Part II
Decision Support System
Chapter 4
Modeling dan Analysis
Pembahasan dalam
bab ini menggambarkan basis model dan manajemennya, salah satu komponen utama dari
DSS. Tujuannya untuk mendapatkan keakraban dengan konsep-konsep penting yang
berkaitan dengan intelijen bisnis / DSS. Melalui beberapa konsep dasar dan
definisi pemodelan sebelum memperkenalkan diagram pengaruh, yang dapat membantu
pembuat keputusan dalam membuat sketsa model situasi dan bahkan memecahkannya. Kemudian
menggambarkan struktur dari beberapa model dan metodologi yang terbukti
berhasil:
- analisis keputusan
- pohon keputusan
- optimasi
- metode pencarian
- pemrograman heuristik, dan
- simulasi.
Kita perlu untuk memahami model dan penggunaannya sebelum
mencoba untuk mempelajari cara memanfaatkan gudang data, OLAP, dan penambangan
data secara efektif.
Bab ini disusun sebagai berikut:
4.1 Pembukaan Vignette: DuPont Mensimulasikan Sistem
Transportasi Kereta Api dan Menghindari Biaya Modal yang Mahal
4.2 Pemodelan MSS
4.3 Model Statis dan Dinamis
4.4 Kepastian, Ketidakpastian, dan Risiko
4.5 Pengaruh Diagram
4.6 Pemodelan MSS dengan Spreadsheet
4,7 Analisis Keputusan dari Beberapa Alternatif (Tabel
Keputusan dan Keputusan Pohon)
4.8 Struktur Model Matematika MSS
4.9 Optimasi Pemrograman Matematika
4.10 Beberapa Tujuan, Analisis Kepekaan, Apa-Jika, dan
Pencarian Sasaran
4.11 Metode Pencarian Pemecahan Masalah
4.12 Pemrograman Heuristik
4.13 Simulasi
4.14 Pemodelan Interaktif Visual dan Simulasi Interaktif
Visual
4.15 Paket Perangkat Lunak Kuantitatif
4.16 Pengelolaan Model Dasar
4.2
Pemodelan MSS
Vinyet mengilustrasikan
masalah pembuatan keputusan yang kompleks di mana kebijakan konvensional
mendiktekan alternatif keputusan yang inferior. Dengan memodelkan sistem
transportasi kereta api secara akurat, para pengambil keputusan mampu
bereksperimen dengan berbagai kebijakan dan alternatif dengan cepat dan murah.
Simulasi adalah pendekatan pemodelan yang digunakan. Model simulasi DuPont
diimplementasikan dengan perangkat lunak komersial, yang tipikal.
Berinvestasi dalam
mobil rel yang mahal dan kemudian bereksperimen dengan cara terbaik untuk
menggunakannya (juga cukup mahal), semua pekerjaan dilakukan di komputer,
awalnya dalam dua minggu. Sebelum penerbangan pertama ke bulan, National
Aeronautics and Space Administration (NASA) melakukan simulasi yang tak
terhitung jumlahnya. NASA masih mensimulasikan misi pesawat ulang alik. General
Motors sekarang mensimulasikan semua aspek pengembangan dan pengujian mobil
baru (lihat Gallagher, 2002; Gareiss, 2002; Witzerman, 2001). Dan Pratt &
Whitney menggunakan lingkungan simulasi (realitas virtual) dalam merancang dan
menguji mesin untuk pesawat jet (Marchant, 2002). Sangat mudah untuk mengubah
model operasi sistem fisik dengan simulasi komputer.
Model simulasi DuPont digunakan untuk mempelajari
tentang masalah yang dihadapi. Solusi alternatif diketahui, tetapi belum diuji
sampai model simulasi dikembangkan
lagi kemudian diuji. Beberapa contoh
lain dari simulasi diberikan oleh Van der Heijden et al. (2002) dan Rossetti
dan Selandar (2001). Van der Heijden dkk. (2002) menggunakan simulasi
berorientasi objek untuk merancang sistem transportasi kargo bawah tanah
otomatis di Bandara Schiphol (Amsterdam). Rossetti dan Selandar (2001)
mengembangkan model simulasi yang membandingkan penggunaan kurir manusia dengan
robot di rumah sakit universitas. Simulasi menunjukkan bahwa rumah sakit dapat
menghemat lebih dari $200.000 setiap tahun dengan menggunakan robot.
Model simulasi ini dapat meningkatkan proses
pengambilan keputusan organisasi dan memungkinkannya untuk melihat dampak dari
pilihan masa depannya. Misalnya, Fiat menghemat $1 juta setiap tahun dalam
biaya produksi melalui simulasi. Olimpiade Musim Dingin 2002 (Salt Lake City,
Utah) menggunakan simulasi untuk merancang sistem keamanan dan transportasi bus
untuk sebagian besar tempat. Teknologi prediktif memungkinkan Panitia Salt Lake
untuk memodelkan dan menguji berbagai skenario, termasuk operasi keamanan,
cuaca, dan desain sistem transportasi. Ini adalah jaringan distribusi kendaraan
yang sangat bervariasi dan kompleks. Penghematan
mencapai lebih dari $20 juta per tahun. Manfaat termasuk biaya yang lebih
rendah dan peningkatan layanan pelanggan.
Pemodelan adalah elemen kunci di sebagian besar DSS
/ intelijen bisnis dan kebutuhan dalam DSS berbasis model. Simulasi adalah
pendekatan pemodelan yang umum, tetapi ada beberapa lainnya. Sebagai contoh,
pertimbangkan pendekatan optimasi yang diambil oleh Procter and Gamble (P &
G) dalam mendesain ulang sistem distribusinya (Web Bab). P & G's DSS untuk
perancangan ulang rantai suplai Amerika Utara meliputi beberapa model:
- Model pembangkit (berdasarkan algoritma) untuk membuat perkiraan biaya transportasi. Model ini diprogram langsung di DSS.
- Model peramalan permintaan (berdasarkan statistik).
- Model lokasi pusat distribusi. Model ini menggunakan data agregat (teknik pemodelan khusus) dan diselesaikan dengan paket optimasi linear / integer standar.
- Model transportasi (spesialisasi model pemrograman linear) untuk menentukan pengiriman terbaik dari sumber produk ke pusat distribusi (diumpankan ke model sebelumnya) dan kemudian ke pelanggan. Ini diselesaikan dengan menggunakan perangkat lunak komersial dan secara longgar terintegrasi dengan model lokasi distribusi. Kedua masalah ini diselesaikan secara berurutan. DSS harus berinteraksi dengan perangkat lunak komersial dan mengintegrasikan model.
- Model simulasi keuangan dan risiko yang mempertimbangkan beberapa faktor kualitatif yang memerlukan pertimbangan manusia yang penting.
- Sistem informasi geografis (secara efektif model grafis dari data) untuk antarmuka pengguna.
Situasi Procter & Gamble menunjukkan bahwa DSS
dapat terdiri dari:
beberapa model, beberapa standar dan beberapa yang dibuat khusus, digunakan
secara kolektif untuk mendukung keputusan strategis di perusahaan. Ini menunjukkan
bahwa beberapa model dibangun langsung dalam paket pengembangan perangkat lunak
DSS, beberapa model perlu dibangun secara eksternal untuk perangkat lunak DSS,
dan yang lain dapat diakses oleh DSS saat diperlukan. Kadang-kadang upaya besar
diperlukan untuk mengumpulkan atau memperkirakan data model yang wajar (sekitar
500 karyawan P & G terlibat selama sekitar satu tahun), bahwa model harus
terintegrasi, bahwa model dapat diuraikan dan disederhanakan, yang
kadang-kadang pendekatan suboptimisasi adalah tepat, dan akhirnya, bahwa
penilaian manusia merupakan aspek penting dalam menggunakan model dalam
pengambilan keputusan.
Dari situasi P & G dan situasi IMERYS yang
dijelaskan dalam Aplikasi Kasus 4.1, pemodelan bukanlah tugas yang sederhana
[lihat juga Stojkovic dan Soumis (2001), yang mengembangkan model untuk
menjadwalkan penerbangan dan pilot maskapai penerbangan; Gabriel, Kydes and
Whitman (2001), yang memodelkan situasi ekonomi-energi nasional AS; dan
Teradata (2003), yang menjelaskan bagaimana Burlington Northern Santa Fe
Corporation mengoptimalkan kinerja kereta api mobil melalui model matematis
(kuantitatif) yang tertanam dalam alat OLAP-nya]. Pembangun
model harus menyeimbangkan penyederhanaan model dan persyaratan representasi
sehingga akan cukup menangkap kenyataan untuk membuatnya berguna bagi pembuat
keputusan. Menerapkan model ke situasi dunia nyata dapat menghemat jutaan
dolar, atau menghasilkan jutaan dolar dalam pendapatan.
Di American Airlines (AMR, Corp), model digunakan
secara luas di SABER melalui American Airlines Decision Technologies (AADT) Corp AADT memelopori banyak teknik baru
dan penerapannya, terutama manajemen pendapatan. Misalnya, mengoptimalkan
ketinggian pendakian dan profil keturunan untuk pesawatnya menghemat beberapa
juta dolar per minggu dalam biaya bahan bakar. AADT menghemat ratusan juta
dolar setiap tahun pada awal 1980-an, dan akhirnya pendapatan tambahannya
melebihi $1 miliar setiap tahun, melebihi pendapatan maskapai itu sendiri
(lihat Horner, 2000; Mukherjee, 2001; Smith et al., 2001; DSS dalam Aksi 4.1).
Trick (2002) menjelaskan bagaimana Continental Airlines dapat pulih dari
bencana 9/11 dengan menggunakan sistem yang dikembangkan untuk pemulihan badai
salju. Sistem ini sangat berperan dalam menyelamatkan jutaan dolar. Ada beberapa masalah pemodelan utama
termasuk identifikasi masalah dan analisis lingkungan, identifikasi variabel,
peramalan, penggunaan berbagai model, kategori model (atau pemilihan yang
tepat), manajemen model, dan pemodelan berbasis pengetahuan.
Identifikasi
Masalah Dan Analisis Lingkungan
Satu aspek yang sangat penting adalah pemindaian dan
analisis lingkungan, yang merupakan pemantauan, pemindaian, dan interpretasi
informasi yang dikumpulkan. Tidak ada keputusan yang dibuat dalam ruang hampa.
Penting untuk menganalisis ruang lingkup domain dan kekuatan dan dinamika
lingkungan. Seseorang harus mengidentifikasi budaya organisasi dan proses
pengambilan keputusan perusahaan (siapa yang membuat keputusan, tingkat
sentralisasi, dan sebagainya). Sangat mungkin bahwa faktor lingkungan telah
menciptakan masalah saat ini. Alat business intelligence (business analytics)
dapat membantu mengidentifikasi masalah dengan memindai mereka (lihat Hall,
2002a, 2000b; Whiting, 2003; MSS Running Case di DSS in Action 2.6; dan DSS in
Action 3.6, di mana kami menggambarkan bagaimana NetFlix.com menciptakan
informasi lingkungan yang dapat digunakan untuk penonton bioskop).
Masalahnya harus dipahami, dan semua orang yang
terlibat harus berbagi kerangka pemahaman yang sama karena masalah pada
akhirnya akan diwakili oleh model dalam satu bentuk atau lainnya (seperti yang
dilakukan dalam sketsa pembukaan). Lain-lain, model tidak akan membantu pembuat
keputusan.
Identifikasi
Variabel
Identifikasi variabel
model (keputusan, hasil, tidak terkendali) sangat penting, begitu juga hubungan
mereka. Diagram pengaruh, yang merupakan model grafis dari model matematika,
dapat memfasilitasi proses ini. Bentuk yang lebih umum dari diagram pengaruh,
peta kognitif, dapat membantu pembuat keputusan untuk mengembangkan pemahaman
yang lebih baik tentang masalah, terutama variabel dan interaksinya.
Peramalan
Peramalan sangat penting
untuk konstruksi dan manipulasi model karena ketika keputusan diterapkan,
hasilnya biasanya terjadi di masa depan. DSS biasanya dirancang untuk
menentukan apa yang akan terjadi. Tidak ada
gunanya menjalankan analisis what-if (sensitivitas) di masa lalu karena
keputusan yang dibuat tidak berdampak pada masa depan. Dalam Aplikasi Kasus
4.1, model pengolahan tanah liat IMERYS "didorong oleh permintaan".
Tuntutan tanah liat
diperkirakan sehingga keputusan tentang produksi tanah liat yang mempengaruhi
masa depan dapat dibuat. Peramalan semakin "mudah" karena vendor
perangkat lunak mengotomatisasi banyak komplikasi dari pengembangan model tersebut.
Misalnya, SAS memiliki sistem Prakiraan Kinerja Tinggi yang menggabungkan
teknologi analisis prediktif, idealnya untuk pengecer. Perangkat lunak ini
lebih otomatis dari pada kebanyakan paket perkiraan.
Perdagangan lewat internet telah menciptakan kebutuhan besar untuk
meramalkan akan berlimpahnya informasi yang tersedia untuk melaksanakannya.
Aktivitas e-commerce terjadi dengan
cepat, namun informasi tentang pembelian dikumpulkan dan harus dianalisis untuk
menghasilkan perkiraan. Bagian dari analisis melibatkan hanya memprediksi
permintaan; tetapi kebutuhan siklus hidup produk dan informasi tentang pasar
dan konsumen dapat dimanfaatkan dengan meramalkan model untuk menganalisis
seluruh situasi, idealnya mengarah pada penjualan tambahan produk dan layanan
(lihat Gung, Leung, Lin, dan Tsai, 2002).
Hamey (2003) menjelaskan bagaimana perusahaan
berusaha memprediksi siapa pelanggan terbaik (yaitu, yang paling menguntungkan)
dan fokus dalam mengidentifikasi produk dan layanan yang akan menarik bagi
mereka. Bagian dari upaya ini melibatkan identifikasi profitabilitas pelanggan
seumur hidup. Ini adalah aspek penting tentang bagaimana manajemen hubungan
pelanggan dan sistem revenue management
bekerja.
Multiplemodel
Sistem pendukung keputusan
dapat mencakup beberapa model (kadang-kadang puluhan), yang masing-masing
mewakili bagian yang berbeda dari masalah pengambilan keputusan. Misalnya,
rantai pasokan Procter & Gamble, DSS mencakup model lokasi untuk mencari
pusat distribusi, model produk-strategi, model peramalan permintaan, model
pembangkitan biaya, model simulasi keuangan dan risiko, dan bahkan model GIS.
Beberapa model adalah
standar dan dibangun ke dalam generator dan alat pengembangan DSS. Lainnya
standar tetapi tidak tersedia sebagai fungsi built-in. Sebaliknya, mereka
tersedia sebagai perangkat lunak berdiri bebas yang dapat berinteraksi dengan
DSS. Model tidak standar harus dibangun dari awal. Model P & G
diintegrasikan oleh DSS, dan masalah memiliki banyak tujuan. Meskipun
minimisasi biaya adalah tujuan yang dinyatakan, ada tujuan lain, seperti yang
ditunjukkan oleh cara para manajer mempertimbangkan kriteria politik dan
lainnya ketika memeriksa solusi sebelum membuat keputusan akhir. Sodhi dan
Aichlmayr (2001) menunjukkan bagaimana alat berbasis web dapat dengan mudah
diterapkan untuk mengintegrasikan dan mengakses model rantai pasokan untuk
optimasi rantai pasokan yang sebenarnya.
Kategori Model
Untuk mempercepat
konstruksi model, seseorang dapat menggunakan sistem analisis keputusan khusus
yang memodelkan bahasa dan kemampuan yang tertanam di dalamnya. Ini termasuk
bahasa generasi keempat (sebelumnya bahasa perencanaan keuangan) seperti Cognos
Power House.
Manajemen
Model
Model seperti data, harus
dikelola untuk menjaga integritasnya dan dengan demikian penerapannya.
Manajemen tersebut dilakukan dengan bantuan sistem manajemen basis model.
Pemodelan
Berbasis Pengetahuan
DSS menggunakan sebagian
besar model kuantitatif, sedangkan sistem pakar menggunakan kualitatif, model
berbasis pengetahuan dalam aplikasi mereka. Beberapa pengetahuan diperlukan
untuk membangun model yang dapat dipecahkan (dan karenanya dapat digunakan).
Kami menunda deskripsi model berbasis pengetahuan sampai bab-bab selanjutnya.
Tren
Saat Ini
Ada kecenderungan untuk membuat model MSS
benar-benar transparan kepada pembuat keputusan. Dalam pemodelan multidimensi
dan beberapa kasus lain, data umumnya ditampilkan dalam format spreadsheet
(Bagian 4.6 dan 4.15), yang sebagian besar pembuat keputusan sudah familiar.
Banyak pembuat keputusan yang terbiasa mengiris dan memotong dadu data sekarang
menggunakan sistem pemrosesan analitik online (OLAP) yang mengakses gudang data
(lihat bab berikutnya).
Meskipun metode ini dapat membuat pemodelan menjadi
menyenangkan, mereka juga menghilangkan banyak kelas model yang penting dan
dapat diterapkan dari pertimbangan, dan mereka menghilangkan beberapa aspek
interpretasi solusi yang penting dan halus. Pemodelan melibatkan lebih dari
sekedar analisis data dengan garis tren dan membangun hubungan dengan metode
statistik. Subset metode ini tidak menangkap kekayaan pemodelan, beberapa di
antaranya kita sentuh berikutnya, di beberapa Bab Web, dan dalam Aplikasi Kasus
4.1.
TABLE 4.1 Categories of Models
4.6
Pemodelan MSS dengan Spreadsheet
Model dapat dikembangkan dan diimplementasikan dalam
berbagai bahasa dan sistem pemrograman. Ini berkisar dari bahasa pemrograman
third, keempat, dan kelima ke sistem CASE dan sistem lain yang secara otomatis
menghasilkan perangkat lunak yang dapat digunakan. Penelitian ini berfokus terutama pada
spreadsheet (dengan add-in mereka), bahasa pemodelan, dan alat analisis data
transparan.
Dengan kekuatan dan fleksibilitas, paket spreadsheet
dengan cepat diakui sebagai perangkat lunak implementasi yang mudah digunakan
untuk pengembangan berbagai aplikasi dalam bisnis, teknik, matematika, dan
sains. Saat paket spreadsheet berkembang, tambahan dikembangkan untuk menyusun
dan memecahkan kelas model tertentu.
Add-in ini termasuk Solver (Frontline Systems Inc.,
Incline Village, Nevada) dan What'sBest! (versi Lindo, Lindo Systems Inc.,
Chicago, Illinois) untuk melakukan optimasi linier dan nonlinier, Braincel
(Promised Land Technologies, Inc., New Haven, Connecticut) untuk jaringan
syaraf tiruan, Evolver (Palisade Corporation, Newfield, New York) ) untuk
algoritma genetika, dan Risk (Palisade Corporation, Newfield, New York) untuk
melakukan studi simulasi. Karena persaingan pasar yang sengit, add-in yang
lebih baik akhirnya digabungkan langsung ke spreadsheet (misalnya, Solver di
Excel adalah kode pengoptimalan nonlinear GRG-2 yang terkenal).
Spreadsheet adalah alat pemodelan pengguna akhir
paling populer (Gambar 4.4) karena menggabungkan banyak fungsi keuangan,
statistik, matematika, dan lainnya yang kuat. Spreadsheets dapat melakukan
tugas-tugas solusi model seperti pemrograman linier dan analisis regresi.
Spreadsheet telah berkembang menjadi alat penting untuk analisis, perencanaan,
dan pemodelan. (Lihat Denardo, 2001; Hsiang, 2002; Monahan, 2000; Winston dan
Albright, 2000).
Fitur spreadsheet penting lainnya termasuk analisis
what-if, pencarian tujuan, manajemen data, dan kemampuan program (macro).
Sangat mudah untuk mengubah nilai sel dan segera melihat hasilnya. Pencarian
tujuan dilakukan dengan menunjukkan sel target, nilai yang diinginkan, dan sel
yang berubah. Pengelolaan basis data rudimenter dapat dilakukan, atau bagian
dari database dapat diimpor untuk analisis (yang pada dasarnya adalah cara OLAP
bekerja dengan kubus data multidimensi; pada kenyataannya, sebagian besar
sistem OLAP memiliki tampilan dan nuansa perangkat lunak spreadsheet lanjutan
setelah data sarat). Produktivitas pemrograman membangun DSS dapat ditingkatkan
dengan penggunaan templat, makro, dan alat lainnya.Most spreadsheet packages
provide fairly seamless integration by reading and writing common file struktur yang
memungkinkan interfacing mudah dengan database dan alat lainnya. Microsoft
Excel dan Lotus 1-2-3 adalah dua paket spreadsheet paling populer.
LeBlanc, Randalls, dan Swann (2000) menggambarkan
contoh yang sangat baik dari DSS berbasis model yang dikembangkan dalam
spreadsheet. Ini menugaskan manajer untuk proyek-proyek untuk perusahaan
konstruksi besar. Dengan menggunakan sistem, perusahaan tidak harus mengganti
manajer yang mengundurkan diri dan dengan demikian mengurangi biaya perjalanan
secara substansial. Buehlmann, Ragsdale, dan Gfeller (2000) mendeskripsikan DSS
berbasis spreadsheet untuk pembuatan panel kayu. Sistem ini menangani banyak
keputusan real-time yang rumit di lingkungan lantai toko yang dinamis.
Portucel Industrial mengembangkan DSS berbasis
spreadsheet lengkap untuk perencanaan dan penjadwalan produksi kertas. Lihat
DSS dalam Tindakan 3.8 dan Respicio, Captivo, dan Rodrigues
(2002). Spreadsheets dikembangkan untuk komputer pribadi, tetapi mereka juga
berjalan lebih besar komputer.
Kerangka kerja spreadsheet adalah dasar untuk spreadsheet multidimensi dan alat
OLAP, yang dijelaskan dalam bab berikutnya.
Komentar
Posting Komentar