribusi potensialnya ke tujuan, dan kemungkinan merealisasikan kontribusi itu, dalam suatu tabel atau graf.

Ada 2 kasus: satu tujuan (single goal) dan banyak tujuan (multiple goals). Kondisi untuk satu tujuan pendekatannya menggunakan tabel keputusan atau pohon keputusan.Sedang yang banyak tujuan ada beberapa teknik.

2.4.1   Tabel Keputusan

Terdapat suatu perusahaan investasi yang sedang mempertimbangkan investasi yang akan dilakukan pada 3 alternatif ini: bonds, stocks, atau certificates of deposit (CDs). Perusahaan ini hanya mempunyai 1 tujuan – memaksimalkan investasinya setelah 1 tahun kemudian. Jika ia mempunyai tujuan lain seperti keamanan atau likuiditas, maka masalahnya akan diklasifikasikan ke analisis keputusan berkriteria banyak (multiple criteria).

Hasilnya tergantung pada status ekonomi berikut: solid growth, stagnation, dan inflation. Perkiraan hasil pertahun berikut didapat dari seorang ahli:

1. Jika terdapat pertumbuhan ekonomi yang mantap (solid growth), bonds akan menghasilkan 12 persen; stocks, 15 persen; dan time deposits, 6.5 persen.

2. Jika stagnasi (stagnation) terjadi, bonds akan menghasilkan 6 persen; stocks, 3 persen; dan time deposits, 6.5 persen.

3. Jika inflasi (inflation) terjadi, bonds akan menghasilkan 3 persen; stocks akan rugi 2 persen; dan time deposits menghasilkan 6.5 persen.

Tabel 2.2 Tabel Keputusan Alternatif Investasi

Alternative	Solid Growth	Stagnation	Inflation
Bonds	12.0%	6.0%	3.0%
Stocks	15.0%	3.0%	-2.0%
CDs	6.5%	6.5%	6.5%

Masalahnya adalah untuk memilih alternatif investasi terbaik. Sebagai catatan: menginvestasikan 50 persen bonds dan 50 persen stocks adalah alternatif lain, dan hal ini dapat ditambahkan sebagai alternatif keempat. Sehingga jelas, perusahaan tersebut menghadapi berbagai alternatif.

Tabel di atas menampilkan model matematis.terdapat decision variables (alternatif-alternatif yang ada), uncontrollable variable (kondisi ekonomi), dan result variables (hasil proyeksi; bilangan yang ada dalam tabel).

2 kasus yang dapat ditemukan disini: uncertainty dan resiko. Pada kasus uncertainty kita tak tahu probabilitas dari setiap pernyataan yang terjadi. Dalam kasus resiko, diasumsikan kita tahu probabilitas setiap pernyataan yang akan terjadi.

Mengatasi Uncertainty.

Reaksi intuitif setiap manajer adalah tak membuat keputusan dalam situasi ketidakpastian sampai kesempatan yang ada secara ekonomi dapat digapai.Namun demikian, jika tak ada informasi untuk mendapatkan kesempatan ini (atau tak ada waktu lagi untuk mengumpulkan informasi yang berhubungan dengannya), orang dapat menggunakan berbagai pendekatan untuk mengatasi ketidakpastian. Sebagai contoh, pendekatan optimistik akan melihat keluaran terbaik yang mungkin dari setiap alternatif dan memilih yang terbaik dari yang terbaik (stocks). Pendekatan pesimistik (konservatif) melihat keluaran terjelek yang mungkin untuk setiap alternatif dan memilih yang terbaik diantaranya (CDs).

Mengatasi Resiko.

Diasumsikan bahwa peluang dari solid growth diperkirakan 50 persen, stagnation 30 persen, dan inflation 20 persen.Pada kasus ini tabel keputusan ditulis kembali dengan informasi tambahan ini.

Tabel 2.3 Tabel Keputusan untuk mengatasi resiko

Alternative	Solid Growth 0.50	Stagnation 0.30	Inflation 0.20	Expected Value
Bonds	12.0%	6.0%	3.0%	8.4% (Maximum)
Stocks	15.0%	3.0%	-2.0%	8.0%
CDs	6.5%	6.5%	6.5%	6.5%

Metode yang paling umum untuk menyelesaikan masalah analisis resiko ini adalah dengan memilih alternatif dengan expected value yang terbesar. Expected value dihitung dengan mengalikan hasil (keluaran) dengan probabilitas mereka masing-masing dan menjumlahkannya. Sebagai contoh, untuk bonds kita dapat: 12(0.5) + 6(0.3) + 3(0.2) = 8.4 (investasikan dalam bonds, dengan penghasilan rata-rata 8.4 persen).

2.4.2   Pohon Keputusan.

Alternatif penampilan tabel keputusan adalah pohon keputusan. Pohon keputusan memiliki 2 keuntungan: pertama, menggambarkan secara grafis hubungan dari masalah, dan kedua, dapat berhubungan dengan situasi yang lebih kompleks dalam bentuk yang lebih kompak (misal masalah investasi dengan periode waktu yang lebih banyak).

Metode mengatasi resiko yang lain.

Misalnya: simulasi, certainty factors, dan fuzzy logic.

2.4.3   Multiple Goals.

Kasus sederhana dari masalah multiple goal ditunjukkan pada tabel berikut ini:

Tabel 2.4 Tabel Multiple Goals

Alternative	Yield	Safety	Liquidity
Bonds	8.4%	High	High
Stocks	8.0%	Low	High
CDs	6.5%	Very High	High

3 tujuan yang ingin dicapai: yield (hasil), safety (keamanan), dan liquidity (likuiditas). Perhatikan bahwa hal ini berada dalam asumsi certainty (kepastian); yaitu, hanya satu nilai yang mungkin yang diproyeksikan untuk setiap alternatif.(Jelas, dalam kasus yang lebih rumit, harus dipertimbangkan juga uncertainty atau resiko).Juga perlu diperhatikan bahwa beberapa nilai disitu bukanlah numerik tetapi bersifat kuantitatif (misal, Low, High).

2.5      Optimasi dengan Pemrograman Matematis.

2.5.1 Pemrograman matematis.

Digunakan untuk membantu menyelesaikan masalah manajerial, untuk mengalokasikan resources yang terbatas (misal tenaga kerja, modal, mesin, atau air) diantara sekian banyak aktivitas untuk mengoptimalkan tujuan yang ditetapkan.

Karakteristik.

1.     Sejumlah tertentu resources ekonomi tersedia untuk dialokasi.

2.     Resources digunakan dalam produksi produk atau service.

3.     Ada 2 atau lebih cara bagaimana resources digunakan. Masing-masingnya disebut dengan solusi atau program.

4.     Setiap aktivitas (produk atau service) dimana resources digunakan disitu memberikan hasil tertentu sesuai tujuan yang telah ditetapkan.

5.     Pengalokasian ini biasanya dibatasi oleh berbagai batasan dan kebutuhan yang disebut dengan constraints (batasan).

Asumsi.

1.     Hasil dari berbagai alokasi yang berbeda dapat dibandingkan; sehingga, mereka dapat diukur dengan unit yang sama (seperti dolar atau utilitas).

2.     Hasil dari berbagai alokasi berdiri sendiri dibandingkan dengan alokasi yang lain.

3.     Hasil total adalah penjumlahan dari semua hasil yang diperoleh dari aktivitas-aktivitas yang berbeda.

4.     Semua data diketahui dengan certainty.

5.     Resources digunakan menurut perilaku ekonomi.

Penggunaan pemrograman matematis ini, khususnya Linear Programming, begitu umumnya sehingga melingkupi program-program komputer yang ada pada setiap organisasi.

2.5.2 Linear Programming (LP)

Blending Problem (minimisasi)

Disajikan contoh dari LP tersebut, yang dikenal dengan blending problem (masalah pengenceran). Untuk membuat cat Sungold, dibutuhkan cat yang memiliki tingkat brilliance paling tidak 300 derajat dan level hue paling tidak 250 derajat. Level brilliance dan hue ditentukan oleh 2 formula, Alpha dan Beta. Baik Alpha dan Beta memberikan kontribusi yang sama ke tingkat brilliance yang dibutuhkan; 1 ounce (berat kering) dari keduanya menghasilkan 1 derajat brilliance dalam 1 drum cat. Namun demikian, hue diatur seluruhnya oleh jumlah Alpha-nya; 1 ounce darinya menghasilkan 3 derajat hue dalam 1 drum cat.Biaya Alpha adalah 45 cents per ounce, dan biaya Beta adalah 12 cent per ounce. Diasumsikan bahwa tujuan dari kasus ini adalah meminimalkan biaya resources, maka masalahnya adalah untuk menemukan jumlah Alpha dan Beta yang harus dipenuhi untuk membuat setiap drum cat.

Perumusan Blending Problem

Decision variables-nya adalah:

x₁= jumlah Alpha yang diperlukan, dalam ounces, dalam setiap drum cat

x₂= jumlah Beta yang diperlukan, dalam ounces, dalam setiap drum cat

Tujuannya adalah untuk meminimalkan biaya total dari formula yang dibutuhkan untuk menghasilkan 1 drum cat. Jika biaya Alpha adalah 45 cent per ounce, dan jika x₁ ounce digunakan dalam setiap drum, maka biaya per drum adalah 45x₁. Serupa dengan itu, untuk Beta biayanya adalah 12x₂. Biaya totalnya menjadi, 45x₁ + 12x₂, dan fungsi tujuan kita, adalah untuk meminimisasikan hal-hal di atas berdasarkan batasan di bawah ini:

1.   Untuk membuat tingkat brilliance paling tidak 300 derajat dalam setiap drum. Karena setiap ounce Alpha atau Beta meningkatkan derajat kecerahan (brightness) 1 derajat, maka terjadilah hubungan berikut:

2.   Untuk membuat level hue paling tidak 250 derajat, efek dari Alpha (sendirian) pada hue dapat ditulis sebagai berikut:

 

Ringkasnya blending problem diformulasikan seperti ini:

Temukan x₁ dan x₂ yang:

Mimenimisasikan z = 45x₁ + 12x₂

Dengan batasan:

1x₁ + 1x₂  _300 (spesifikasi kecerahan, brightness)

3x₁ + 0x₂  _250 (spesifikasi hue)

Solusi. (Dihasilkan oleh komputer)

X₁ = 83.333

X₂ = 216.667

Biaya total = $63.50

2.5.3 Perumusan Umum dan Istilah.

Dibahas disini perumusan umum dari LP, dimana setiap LP terdiri dari:

Decision Variables.

Variabel-variabel dimana nilainya tak diketahui dan yang sedang dicari.Biasanya ditandai dengan x₁, x₂, dan lain-lain.

Objective Function (Fungsi Tujuan).

Pernyataan matematis, merupakan fungsi linier, menunjukkan hubungan diantara decision variables dan satu tujuan (atau objective) yang dicari. Jika melibatkan tujuan yang banyak (multiple goals), terdapat 2 pendekatan:

1.     Memilih tujuan utama yang memiliki level maksimal atau minimal.

2.     Memindahkan tujuan-tujuan yang lain ke dalam contraint (batasan), yang harus dipenuhi.

Optimasi.

LP berusaha untuk mendapatkan nilai maksimal atau minimal dari fungsi tujuan.

Coeeficients (Koefisien) dari Objective Function.

Menyatakan tingkat/derajat dimana nilai dari fungsi tujuan meningkat atau menurun dengan memasukkan dalam solusi satu unit dari setiap decision variables.

Constraints (batasan).

Maksimalisasi atau minimalisasi dilakukan berdasarkan batasan-batasan tertentu.Sehingga, LP dapat didefinisikan sebagai permasalahan optimasi terbatasi.Batasan dinyatakan dalam bentuk pertidaksamaan (atau terkadang persamaan).

Koefisien Input-Output (Teknologi)

Koefisien dari variabel batasan disebut dengan koefisien input-output.Ini mengindikasikan tingkat pemakaian atau penggunaan resource.Ditampilkan pada sisi kiri batasan.

Capacities (kapasitas).

Kapasitas (atau ketersediaan) dari berbagai resources, biasanya dinyatakan dengan batas atas atau batas bawah, berada pada sisi kanan batasan.Sisi kanan juga menyatakan kebutuhan minimum.

Contoh.

Contoh dari perumusan umum dan istilah ini diterapkan pada blending problem sebelumnya. Temukan x₁ dan x₂ (decision variables) yang akan meminimisasikan nilai dari fungsi tujuan linier:

 

2.6      Simulasi.

Dalam MSS artinya adalah teknik untuk melakukan percobaan (seperti misalnya “what-if”) dengan komputer digital pada suatu model dari sistem manajemen.

Karakteristik Utama.

Pertama, simulasi bukanlah sejenis model biasa; model umumnya merepresentasikan kenyataan, sedangkan simulasi biasanya menirukan kenyataan tersebut.Singkatnya, ini berarti ada sedikit penyederhanaan kenyataan dalam model simulasi dibandingkan dengan jenis model lainnya.

Kedua, simulasi adalah teknik untuk melaksanakan percobaan. Artinya, simulasi melibatkan testing pada nilai-nilai tertentu dari decision atau uncontrollable variables yang ada pada model dan mengamati akibatnya pada variabel output.

Simulasi lebih bersifat deskriptif (menjelaskan) daripada tool normatif; sehingga tak ada pencarian otomatis untuk solusi optimal.Lebih dari itu, simulasi menjelaskan dan/atau memperkirakan karakteristik sistem tertentu pada berbagai keadaan yang berbeda-beda.Sekali karakteristik ini diketahui, alternatif terbaik dari alternatif yang ada dapat dipilih.

Simulasi digunakan bilamana permasalahan yang ada terlalu kompleks/sulit bila diselesaikan dengan teknik optimasi numerik (misalnya LP).Kompleksitas disini berarti bahwa permasalahan tadi tak bisa dirumuskan untuk optimasinya atau perumusannya terlalu kompleks.

Keuntungan Simulasi:

1.     Teori simulasi relatif mudah dan bisa langsung diterapkan.

2.     Model simulasi mudah untuk menggabungkan berbagai hubungan dasar dan ketergantungannya.

3.     Simulasi lebih bersifat deskriptif daripada normatif. Ini mengijinkan manajer untuk menanyakan jenis pertanyaan “what-if”. Sehingga, manajer yang memiliki pendekatan trial-and-error dalam menyelesaikan masalah dapat melakukannya lebih cepat dan murah, dengan resiko yang lebih kecil, menggunakan bantuan simulasi dan komputer (sebagai pembanding adalah pendekatan trial-and-error dalam sistem nyata).

4.     Model simulasi yang akurat membutuhkan knowledge yang dalam dari suatu masalah, yang memaksa MSS builder untuk selalu berkomunikasi dengan manajer.

5.     Modelnya dibangun berdasarkan perspektif manajer dan berada dalam struktur keputusannya.

6.     Model simulasi dibangun untuk satu permasalahan tertentu, dan biasanya tak bisa menyelesaikan permasalahan yang lain.

7.     Simulasi dapat mengatasi variasi yang berbeda-beda dalam berbagai jenis masalah seperti halnya inventory dan staffing, demikian juga pada fungsi tingkat tinggi manajerial seperti rencana jangka panjang. Sehingga ungkapan untuknya adalah “selalu ada” jika manajer sedang membutuhkannya.

8.     Manajer dapat melakukan eksperimen dengan berbagai variabel yang berbeda untuk menentukan mana yang penting, dan dengan berbagai alternatif yang berbeda untuk mencari yang terbaik.

9.     Simulasi secara umum mengijinkan kita memasukkan kompleksitas kehidupan nyata dari suatu masalah; penyederhanaan tak diperlukan disini. Sebagai contoh, simulasi dapat memanfaatkan distribusi probabilitas kehidupan nyata daripada mengira-ira distribusi teoritis.

10.  Sebagai sifat alamiah simulasi, kita dapat menghemat waktu.

11.  Mudah untuk mendapatkan berbagai pengukuran kinerja yang berbeda-beda secara langsung dari simulasi.

Kerugian Simulasi:

1.     Tak menjamin solusi yang optimal.

2.     Membangun model simulasi seringkali memakan waktu lama dan membutuhkan biaya.

3.     Solusi dan inferensi dari satu kasus simulasi biasanya tak bisa ditransfer ke permasalahan yang lain.

4.     Simulasi terkadang begitu mudah diterima oleh manajer sehingga solusi analitis yang dapat menghasilkan solusi optimal malah sering dilupakan.

Metodologi Simulasi.

·         Definisi masalah.

·         Membangun model simulasi.

·         Testing dan validasi model.

·         Desain percobaan.

·         Melakukan percobaan.

·         Evaluasi hasil.

·         Implementasi.

Proses dari simulasi dapat digambarkan pada diagram di bawah ini:

Gambar 2.1 Proses Simulasi

Tipe Simulasi

·         Simulasi Probabilistik. Satu atau lebih independent variable-nya (misal, kebutuhan dalam masalah inventory) probabilistik, mengandung bilangan acak. Sehingga ini mengikutsertakan distribusi probabilitas tertentu. 2 yang dikenal: distribusi diskrit dan distribusi kontinyu. Distribusi diskrit melibatkan situasi dimana terdapat sejumlah tertentu kejadian (atau variabel) yang dapat diamati pada sejumlah nilai tertentu. Distribusi kontinyu mengacu pada situasi dimana terdapat kemungkinan jumlah kejadian yang tak terbatas, yang mengikuti fungsi densitas tertentu, misal distribusi normal. Di bawah ini dijelaskan bedanya:

Tabel 2.5  Tabel Simulasi Probabilistik

Discrete		Continuous
Daily Demand	Probability
5 6 7 8 9	0.10 0.15 0.30 0.25 0.20	Daily demand is normally distributed with a mean of 7 and a standard deviation 1.2

·         Simulasi bergantung waktu (time dependent) vs simulasi tak bergantung waktu (time independent). Time independent mengacu pada situasi dimana tak penting kita mengetahui secara pasti kejadian yang terjadi. Time dependent sebaliknya, adalah penting mengetahui secara presisi kejadian-kejadiannya.

·         Simulasi visual. Penampilan hasil simulasi secara grafis terkomputerisasi adalah salah satu pengembangan yang berhasil dalam interaksi manusia dan komputer dan penyelesaian masalah.

Percobaan dalam Simulasi (Probabilistik).

Proses percobaan dalam simulasi melibatkan 8 langkah, termasuk di dalamnya apa yang disebut dengan prosedur Monte Carlo:

1.     Menentukan ukuran (ukuran-ukuran) kinerja sistem yang diinginkan. Jika perlu, tulislah dalam bentuk persamaan.

2.     Gambarkan sistem dan dapatkan distribusi probabilitas dari elemen probabilistik yang relevan dari sistem.

3.     Rancang bangunlah distribusi probabilistik kumulatif untuk setiap elemen stokastik.

4.     Tentukan representasi bilangan yang berhubungan dengan distribusi probabilistik kumulatif.

5.     Untuk setiap elemen probabilistik, ambil satu contoh acak (keluarkan bilangan secara acak atau ambil satu dari tabel bilangan acak).

6.     Catat ukuran kinerja dan varian-nya.

7.     Jika diinginkan hasil yang stabil, ulangi langkah 5 dan 6 sehingga ukuran kinerja sistem “stabil”.

8.     Ulangi langkah 5-7 untuk berbagai alternatif. Berikan nilai ukuran kinerjanya dan confidence interval-nya, berdasarkan pada alternatif yang diinginkan.

Prosedure Monte Carlo bukanlah model simulasi, walaupun ia hampir menjadi sinonim dengan simulasi probabilistik. Prosedur tersebut melibatkan langkah 3 sampai langkah 6 dalam proses ini. Yaitu, prosedure yang menghasilkan pengamatan acak dari variabel-variabel yang penting.

2.7      Pemrograman Heuristic.

Pendekatan yang melibatkan cara heuristic (role of thumb, aturan jempol) yang dapat menghasilkan solusi yang layak dan cukup baik pada berbagai permasalahan yang kompleks. Cukup baik (good enough) biasanya dalam jangkauan 90 sampai dengan 99.99 persen dari solusi optimal sebenarnya.

Metodologi.

Pendekatan logik heuristic melibatkan hal-hal berikut:

1.     Skema klasifikasi yang mengenalkan struktur ke dalam permasalahan.

2.     Analisis karakteristik dari elemen-elemen masalah.

3.     Aturan-aturan untuk seleksi elemen dari setiap kategori untuk mendapatkan strategi pencarian yang efisien.

4.     Aturan-aturan untuk seleksi lebih lanjut, bila diperlukan.

5.     Fungsi tujuan yang digunakan untuk mengecek kelayakan solusi pada setiap tahapan seleksi atau pencarian.

Kapan Menggunakan Heuristic:

1.     Input data tidak pasti atau terbatas.

2.     Kenyataan yang ada terlalu kompleks sehingga model optimasi menjadi terlalu disederhanakan.

3.     Metode yang handal dan pasti tak tersedia.

4.     Waktu komputasi untuk optimasi terlalu lama.

5.     Adanya kemungkinan untuk meningkatkan efisiensi proses optimasi (misal, dengan memberikan solusi awal yang baik menggunakan heuristic).

6.     Masalah-masalah yang diselesaikan seringkali (dan berulang-ulang) dan menghabiskan waktu komputasi.

7.     Permasalahan yang kompleks yang tidak ekonomis untuk optimasi atau memakan waktu terlalu lama dan heuristic dapat meningkatkan solusi yang tak terkomputerisasi.

8.     Di saat pemrosesan simbolik lebih banyak dilibatkan daripada pemrosesan numerik (dalam ES).

Keuntungan Heuristic:

1.     Mudah dimengerti dan kemudian mudah diimplementasikan.

2.     Membantu dalam melatih orang sehingga kreatif dan dapat digunakan untuk masalah yang lain.

3.     Menghemat waktu perumusan.

4.     Menghemat pemrograman dan kebutuhan penyimpanan pada komputer.

5.     Menghemat waktu pemrosesan komputer yang tak perlu (kecepatan!).

6.     Seringkali menghasilkan berbagai solusi yang dapat diterima.

Masalah-masalah dalam Penggunaan Heuristic:

1.     Heuristic enumerasi yang mempertimbangkan semua kemungkinan kombinasi dalam permasalahan praktis jarang bisa dicapai.

2.     Pilihan-pilihan keputusan sekuensial bisa jadi gagal mengantisipasi konsekuensi lebih lanjut dari setiap pilihan.

3.     “Lokal optimal” dapat memutuskan solusi terbaik yang masih bisa dicapai sebab heuristic, serupa dengan simulasi, bertitik tolak pada perspektif global.

4.     Saling ketergantungan pada satu bagian dari sistem terkadang memberikan pengaruh berarti pada keseluruhan sistem.

2.8      Influence Diagram (Diagram Pengaruh)

Diagram ini menyajikan pernyataan grafis dari suatu model, merupakan sarana komunikasi visual ke pembuat model. Juga menyediakan kerangka kerja untuk menyatakan sifat alamiah sesungguhnya dari hubungan diantara model MSS. Istilah influence (pengaruh) mengacu pada ketergantungan variabel pada level variabel lainnya. Diagram ini memetakan semua variabel dalam permasalahan manajemen.

Variabel dihubungkan dengan anak panah, yang mengindikasikan arah dari pengaruh itu. Bentuk dari anak panah tersebut juga mengindikasikan jenis hubungannya, seperti terlihat di bawah ini:

 1. Certainty

 

2. Uncertainty

 

3. Random variable: tulisakan tanda ~ di atas nama variabel-nya.

4. Preference (biasanya diantara variabel outcome). Ditunjukkan oleh anak panah bergaris ganda.

Anak panah disini bisa berupa satu arah atau dua arah (bidirectional).

Contoh :

Diberikan satu model:

Income = units sold x unit price

Units sold = 0.5 x amount used in adverstisement

Expense = unit cost x units sold + fixed cost

Profit = income - expense

Diagram pengaruhnya dapat digambarkan seperti di bawah ini:

Gambar 2.2 Influence Diagram

Dalam membuat diagram ini, tersedia berbagai software bantu, misal: Visio. 

2.9      Forecasting (Peramalan)

Model forecasting merupakan bagian integral dari kebanyakan MSS. Forecasting digunakan untuk memperkirakan nilai variabel model, demikian juga hubungan logika model, pada suatu waktu tertentu di masa mendatang.

Metode Forecasting.

Metode forecasting dapat dibagi dalam berbagaicara. Salah satunya ialah dengan membedakan antara teknik forecasting formal dengan teknik pendekatan informal seperti misal: intuisi, dugaan, dan prediksi. Yang dibahas disini adalah metode formal.

·         Judgment method. Didasarkan pada pertimbangan subyektif dan opini dari seorang pakar, lebih daripada data yang ada. Sering digunakan untuk peramalan jangka panjang, khususnya dimana faktor eksternal (misal: perkembangan teknologi/politik) menjadi faktor yang signifikan.

·         Counting methods. Melibatkan berbagai eksperimen atau survey dari contoh data, dengan mencoba menggeneralisasi keseluruhan pasar. Metode jenis ini secara alamiah bersifat kuantitatif, berdasarkan data yang ada, dan lebih obyektif dibandingkan metode yang pertama tadi. Juga, banyak menggunakan data historis dan umumnya dibagi dalam time-series dan causal methods.

·         Time-series analysis. Time-series adalah sekumpulan nilai dari variabel bisnis atau ekonomi, diukur pada serangkaian selang waktu tertentu (biasanya sama selang waktunya). Metode ini dibahas, karena knowledge dari perilaku masa lalu dari time-series membantu kita memahami (dan memperkirakan) perilaku dari rangkaian waktu di masa selanjutnya.

·         Association or causal methods. Menyertakan analisis data untuk mencari asosiasi data dan, jika mungkin, menemukan hubungan sebab-akibat. Metode ini lebih hebat dibandingkan dengan metode time-series, tetapi juga lebih kompleks. Kompleksitas ini datang dari 2 sumber: satu, lebih banyak variabel yang terlibat disitu, beberapa diantaranya bersifat eksternal pada situasi tertentu. Kedua, menggunakan teknik statistik canggih untuk pemisahan berbagai tipe variabel. Pendekatan causal lebih disukai untuk peramalan jangka menengah.

Dari keseluruhan metode di atas, judgment dan counting methods, yang secara alamiah bersifat subyektif, digunakan pada kasus dimana metode kuantitatif tak layak atau tak dapat digunakan.Tekanan waktu, kesulitan pada data, atau kesulitan keuangan mungkin mencegah kita menggunakan model kuantitatif.Kompleksitas dari data historis (sebagai contoh pada interaksinya atau fluktuasinya) mungkin juga mencegah kita dari menggunakan data historis ini.

Model Forecasting.

Sebagai contoh software forecasting adalah: SPSS, SAS System, Forecast Master, dll.

2.10   Pemodelan Nonkuantitatif

Pendekatan pemodelan yang dibahas sampai saat ini berpusat pada model kuantitatif.Namun demikian, pemodelan dalam MSS mungkin juga melibatkan model nonkuantitatif (kualitatif).Dalam kebanyakan kasus pemodelan nonkuantitatif dinyatakan dalam rule-rule (aturan). Sebagai contoh, berikut ini adalah contoh yang dapat dipandang sebagai model penjadwalan:

1.     Jika suatu job tidak kompleks, dan jika pengerjaannya kurang dari 15 menit, maka jadwalkan itu lebih awal pada hari itu.

2.     Jika jobnya kompleks dan memakan waktu lama untuk menyelesaikannya, jadwalkanlah ia tak lebih lama dari jam 10 pagi.

3.     Jika suatu job kompleks, tetapi dapat diselesaikan secara cepat begitu dimulai, jadwalkan dia di tengah hari.

4.     Tugaskan job yang ringan pada karyawan yang tak terlalu periang dan job yang berat kepada karyawan yang periang.

2.11   Bahasa Pemodelan dan Spreadsheet

Model dapat ditulis dalam berbagai bahasa pemrograman, utamanya bahasa pemodelan. Bahasa pemrograman yang biasa dipakai: C, C++ dan turunannya seperti Java, PHP, C#, dan lain-lain. Demikian juga semua bahasa visual yang ada sekarang: Visual C++, Delphi, VB, dan lain-lain. Kemudian pada level yang lebih sederhana kita bisa menggunakan software spreadsheet (lembar kerja), misalnya Excel ataupun Lotus 1-2-3.Tentu dengan segala tambahan fasilitas yang ada padanya. Sedangkan bahasa pemodelan yang lebih khusus juga ada, misalnya: ProModel, Arena, SIMAN (untuk proses Manufakturing, yang secara langsung bisa mengakses mesin-mesin Numerical Control/NC, Computer Numerical Control/CNC). Begitu juga di bidang finansial dan perencanaan.

Berkaitan dengan konsep multidimensionality pada bab 4 terdahulu, pada pemodelan juga terdapat konsep multidimensional modeling. Sebagai contoh software yang mengadopsi konsep ini adalah Excel dari Microsoft.Dia tak hanya berfungsi sebagai spreadsheet biasa saja, tetapi dengan berbagai fasilitasnya bisa memberikan penyajian yang mendukung multidimensionality.Apalagi ditambah dengan konsep OLE yang diterapkan Microsoft pada Windows-nya, maka semakin memperkuat konsep multidimensionality ini.

2.12   Pemodelan Finansial dan Perencanaannya

Kebanyakan aplikasi DSS berhubungan dengan analisis finansial dan/atau perencanaannya.Pemodelan finansial berorientasi pada model aljabar, rumus-rumus ditulis dalam persamaan.Sedangkan spreadsheet menuliskan modelnya dengan orientasi komputasi atau kalkulasi.

Dibandingkan dengan DBMS yang merupakan salah satu komponen dalam DSS (sudah dibahas pada bagian sebelumnya), tentu ada perbedaan:

Tabel 2.6 Tabel Pemodelan Finansial

	Major Advantages (Strong Points)	Major Disadvantages (Weak Points)
Financial Modelling-based Generators	Financial reporting (and consolidations with some systems) Forecasting Sensitivity analysis Usually easier to learn for financial people Many built-in financial and statistical routines	Limited sorting with older two-dimensional packages Limited data entry Limited handling of text with data Some systems are two-dimensional and require DBMS for consolidations
DBMS-based Generators	Data (record)-oriented Best text handling Best sort/merge Data integrity Strong in ad hoc, unstructured queries and analysis	Cumbersome with time-series problems Cumbersome with multidimensional applications (multiple “passes” of the data required) Cumbersome in sensitivity analysis applications

2.13   Model Kuantitatif yang Tersedia.

DSS generator memiliki berbagai model kuantitatif standar dalam berbagai area, seperti statistik, analisis keuangan, akunting, dan management science. Model tersebut dapat dipanggil dengan perintah seperti:

·         SQRT: fungsi ini menghitung akar dari bilangan yang bisa saja merupakan bagian dari model inventory.

·         NPV: fungsi ini menghitung net present value dari koleksi cash flow mendatang untuk suku bunga tertentu. Bisa juga merupakan bagian dari model make-versus-buy.

Banyak sekali di pasaran, berbagai software yang dapat melakukan perhitungan kuantitatif ini, misalnya:

·         Statistical Packages. Contohnya adalah Excel dan Lotus 1-2-3.

·         Management Science Packages. Contohnya: adalah Stratagem

·         Financial Modeling. Misalnya: Minitab, SAS, SPPS, Systat, dan lain-lain.

·         Decision Analysis and Multiple Criteria Decision-making Packages. Beberapa paket software menyediakan tool-tool untuk pengambilan keputusan. Mereka ini bekerja sama dalam DSS model base, atau digunakan sebagai pendukung dalam penyediaan input data (misal: subjective judgment) atau dengan mengolah output datanya. Contohnya: Expert Choice, Decision Master, Decision Aid, Criterium, Orion, Arborist, Lightyear, Decision PAD, Decision AIDE II.

·         Produk DSSlainnya. Yang dimaksud disini adalah: Aplikasi DSS khusus yang sudah jadi. Jadi sudah jadi, user tinggal menggunakannya. Atau kalau perlu tinggal memodifikasi sedikit source code-nya sesuai dengan kebutuhan user. 

2.14   Model Base Structure and Management

Konsep model base management yang dicari untuk paket software yang dimaksud, dengan kemampuan yang serupa dengan konsep DBMS dalam database.Walaupun begitu banyak paket DBMS komersial, tak ada model base management menyeluruh saat ini di pasaran. Kemampuan yang terbatas, yang menjadi kendala dalam paket model management, diatasi oleh beberapa program spreadsheet dan financia planning-based DSS generators.

Salah satu alasan dari situasi ini adalah, setiap perusahaan menggunakan model yang berbeda. Alasan lain adalah beberapa kemampuan MBMS (misalnya: memilih model yang digunakan, memutuskan nilai mana yang disisipkan, dll) membutuhkan kemampuan kepakaran dan reasoning. Sehingga, MBMS menjadi area yang menarik untuk aplikasi ES di masa depan.

MBMS yang efektif akan membuat aspek struktur dan algoritma dari organisasi model dan memproses data yang berhubungan, yang tak perlu ditampakkan kepada user. Di bawah ini adalah kemampuan yang diinginkan dari suatu MBMS:

1.     Kontrol. Baik untuk sistem yang otomatis maupun manual.

2.     Fleksibelitas. Mudah menghadapi perubahan.

3.     Umpan balik. Selalu up-to-date, bersifat kekinian.

4.     Antarmuka. User merasa nyaman dan mudah menggunakan.

5.     Pengurangan redundansi. Model yang di-share dapat mengurangi penyimpanan yang redundan.

6.     Peningkatan konsistensi. Mengatasi data yang berbeda atau versi model yang berbeda.

Untuk mencapai kemampuan di atas, desain MBMS harus mengijinkan user untuk:

1. Mengakses dan me-retrieve model yang ada.

2. Berlatih dan memanipulasi model yang ada.

3. Menyimpan model yang ada.

4. Merawat/mengatur model yang ada.

5. Membangun model baru.

Relational MBMS.

Seperti halnya cara pandang data yang relasional, cara pandang relasional dari suatu model didasarkan pada teori matematika dari hubungan yang terjadi (mathematical theory of relations). Sehingga model dipandang sebagai file virtual atau relasi virtual. Secara prinsip file virtual ini dibuat dengan melatih model dengan spektrum input yang lebar.

Isu lain yang harus dipertimbangkan secara serius adalah model base query languages, dan kebutuhan untuk mengatasi penyelesaian masalah relasional. 3 operasi yang dibutuhkan: eksekusi, optimasi, dan analisis sensitivitas.

Object-oriented Model Base dan Manajemennya.

Menggunakan OODBMS maka kita dapat membangun model base yang mengatur ketergantungan lojik diantara model base dan komponen DSS lainnya, memfasilitasi komponen intelligent dan menstabilkan integrasi antar komponen.

BAB III

PENUTUP

KESIMPULAN

·         Model memainkan peranan yang utama dalam DSS. Terdiri dari beberapa jenis.

·         Manajemen model adalah konsep yang serupa dengan manajemen data.

·         Model bisa berupa statis (cuplikan singkat situasi) atau dinamis.

·         Analisis dilakukan baik pada kondisi certainty/kepastian (yang paling diinginkan memang ini), resiko, atau uncertainty (dihindari sebisanya).

·         Tool utama dalam optimasi adalah pemrograman matematis.

·         LP adalah tool paling sederhana dari pemrograman matematis. Ia mencoba mencari alokasi optimal dari resources yang terbatas pada batasan-batasan (constraints) yang ada.

·         Bagian utama dari LP adalah objective function, decision variables, dan constraints.

·         Simulasi banyak digunakan dalam pendekatan DSS yang melibatkan eksperimen dengan model yang diasumsikan merupakan pencerminan kenyataan yang sebenarnya.

·         Simulasi dapat dilakukan untuk situasi yang kompleks, yang tak bisa dilakukan oleh teknik optimasi biasa. Tapi tak ada jaminan untuk mendapatkan solusi optimal.

·         Pemrograman heuristic adalah penyelesaian masalah menggunakan rule of thumb.

·         Influence diagram menggambarkan secara grafis hubungan yang terjadi di dalam model.

·         Kebanyakan model membutuhkan forecasting, tetapi tak ada satu pun yang bisa meramalkan dengan sempurna.

·         Spreadsheet elektronik dapat ditingkatkan kemampuannya dengan macro, template, dan berbagai tool tambahan lainnya.

·         Bahasa khusus tertentu tersedia untuk pemodelan finansial.

·         Kebanyakan tool pengembangan DSS menyertakan model kuantitatif (finansial, statistikal) atau memberikan kemudahan untuk berinteraksi dengannya.

·         MBMS menampilkan hal yang serupa dengan DBMS.

·         Pemodelan multidimensional mengijinkan user untuk secara mudah membuat model dan selanjutnya menampilkan hasilnya dalam berbagaicara, serta melakukan analisis sensitivitas dengan mudah.

·         Influence diagram menggambarkan secara grafis hubungan diantara model. Dapat juga digunakan untuk meningkatkan kemampuan presentasi dari teknologi spreadsheet.

·         Pemodelan spreadsheet dan hasilnya dapat dipresentasikan dalam format influence diagram (visual spreadsheet).