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:
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).