Pertemuan 10

Pengembangan Model SPK

Konsel Model

Secara umum model digunakan untuk memberikan gambaran, memberikan penjelasan dan memberikan perkiraan dari realitas yg diselidiki.

Karakteristik model yg baik (Siregar, 1991) :

1. Tingkat generalisasi yg tinggi
   Semakin tinggi derajat generaslisasi suatu model, maka semakin baik, sebab kemampuan model untuk memecahkan masalah semakin besar.
2. Mekanisme transparansi
   Model dikatakan baik jika kita dpt melihat mekanismenya dalam memecahkan masalah.
3. Potensi untuk dikembangkan
   Mampu menarik minat peneliti untuk meneliti lebih jauh 
4. .Peka terhadap perubahan asumsi
   Menunjukkan proses pemodelan tdk pernah berakhir, selalu memberi celah utk membangkitkan asumsi

Penyederhanaan Sistem 

Tiga bentuk proses penyederhanaan sistem nyata dalam studi tentang sistem :

1. Analis sistem
   Dilakukan untuk memahami bagaimana suatu sistem yg diusulkan dapat beroperasi
2. Perancangan sistem
   Dalam hal ini yg menjadi sasaran adalah menghasilkan suatu sistem yg memenuhi beberapa spesifikasi
3. Postulasi sistem
   Merupakan karakteristik cara penerapan model dalam studi-studi sosial, ekonomi, politik dan kedokteran yg perilaku sistemnya diketahui, tetapi proses yg menghasilkan perilakunya tdk diketahui

Prinsip Pembuatan Model 

Empat prinsip dalam membuat model :

1. Keterorganisasian (block buuilding) 
2. Relevansi (relevance) 
3. Keakuratan (accuracy)
4. Tingkat agresi (aggregation)

Prinsip-prinsip dalam pengembangan model pada umumnya : 

1. Elaborasi
   Penyederhanaan dilakukan dgn menggunakan asumsi ketat, yg tercantum pada jumlah, sifat dan relasi variabel-variabelnya, yg memenuhi persyaratan konsistensi, ekivalensi dan relevansi.
2. Analogi
   Menggunakan prinsip-prinsip hukum, teori yg sudah dikenal secara meluas tetapi belum pernah digunakan untuk memecahkan masalah yang dihadapi.
3. Dinamis
   Pengembangan model bukanlah proses yg bersifat mekanistik dan linier, jadi dalam pengembangannya munkin saja dilakukan pengulangan

Tiga faktor yg mempengaruhi sudut pandang (visi/ wawasan) :

1. Sistem nilai yg diyakini/dianut oleh pemodel
2. Ilmu pengetahuan yg dimiliki oleh pemodel 
3. Pengalaman hidup dari pemodel

Pengembangan Model

Secara umum memiliki dua tahapan proses yg tidak perlu berurutan dilakukan : 

1.  Pembuatan Struktur Model Menetapkan batas-batas sistem yg akan memisahkan sistem dari lingkungannya dan menetapkan komponen-komponen pembentuk sistem yg akan diikutsertakan atau dikeluarkan dari model 
2. Pengumpulan Data Untuk mendapatkan besaran-besaran atribut komponen yg dipilih dan untuk mengetahui hubungan yg terjadi pada aktifitas sistem

Klasifikasi Model

Gordon (1989) mengklasifikasikan model kedalam bentuk : 

1. Model Fisik Model ini didasarkan pada beberapa analogi antara sistem-sistem seperti mesin dgn listrik, atau listrik dgn hidrolika. 
2. Model Matematika Model ini menggunakan notasi-notasi dan persamaanpersamaan matematika untuk merepresentasikan sistem 
3. Model Statis Model dalam kategori statis, baik fisik atau matematika, memiliki nilai atribut yg berbeda dalam keadaan seimbang. 
4.  Model Dinamis Merupakan kebalikan dari model statis, model dinamis menunjukkan perubahan setiap saat akibat aktivitasaktivitasnya
5. Model Analitis Model yg penyelesaiannya dilakukan dengan teknik analitis, dgn menggunakan deduksi teori-teori matematika. 
6. Model Numerik Model yg diselesaikan dengan teknik numerik yg menghasilkan solusi melalui tahapan-tahapan perhitungan iteratif. 
7. Model Simulasi Penyelesaian dgn model ini dilakukan jika keadaan tidak memungkinkan untuk menggunakan cara analitik. Jika model matematika ini bersifat dinamis, penghitungan ini biasanya dilakukan dgn komputer (Emshoff, 1970)

Formulasi Model

Merupakan awal untuk membangun model formal yg menunjukkan ukuran Performansi sistem sebagai fungsi dari variabel-variabel model.

Siklus Model

Konsep dan ide dasar untuk pemodelan membentuk siklus model yg meliputi tiga fase : 

1. Fase Penentuan Masalah Analis akan menerima permasalahan-permasalahan dari pengambil keputusanuntuk diterjemahkan ke dalam suatu model. Kemudian dipertimbangkan teknik pemecahan
2. Fase Pengembangan Model Analis menentukan ruang lingkup sistem & tujuannya. Elemen sistem & hubungannya diterjemahkan dalam bentuk model konseptual utk dilakukan validasi atas data yg diperoleh, rancangan model dan model.
3.  Fase Pengambilan Keputusan Model disampaikan dalam bentuk presentasi ke pengambil keputusan dgn format yg mudah dipahami.

Read more ...

Rangkuman Pertemuan 4

LINGKUP DECISION SUPPORT SYSTEM (DSS) DAN EXPERT SYSTEM (ES)

Pengembangan Pendekatan SPK
      Siklus Hidup Pengembangan Sistem (System Development Life Cycle/SDLC), mrpkn metodologi yg masih banyak digunakan dalam membangun sistem, terutama untuk sistem yg besar dan kompleks.

Tingkat Teknologi SPKDibedakan berdasarkan 3 (tiga) macam :

1. SPK Khusus (Specific DSS)
        Merupakan SPK yg langsung digunakan untuk menyelesaikan suatu pekerjaan. Meliputi sistem informasi terapan, tetapi dgn karakteristik yg berbeda dgn pemrosesan data biasa. Contoh Sistem Interaktif Grafik dalam Evaluasi Penjadwalan Produksi (Suryadi, 1992).
Tingkat Teknologi SPK
2. Pembangkit SPK (DSS Generator)
       Merupakan perngkat keras dan lunak yg memiliki kemampuan utk mengembangkan SPK khusus secara cepat dan mudah. Meliputi fasilitas penyiapan laporan, bahasa simulasi, tampilan grafik, subrutin statistik dsb.Geodata Analysis and Display System (IBM) dan Interactive Financial Planning System (Executive System) mrpkn contohnya (Sprague, 1989).
3. Peralatan SPK (DSS Tools)
       Merupakan tingkatan teknologi yg paling mendasar dalam pengembangan SPK. Diantaranya dapat berupa bahasa pemrograman, sistem operasi komputer khusus, dbms dsb.
Pihak yg Berperan Dalam Pengembangan SPK

Ada lima pihak yg berperan dalam pengembangan SPK :

1. Manajer/Pemakai
    Pihak yg terlibat langsung dalam proses pengambilan keputusan.
2. Penghubung
    Pihak yg membantu pemakai 
3. Pembangun SPK/Fasilitator
    Pihak yg mengembangkan SPK khusus dari pembangkit SPK
4. Pendukung Teknik
    Pihak yg mengembangkan tambahan pengembangan pembangkit SPK
5. Pengembang Peralatan
    Pihak yg mengembangkan teknologi baru dan yg meningkatkan efisiensi hubungan antar                      subsistem dalam SPK

Dukungan Komputer dalam Pemecahan Masalah.



Waktu memutuskan penggunaan antara DSS dan ES.

         DSS memberikan dukungan pembuatan keputusan dalam bentuk laporan serta ouputs dari simulasi matematis. Data yang digunakan oleh DSS berupa numerik, namun data yang digunakan oleh ES lebih bersifat simbolik dan sering kali berbentuk teks naratif dan lebih menekankan logic routines.



DSS berbeda dengan ES dalam dua hal pokok:

DSS terdiri dari routine yang merefleksikan keyakinan manager dalam caranya memecahkan masalah, oleh karena itu keputusan yang dihasilkan oleh DSS merefleksikan gaya kemampuan manager. Sebaliknya ES memberikan peluang untuk mendapatkan kemampuan dalam membuat keputusan melebihi kemampuan yang dimiliki manager.
ES mempunyai kemampuan untuk menjelaskan jalur penalaran yang diikuti pencapaian pemecahan tertentu, seringkali penjelasan mengenai bagaimana pemecahan dicapai akan leibh berguna dari pada pemecahan itu sendiri.

Expert Sytem

          Expert System (ES) merupakan Subset pokok dari Artificial Intelegent (AI) , ES merupakan program komputer yang berfungsi dengan cara yang sama seperti ahli manusia, yaitu memberi advise pemakai mengenai cara pemecahan masalah dengan bantuan knowledge base, yang berperan sebagai konsultan, atau konsultasi dari pakar mengenai kepakarannya.

Jika menemukan masalah tentunya dapat memilih ES dari pada DSS /SPK, apabila:

Masalah tersebut melibatkan diagnosis situasi yang kompleks atau melibatkan pembuatan kesimpulan atau peringkasan dari volume data yang besar
Ada tingkat ketidak tentuan dalam aspek masalah tertentu.
Ada kemungkinan bagi ahli manusia untuk memecahkan masalah tersebut dalam jangka waktu yang wajar.

Komponen Model Expert Sytem

User interface, memungkinkan manager untuk memasukan insteruksi untuk menentukan parameter dan informasi dalam ES dan menerima informasi darinya.
Knowledge base, berisi fakta yang menejelaskan bidang masalah dan merepresentasikan teknik yang menjelaskan cara penggabungan fakta tersebut dalam cara yang logis dengan menggunakan rule (kaidah) tertentu hingga menghasilkan conclusion.
Inference engine, merupakan komponen dari ES yang melakukan penalaran dengan menggunakan isi dari knowledge base dengan urutan tertentu.
Development engine, digunakan untuk menciptakan ES yang melibatkan pembuatan himpunan rule dengan bantuan shell Expert System.
Inferensi System Pakar

         Inferensi dengan rule merupakan implementasi dari modus ponen, yang direfleksikan dalam mekanisme search (pencarian). Firing a rule: Bilamana semua hipotesis pada rule (bagian “IF”) memberikan pernyataan benar.

Ada dua metode inferencing dengan rule yaitu: Forward chaining atau disebut dengan Data-Driven.

Forward Chaining

          Forward Chaining adalah data driven, karena inferensi dimulai dengan informasi yang tersedia dan baru konklusi diperoleh. Jika suatu aplikasi menghasilkan Tree yang lebar dan tidak dalam, maka gunakan forward chaining.

Sifat Forward Chaining: …

Good for monitoring, planning, and control.
Look from present to future.
Works from antecendent to consequent
Is data driven bottom-up reasoning
Work forward to find what solutions follow from the fact.
It facilitates a breadth –first search.
The antecedents determine the search.
It does not facilitate explanation

Example: 
Sistem pakar : penasihat keuangan.
Kasus : Seseorang berkonsultasi, tepat atau tidak jika berinvestasi pada stok IBM.

Variabel-variabel yang terikat:

Memiliki uang $10.000,- untuk investasi.
Berusia < 30 tahun
Tingkat pendidikan pada level college.
Pendapatan minimum pertahun $40.000,-
Investasi pada bidang sekuritas (Asuransi).
Investasi pada saham pertumbuhan (growth stock).
Investasi pada saham IBM
Catt: Setiap variabel dapat bernilai TRUE or False.

Rule 

RULE yang ada sebagai berikut:

IF seseorang memiliki uang $10.000,- untuk berinvestasi AND dia berpendidikan pada level College THEN dia harus berinvestasi pada bidang sekuritas.
 IF seseorang memiliki pendapatan pertahun min $40.000,- AND dia berpendidikan pada level college THEN dia harus berinvestasi pada saham pertumbuhan (Growth Stocks).
IF seseorang berusia < 30 tahun AND dia berinvestasi pada bidang sekuritas THEN dia sebaiknya berinvestasi pada saham pertumbuhan.
IF seseorang berusia <30 tahun dan > 22 tahun THEN dia berpendidikan college.
IF seseorang ingin berinvestasi pada saham pertumbuhan THEN saham yang dipilih adalah saham IBM.

RULE SIMPLIFICATION 

IF A AND C, THEN E
IF D AND C, THEN F
IF B AND E, THEN F
IF B, THEN C
IF F, THEN G

Forward Chaining - Start With A 

Backward Chaining

Pendekatan goal-driven, dimulai dari ekspektasi apa yang diinginkan terjadi (hipotesis), kemudian mengecek pada sebab-sebab yang mendukung (ataupun kontradiktif) dari ekspektasi tersebut.
Jika suatu aplikasi menghasilknan tree yang sempit dan cukup dalam, maka gunakan backward chaining

Sifat Goal-Driven:

Good for diagnosis
Look from present to past
Work from consequent to antecedent.
Is goal driven top-down reasoning.
Works backward to find fact that support to hypothesis
It facilitates a depth-first search.
The consequents determine the search.
It does facilate explanation

Langkah Kerja

Program dimulai dengan tujuan (goal) yang diverifikasi apakah bernilai TRUE atau FALSE
Kemudian melihat rule yang mempunyai GOAL tersebut pada bagian konklusinya.
Mengecek pada premis dari rule tersebut untuk menguji apakah rule tersebut terpenuhi (bernilai TRUE).
Pertama dicek apakah ada assertionnya:
Jika pencarian tersebut gagal, maka ES akan mencari rule lain yang memiliki konklusi yang sama dengan rule pertama tadi.
Tujuannya adalah membuat rule kedua terpenuhi (satisfy)
Proses tersebut berlanjut sampai semua kemungkinan yang ada telah diperiksa atau sampai rule inisial yang diperiksa dengan GOAL telah terpenuhi.
Jika GOAL terbukti FALSE, maka GOAL berikut yang dicoba.
Backward Chaining - Start With G

Backward Chaining - Start With G

Inference Tree

Fungsi dari Inference Engine:

Fire the rule
Memberikan pertanyaan pada user.
Manambahkan jawaban pada working memory (WM) atau Blackboard.
Mengambil fakta baru dari suatu rule (dari hasil inferensi).
Menambahkan fakta baru tersebut pada WM.
Mencocokan fakta pada WM dengan rule.
Jika ada yang cocok (matches), maka fire rules tersebut.
Jika ada dua rule yang cocok, cek dan pilih rule mana yang menghasilkan goal yang diinginkan.
Fire the lowest-numbered unfired rule.
EXPLANATION

Human expert memberikan justifikasi dan penjelasan (explain) dari apa yang mereka lakukan.
 ES harus dapat melakukan hal yang sama.
Explanation: disediakan oleh ES untuk mengklarifikasi proses reasoning, rekomendasi, dan tindakan lainnya. (mis: asking a question)
Explanation facility (justifier).

Tujuan Explanation:

Membuat sistem lebih intelligible.
Menjelaskan situasi yang unanticipated (tak terantisipasi).
Memuaskan psikologis user dan atau social needs.
Klarifikasi dari dari asumsi yang diperoleh pada saat sistem beroperasi.
Mengatur sensitivitas analisis

Manfaat dan Kelemahan Sistem Pakar

Manfaat sistem pakar:
Mempertimbangkan alternatif yang lebih banyak.
Menerapkan tingkat logika yang lebih tinggi.
Mempunyai waktu yang lebih banyak untuk mengevaluasi hasil keputusan.
Pemecahan konsisten yang lebih banyak

Kelemahan Sistem pakar:

Membatasi potensinya sebagai alat pemecah masalah bisnis, tidak dapat mengatasi pengetahuan yang tidak konsisten.
Expert sistem tidak dapat untuk melakukan keterampilan intuitif, sebagaimana seperti yang dimiliki oleh user.

Read more ...