NOTA_versi_BM_MODUL_CBSS4103_-_Bab1_-_Bab_9_Sistem_Sokongan_Keputusan

CBSS4103 SISTEM SOKONGAN KEPUTUSAN

1

NOTA CBSS 4103

SISTEM SOKONGAN KEPUTUSAN

Bab 1 – 9

SEMESTER SEPTEMBER 2007

Empunya ;

Kariah Hj Supertan


2

TAJUK 1 : HUMAN AND MANAGERIAL DECISIONTAJUK 1 : HUMAN AND MANAGERIAL DECISIONTAJUK 1 : HUMAN AND MANAGERIAL DECISIONTAJUK 1 : HUMAN AND MANAGERIAL DECISION----MAKINGMAKINGMAKINGMAKING

Manusia dan Pengurusan Pembuatan KeputusanManusia dan Pengurusan Pembuatan KeputusanManusia dan Pengurusan Pembuatan KeputusanManusia dan Pengurusan Pembuatan Keputusan

Pengenalan:Pengenalan:Pengenalan:Pengenalan:

Pengurus bertanggungjawab di mana mereka perlu ambil tindakan bagi pihak organisasi

seperti memperuntukkan sumber, merundingkan perjanjian, mengawasi prestasi organisasi

dan membetulkan penyimpangan drp perancangan

1.11.11.11.1 Pengenalan Kpd Pembuatan KeputusanPengenalan Kpd Pembuatan KeputusanPengenalan Kpd Pembuatan KeputusanPengenalan Kpd Pembuatan Keputusan

Eleanor RooseEleanor RooseEleanor RooseEleanor Roosevelt: velt: velt: velt:

“ Somewhere along the line of development we really are, and then we make our real decision

for which we are responsible. Make that decision primarily for yourseft because you can never

really live anyone else’s life.”

Di mana sahaja di sepanjang garis pembangunan kita menemui apa yg kita ada, dan

kemudiannya kita membuat keputusan kita yg sebenar utk yang kita dipertanggungjawabkan.

Membuat keputusan itu terutamanya utk diri kita sebab kamu sebenarnya tidak akan hidup

dlm kehidupan individu yang lain”

Keputusan ( Decision) : Keputusan ( Decision) : Keputusan ( Decision) : Keputusan ( Decision) :

• Kesimpulan atau pilihan alasan di kalangan pelbagai alternatif / pilihan.

• Kita membuat sebilangan keputusan, keputusan peribadi adalah seperti keputusan

perniagaan dalam kehidupan kita

Keputusan Keputusan Keputusan Keputusan termasuklah:termasuklah:termasuklah:termasuklah:

• Apa yg perlu dipakai untuk ke pejabat

• Ke mana nak pergi semasa cuti sekolah

• Insuran nyawa yang manakah untuk di beli

• Berapa ramai tutor utk diambil bagi kursus computer

Setiap keputusan dibina oleh:Setiap keputusan dibina oleh:Setiap keputusan dibina oleh:Setiap keputusan dibina oleh:

• Kenyataan keputusan

• Himpunan alternatif2

• Himpunan kriteria2


3

Teknik beTeknik beTeknik beTeknik berkesan utk membuat keputusan:rkesan utk membuat keputusan:rkesan utk membuat keputusan:rkesan utk membuat keputusan:

Arsham, 2005Arsham, 2005Arsham, 2005Arsham, 2005 : keputusan membabitkan tiga langkah:

• Pengiktirafan ke atas keperluan: ketidakpuas hati dgn diri sendiri ( kekosongan /

keperluan )

• Keputusan kpd perubahan ( utk mengisi kekosongan / keperluan )

• Kesedaran dedikasi kpd melaksana keputusan

Membuat Keputusan bermaksud :Membuat Keputusan bermaksud :Membuat Keputusan bermaksud :Membuat Keputusan bermaksud :

Turban, 2005Turban, 2005Turban, 2005Turban, 2005 : Proses daripada kewarasan dikalangan alternatif-alternatif yang dapat

digunakan utk tujuan mengenai penyempurnaan satu tujuan / tujuan-tujuan

Harris, 1998Harris, 1998Harris, 1998Harris, 1998: kajian dalam mengenalpasti dan memilih alternatif berdasarkan nilai-nilai dan

keutamaan-keutamaan drp pembuat keputusan dan proses yg mencukupi mengurangkan

keadaan yg tidak menentu dan keraguan mengenai alternatif-alternatif utk membenarkan satu

pilihan yg munasabah untuk dibuat drp kalangan mereka.

Arsham, H., 2005Arsham, H., 2005Arsham, H., 2005Arsham, H., 2005 : model/contoh/jenis membuat keputusan mungkin membenarkan untuk

hanya tiga sistem unik semasa membuat keputusan:

• IndividualismeIndividualismeIndividualismeIndividualisme : yg mana ketidaksamaan akses (perolehan), menikmati pertandingan,

dan pengenalpastian dgn kuasa dan individu yang betul

• KolaborasiKolaborasiKolaborasiKolaborasi : yang mana menganggap semua manusia mempunyai kepentingan bersama,

menaikkan usaha kolaborasi dan kenalpasti dgn demokrasi yang tidak terbatas

• Kuasa dan KewibawaanKuasa dan KewibawaanKuasa dan KewibawaanKuasa dan Kewibawaan : yang mana menghormati kuasa dan pengenalpastian dgn

kawalan hak/ kewibawaan

Alternatif : keputusan yang wujud boleh di bina / buat

Harris, 1998 : JenisHarris, 1998 : JenisHarris, 1998 : JenisHarris, 1998 : Jenis----Jenis Keputusan ;Jenis Keputusan ;Jenis Keputusan ;Jenis Keputusan ;

• Decisions Whether ( Keputusan Sama Ada )

• Decisions Which ( Keputusan Yang Mana )

• Contingent Decisions ( Kontinjen Keputusan – yang mungkin berlaku / kebetulan )


4

Latihan 1Latihan 1Latihan 1Latihan 1

1. Apakah Keputusan?

KeputusanKeputusanKeputusanKeputusan adalah bentuk-bentuk tindakan yang diambil untuk menyelesaikan masalah

2. Perbezaan antara Decision Whether dan Contingent Decisions?

Decision WhetherDecision WhetherDecision WhetherDecision Whether Contingent DecisionsContingent DecisionsContingent DecisionsContingent Decisions

Ya atau Tidak Keputusan yang telah dibuat tetapi memegangnya

sehingga menjumpai situasi yang sesuai

Keputusan mesti dibuat sebelum

memilih altirnatif

Cth : Saya akan membeli kereta jika saya

memperoleh harga yang berpatutan

Cth: Saya patut membeli kereta

baru

1.21.21.21.2 Pengurus dan Pembuatan KeputusanPengurus dan Pembuatan KeputusanPengurus dan Pembuatan KeputusanPengurus dan Pembuatan Keputusan

Pengurus adalah pembuat keputusan

Minztberg, 1980Minztberg, 1980Minztberg, 1980Minztberg, 1980 : pengurus melaksanakan 10 peranan yang boleh diklasifikasikan kpd 3

kategori utama :

• InterpersonalInterpersonalInterpersonalInterpersonal

• InformationalInformationalInformationalInformational

• DecisionalDecisionalDecisionalDecisional

10 peranan pengurusan oleh Minztberg, 1980 :10 peranan pengurusan oleh Minztberg, 1980 :10 peranan pengurusan oleh Minztberg, 1980 :10 peranan pengurusan oleh Minztberg, 1980 :

InterpersonalInterpersonalInterpersonalInterpersonal

Figurehead

(boneka)

kepala simbolik bertanggungjawab untuk melaksanakan beberapa

tugas rutin berbentuk perundangan/sosial.

Leader

(pemimpin)

Bertanggungjawab untuk memotivasikan dan menggerakkan semua

kaki tangan dan juga bertanggungjawab tentang tugas-tugas

berkaitan dengan staf, latihan dan hubungan

Liaison

(perhubungan)

Mengekalkan rangkaian bina sendiri dengan pihak-pihak luar serta

pemberi-pemberi maklumat

InformationalInformationalInformationalInformational

Monitor

(pengawas)

Mencari dan menerima pelbagai maklumat khusus untuk membina

pemahaman yang menyeluruh tentang organisasi dan persekitarannya

Disseminator

(penyebar)

Menyebar maklumat yang diterima dari pihak luar atau daripada

kakitangan sendiri kepada ahli-ahli maklumat luaran/dalaman

organisasi


5

Spokesperson

(jurucakap)

Menyebarkan maklumat kepada pihak-pihak luar tentang polisi-

polisi, plan-plan, juga bertindak sebagai pakar tentang industri

organisasi

DecisionalDecisionalDecisionalDecisional

Entrepreneur

(pengusaha)

mencari organisasi dan persekitaran untuk peluang dan permulaan

memantapkan projek utk membawa kepada perubahan; menyelia

reka bentuk drp projek tertentu

Disturbance

Handler

(penyelesai

gangguan)

Bertanggungjawab untuk membetulkan perkhidmatan apabila

organisasi menghadapi gangguan yang tidak dijangka atau penting

Resource Allocator

(peruntukan

sumber)

Bertanggungjawab utk peruntukan sumber organisasi drp semua

jenis kesan dalam membuat atau menerima semua keputusan

organisasi yang penting.

Negotiator

(perunding)

Bertanggunghjawab utk mempersembahkan organisasi pada

perundingan

Keputusan boleh diklasifikasikan selaras dgn tingkat organisasi

Anthony, 1965 :Anthony, 1965 :Anthony, 1965 :Anthony, 1965 :

strategic planningstrategic planningstrategic planningstrategic planning ( ( ( ( perancangan strategicperancangan strategicperancangan strategicperancangan strategic ) ) ) ) adalah dibuat pada tahap atas pengurusan

organisasi, dan membuat keputusan utk mengesan keseluruhan organisasi. Ia melibatkan

pembuatan keputusan dalam menentukan objektif-objektif, menubuhkan dasar,

menguntukkan sumber-sumber, mengawal pelaksanaan organisasi dan menilai pelaburan.

Perancangan Strategik

Kawalan Pengurusan

Pelaksanaan Operasi

Kawalan Operasi


6

Management controlManagement controlManagement controlManagement control ( Kawalan Pengurusan ) ( Kawalan Pengurusan ) ( Kawalan Pengurusan ) ( Kawalan Pengurusan ), or tactical decisiontactical decisiontactical decisiontactical decision ( keputu ( keputu ( keputu ( keputusan taktikal )san taktikal )san taktikal )san taktikal ), adalah

dibuat oleh pengurus-pengurus pertengahan,termasuk proses keputusan yang berkaitan

dengan pemerolehan dan guna sumber. Ia memberi kesan pada sebahagian organisasi utk satu

masa terhad pada masa depan..

Operational control Operational control Operational control Operational control ( Kawalan ( Kawalan ( Kawalan ( Kawalan Operasi )Operasi )Operasi )Operasi ) dikaitkan dengan keberkesanan

tindakan-tindakan organisasi, mengawal kualiti produk / servis dan menilai terhadap

keperluan-keperluan product/servis....

Operational performance Operational performance Operational performance Operational performance ( Pelaksanaan Operasi ) ( Pelaksanaan Operasi ) ( Pelaksanaan Operasi ) ( Pelaksanaan Operasi ) melibatkan pembuatan keputusan hari ke hari

di unit-unit fungsian. Keputusan dibuat untuk dilaksanakan keputusan strategic, taktik

fungsian dan aktiviti operasi. Dengan setiap tahap drp keputusan organisasi, keputusan

klasifikasi kajian berstruktur, semi struktur dan tidak berstruktur

Structured decisStructured decisStructured decisStructured decisions ions ions ions (keputusan distrukturkan) adalah lazim dan berulang. seperti

keputusan tersedia untuk dihasilkan prosedur pengendaliannya.Sebagai mana yang berlaku,

Kita tidak perlu memikirkan dari mula bagaimana untuk menanganinya.

unstructured decisions unstructured decisions unstructured decisions unstructured decisions (keputusan yang tidak diprogramkan) adalah kompleks dan sukar

ditemui. Seperti keputusan yang tidak dipastikan atau kaedah cut and dried untuk

menanganinya. Seperti tidak pernah wujud sebelumnya. Mungkin juga lebih penting , oleh itu

perlu menjadi rawatan kebiasaan

SemiSemiSemiSemi----structured decision structured decision structured decision structured decision adalah mempunyai jumlah aspek berstruktur yang banyak tetapi

tidak boleh dilengkapkan (Mallach, 2000).

1.31.31.31.3 Proses Pembuatan KeputusanProses Pembuatan KeputusanProses Pembuatan KeputusanProses Pembuatan Keputusan

Simon (1960),Simon (1960),Simon (1960),Simon (1960), proses terdiri daripada tiga fasa : intelligenceintelligenceintelligenceintelligence (kepintaran) (kepintaran) (kepintaran) (kepintaran), design, design, design, design (rekabentuk) (rekabentuk) (rekabentuk) (rekabentuk)

dan dan dan dan choice choice choice choice (pilihan) (pilihan) (pilihan) (pilihan) Proses tersebut melibatkan penemuan masalah untuk diselesaikan.

Proses ini adalah aliran berterusan daripada satu fasa ke fasa yang lain. Walau bagaimana pun

pada mana-mana fasa, boleh berpatah-balik ke fasa sebelumnya. Setiap keputusan haruslah

melibatkan semua fasa, seminima mungkin.


7

Penekanan atas setiap fasa berbeza daripada suatu keputusan kpd dua yang lain:

a. sifat semulajadi keputusan mungkin memerlukan pembuat keputusan utk menyediakan

masa yg lebih dalam satu fasa atau yang lainnya

b. pembuat keputusan mungkin memberi penekanan ke atas satu fasa / yang lain,

bergantung ke atas cara kelakuannya

1.3.11.3.11.3.11.3.1 Fasa Intelligence ( Fasa Intelligence ( Fasa Intelligence ( Fasa Intelligence ( Fasa KecerdasanFasa KecerdasanFasa KecerdasanFasa Kecerdasan ) ) ) )

- fasa pertama dalam proses membuat keputusan

- pembuat keputusan perlu mengenalpasti dan menyatakan masalah atau keadaan yang

memerlukan penyelesaian

- aktiviti penelitian / pengimbasan mungkin dilakukan secara berkala atau secara

berterusan

- untuk melaksanakan aktiviti, pembuat keputusan hendaklah meninjau objektif

organisasi, menyelidik dan teliti prosedur, dan memahami data yang relevan

- memahami mengapakah terjadinya masalah, di manakah ianya berlaku, dan apakah

kesannya (Laudon and Laudon, 1999).

- Produk akhir fasa ini ialah kenyataan masalah (problem statementproblem statementproblem statementproblem statement.)


8

(a) Find the ProblemFind the ProblemFind the ProblemFind the Problem ( Dapatkan M ( Dapatkan M ( Dapatkan M ( Dapatkan Masalah )asalah )asalah )asalah )

- mulakan fasa kecerdasan dengan mengenalpastinya matlamat organisasi dan objektif

- Tentukan sama ada matlamat dan objektif telah dipenuhi atau tidak

- Masalah-masalah timbul sekiranya terdapat rasa tdk puas hati dgn cara yang dilakukan

- ketidakpuasan hati adalah perbezaan antara apa yang diinginkan dan apa yang berlaku

atau tidak berlaku.

- menilai kewujudan masalah, tahap produktiviti pengelolaan harus diawasi dan analisis

(Turban et al., 2005).

- Jika sesuatu masalah benar-benar wujud, seseorang harus mendapatkan tanda-tanda

bermasalah, menentukan betapa penting bermasalah dan menyatakan masalah dengan

jelas.

(b) Classify ProblemClassify ProblemClassify ProblemClassify Problem ( Mengkelaskan Masalah ) ( Mengkelaskan Masalah ) ( Mengkelaskan Masalah ) ( Mengkelaskan Masalah )

- utk mengkelaskan masalah ke dalam kategori yang boleh ditakrifkan

- Pendekatan terbaik , khaskan masalah mengikut tahap structuredness ( berstruktur)

- Menurut Simon (1977), terdapat dua situasi ekstrem tentang strukturan penyelesaian

masalah : masalah berstruktur dan bukan berstruktur.

- Masalah bukan berstruktur dan semi berstruktur berkecenderungan kpd mendapatkan

struktur sebagai proses penyelesaian keluar.

(c) Decompose ProblemDecompose ProblemDecompose ProblemDecompose Problem ( Penguraian Masalah ) ( Penguraian Masalah ) ( Penguraian Masalah ) ( Penguraian Masalah )

- utk mengawal masalah yg kompleks, masalah perlu dibahagikan kpd sub-masalah

- su-masalah mudah diuruskan

- penyelesaian sub-masalah sederhana membantu dalam penyelesaian masalah- masalah

kompleks

- bila masalah terdiri drp sub-masalah berstruktur dan tidak berstruktur, masalah itu dgn

sendirinya semi-berstruktur

- pendekatan penghuraian memudahkan komunikasi dikalangan orang yang terlibat dalam

proses penyelesaian masalah .

(d) Establish Problem OwnershipEstablish Problem OwnershipEstablish Problem OwnershipEstablish Problem Ownership ( Buktikan Pemilik Masalah ) ( Buktikan Pemilik Masalah ) ( Buktikan Pemilik Masalah ) ( Buktikan Pemilik Masalah )

- setiap masalah yang dikesan, mesti dipunyai oleh sebarang individu atau mana-mana

jabatan dalam organisasi


9

- individu atau kumpulan dalam organisasi mesti mempunyai masalah sepertimana yang

organisasi bersetuju untuk bertenggungjawab utk menyelesaikan masalah atau

mempunyai kemampuan utk menyelasaikan masalah

Fasa ini berakhir dengan kenyataan masalah formal (formal problem statementformal problem statementformal problem statementformal problem statement.)

- Sekiranya pembuat keputusan organisasinya tidak mampu utk menyelasaikan masalah,

ianya akan menyatakan bahawa masalah itu tidak dipunyai oleh sesiapa

- keadaan tersebut tidak mencetuskan fasa seterusnya terhadap proses penyelesaian

masalah.

Exercise 1.3Exercise 1.3Exercise 1.3Exercise 1.3

What do you think executives in many organisations are paid to do? To

think or to do routine tasks? Explain. Sebagai tugasan harian agar proses pembuatan

keputusan dan penyelasaian masalah lebih memuaskan dan efektif.

1.3.21.3.21.3.21.3.2 Fasa Reka BentukFasa Reka BentukFasa Reka BentukFasa Reka Bentuk

- melibatkan membangunkan dan menganalisis haluan yg boleh berlaku daripada aksi

kepada menyelesaikan masalah.

- Dicadangkan keputusan kepada masalah atau alternatif yg dibangunkan

- Pembuat keputusan perlu melakukan kajian yang banyak alternatif yg sedia ada

- Objektif drp keputusan yang akan dibuat mestilah jelas dan mudah dikenalpasti.

a. Bina Model Sistema. Bina Model Sistema. Bina Model Sistema. Bina Model Sistem

Model SistemModel SistemModel SistemModel Sistem : memudahkan gambaran atau memisahkan sistem atau masalah

Pembolehubah:Pembolehubah:Pembolehubah:Pembolehubah:

i. Keputusan Berubah ( Decision Variables ) : menjelaskan alternatif-alternatif pembuat

keputusan mesti dipilih diantaranya

ii. Hasil berubah atau set daripada hasil pembolehubah-pembolehubah : menjelaskan sasaran

drp pembuatan keputusan

iii. pembolehubah tidak terkawal : penjelasan ttg persekitaran spt keadaan ekonomi

Proses pemodelan akan menentukan pembolehubah dan mengukuhkan hubungan di antara

pembolehubah yg mungkin eujud dalam situasi masalah.


10

b. Set Kriteria Untuk Pemilihanb. Set Kriteria Untuk Pemilihanb. Set Kriteria Untuk Pemilihanb. Set Kriteria Untuk Pemilihan

� menentukan criteria dlm menerima pendekatan penyelesaian

� bagaimana pembuat keputusan mengutarakan objektif pembuatan keputusannya

� bagaimana objektif2 digabungkan ke dlm model

c. Menjana Alternatifc. Menjana Alternatifc. Menjana Alternatifc. Menjana Alternatif

- ketersediaan dan kos drp maklumat dan juga ketersediaan drp kepakaran dalam kawasan

masalah

- Cth: sesi ‘brainstorming’ : disokong dgn perisian brainstorming elektronik utk mendapatkan

alternatif.

- hasil drp setiap alternatif yg dicadangkan mestilah dibuktikan

d. Meramal dan Mengukur Hasild. Meramal dan Mengukur Hasild. Meramal dan Mengukur Hasild. Meramal dan Mengukur Hasil

- dalam mendapatkan hasil yang diramalkan drp setiap alternative yg dicadangkan

membolehkan pembuat keputusan untuk menentukan alternative yang manakah akan

bersesuaian dgn penyelesaian yang memuaskan

- hasil drp setiap alternative boleh dihuraikan dalam sasaran organisasi,

- hasil seperti memaksimakan keuntungan boleh diukr dalam Ringgit Malaysia

- hasil drp kepuasan pelanggan boleh diukur melalui jumlah aduan atau kedudukan daripada

kajian atau tinjauan

1.3.31.3.31.3.31.3.3 Fasa PilihanFasa PilihanFasa PilihanFasa Pilihan : : : :

- pembuat keputusan membuat keputusannya

- terdiri drp pencarian, penilaian dan perakuan daripada penyelesaian yang memuaskan kpd

binaan model dlm fasa reka bentuk

- akhirnya : keputusan akan dilaksanakan

a. Mena. Mena. Mena. Menilai / Mentafsir Alternatifilai / Mentafsir Alternatifilai / Mentafsir Alternatifilai / Mentafsir Alternatif

- menyelesaikan model menghasilkan keputusan yang diperakukan kepada masalah yang

nyata.

- penyelesaian yang dicadangkan diaplikasikan kpd model utk diuji kebolehlaksanaannya

- Utk menyelesaikan model yg dibina pada fasa reka bentuk, alternatif-alternatif perlu

dinilaikan.

- untuk melakukan penilaian kpd alternative, pembuat keputusan perlu data yang luas ke atas

pelbagai alternative dan peralatan analisis data. Ini untuk menjelaskan ke semua kos, akibat

dan kesempatan/peluang. ( Laudon and Laudon, 1999Laudon and Laudon, 1999Laudon and Laudon, 1999Laudon and Laudon, 1999 )


11

b. Memilih Penyelesaian Yang Terbaikb. Memilih Penyelesaian Yang Terbaikb. Memilih Penyelesaian Yang Terbaikb. Memilih Penyelesaian Yang Terbaik

- keputusan yg baik perlulah dipilih berdasarkan situasi yang wujud pada ketika ini. dan juga

keadaan yang diharapkan dan dijangkakan pada masa penyelesaian akan dilaksanakan

sebenarnya. ( Marakas, 2003)

- penyelesaian model masalah tidak sama seperti menyelasaikan masalah nyata, ianya

memberikan idea drp kebolehlaksanaan penyelasaian yg dicadangkan ke atas masalah nyata.

Masalah perlu dipertimbangkan utk penyelasaian yang berjaya, hanya jika peyelesaian yang

diperakukan dilaksanakan dengan jayanya.

1.41.41.41.4 Bentuk / Gaya KeputusanBentuk / Gaya KeputusanBentuk / Gaya KeputusanBentuk / Gaya Keputusan : : : : menjelaskan mengenai cara / gaya pembuat keputusan

membuat keputusan

a. Konteks Masalaha. Konteks Masalaha. Konteks Masalaha. Konteks Masalah

- merujuk kepada daya bahawa bertindak kepada pembuat keputusan siapa yang bertindak

dlm membuat keputusan

- Kuasa drp organisasi dan persekitaran termasuklahperaturan kerajaan, teknologi baru, dan

persaingan pasaran

- kuasa drp sifat individu mengandungi set kemahiran, motivasi, dan kebolehan

- pembuat keputusan mestilah mampu utk mengimbangi semua kuasa ini semasa proses

membuat keputusan.

b. Persepsi b. Persepsi b. Persepsi b. Persepsi ( Tanggapan )( Tanggapan )( Tanggapan )( Tanggapan )

- merujuk kpd persepsi drp pembuat keputusan

- pembuat keputusan membawa kecondongan individu kpd konteks masalah

- masalah mestilah bersesuaian dgn realiti

- dlm menentukan pendekatan pembuat keputusan utk menyelesaikan masalah dan sama ada

pendekatan itu efektif, kecondongan persepsi akan berkait dgn konteks masalah

c. Nilai Personalc. Nilai Personalc. Nilai Personalc. Nilai Personal

- merujuk kpd nilai personal pembuat keputusan

- Nilai terdiri drp pandangan dan kepercayaan adalah diperolehi pada umur awal dan

kebiasaannya kekuatan berterusan keseluruhan hayat seseorang.

- nilai ini memandu ke arah pertimbangan seseorang, tindakan dan melihat kepada

penghasilannya.

Mereka bentuk DSS yang berjaya; Mereka bentuk DSS yang berjaya; Mereka bentuk DSS yang berjaya; Mereka bentuk DSS yang berjaya;

� system tersebut mestilah mantap situasi keputusan dan juga gaya/bentuk keputusannya.

� Sistem hendaklah fleksibel dan boleh disesauikan kpd pengguna yang berbeza.


12

Carl JungCarl JungCarl JungCarl Jung : dgn Skim Menkelasifikasikan Bentuk Keputusan;

� Mengkelaskan bentuk keputusan menggunakan dua bahagian komponen iaitu Kerumitan

Kognitif ( Cognitive Complexity ) dan Orientasi Nilai ( Value Orientation )

� Kedua-dua bahagian ini seterusnya digunakan utk mengenal empat kategori yang

berkesan iaitu analitikal, direktif (arahan), konseptual ( bergagasan ) dan perilaku (

behavioural )

1.51.51.51.5 Keberkesanan KeputusanKeberkesanan KeputusanKeberkesanan KeputusanKeberkesanan Keputusan : : : : merujuk kepada keberhasilan dalam menghasilkan keputusan

yang diingini dan dikehendaki

Marakas, 2003Marakas, 2003Marakas, 2003Marakas, 2003 : keputusan yang baik adalah hasil keputusan yang baik dalam pencapaian drp

objektif yang memberikan peningkatan terhadap perlunya keputusan dalam batasan dan

kekangan yang dikenakan oleh konteks masalah.

Kita membuat keputusan yg baik jika kita menyelesaikan masalah tanpa menyebabkan

masalah-masalah lain.

Masalah adalah, kita perlu menunggu dan melihat selepas kita membuat keputusan utk melihat

jika ianya adalah keputusan yang baik

Decision Forces ( Daya / kuasa Keputusan ):Decision Forces ( Daya / kuasa Keputusan ):Decision Forces ( Daya / kuasa Keputusan ):Decision Forces ( Daya / kuasa Keputusan ):

(a) Personal and Emotional Forces ( Daya Emosi dan Personal )Personal and Emotional Forces ( Daya Emosi dan Personal )Personal and Emotional Forces ( Daya Emosi dan Personal )Personal and Emotional Forces ( Daya Emosi dan Personal )

- terdiri drp perasaan, kesihatan, keselamatan, penghargaan, kekecewaan, kebimbangan,

segala yang bermakna,dan limitasi kognitif

- mempunyai kesan ke atas proses memutuskan alternative yang sesuai.

- minda manusia mempunyai had dalam kemampuan utk menyimpan dan memproses

pengetahuan.

- kajian membuktikan bahawa minda manusia mempunyai kemampuan yang terhad utk

memproses pengetahuan.

(b) Economic/Environmental Forces ( Daya Persekitaran / Ekonomi )Economic/Environmental Forces ( Daya Persekitaran / Ekonomi )Economic/Environmental Forces ( Daya Persekitaran / Ekonomi )Economic/Environmental Forces ( Daya Persekitaran / Ekonomi )

- terdiri drp sumber-sumber, polisi kerajaan, tekanan ruang pasaran yang kompetitif,

kemajuan teknologi, dan permintaan rakan kongsi

- pembuat keputusan perlu mengambil daya/kuasa ini ke dalam keterangannya.

- individu atau kombinasi drp kuasa-kuasa akan membentuk keputusan akhir.


13

(c) Organisational Forces ( Daya Organisasi )Organisational Forces ( Daya Organisasi )Organisational Forces ( Daya Organisasi )Organisational Forces ( Daya Organisasi )

- terdiri drp polisi dan prosedur, budaya organisasi dan koordinasi penstafan.

- jika organisasi menyemai budaya tidak menerima idea baru kpd organisasi, keputusan yang

akan dibuat oleh pihak atasan dan juga pekerja bawahan akan terjejas/ tergendala

(d) Contextual and Emergent ForcesContextual and Emergent ForcesContextual and Emergent ForcesContextual and Emergent Forces ( Kuasa Baru dan Meng( Kuasa Baru dan Meng( Kuasa Baru dan Meng( Kuasa Baru dan Mengikut Konteks )ikut Konteks )ikut Konteks )ikut Konteks )

- asas drp konteks masalah itu sendiri

- beberapa contoh drp isu-isu dikaitkan kpd kuasa/ daya adalah kemhiran, motivasi, persepsi,

dan yang paling utama ialah keperluan masa

- batasan masa mencipta ketegangan dan tekanan ke atas pembuat keputusan

- pembuat keputusan mampu utk mengatasi dgn semua kuasa/daya, had masa tidak akan

menghasilkan dlm keputusan yang kualiti yg rendah.

Utk memperoleh keputusan yg efektif, pembuat keputusan mestilah mengimbangi kuasa-

kuasa tersebut.

Power (2002)Power (2002)Power (2002)Power (2002) menyenaraikan beberapa halangan utk mengawal kpd keputusan yg berkesan;

iaitu

(i) Tradition and BiasTradition and BiasTradition and BiasTradition and Bias ( Tradisi dan Berat sebelah ) ( Tradisi dan Berat sebelah ) ( Tradisi dan Berat sebelah ) ( Tradisi dan Berat sebelah )

- akan mempengaruhi / menyusur ke dalam proses membuat keputusan, persoalan yg tepat ke

atas keputusan

- bimbang drp perubahan dan takut gagal atau disebabkan oleh tradisi

- tradisi adalah set adat resam atau kelaziman didikan drp satu generasi kepada yang lain.

- menyebabkan pembuat keputusan enggan utk merubah gaya pemikirannya yang boleh

digunakannya dalam sitasi / keadaan yang baru.

(ii) Lack of Knowledge ( Kekurangan Pengetahuan )(ii) Lack of Knowledge ( Kekurangan Pengetahuan )(ii) Lack of Knowledge ( Kekurangan Pengetahuan )(ii) Lack of Knowledge ( Kekurangan Pengetahuan )

- menawan pengalaman dan pengetahuan keputusan, terutamanya utk mengulang situasi

boleh mengurangkan halangan ini

(iii) Improper Use of Decision Aids ( Janggal Dalam Mengguna Bantuan Keputusan)(iii) Improper Use of Decision Aids ( Janggal Dalam Mengguna Bantuan Keputusan)(iii) Improper Use of Decision Aids ( Janggal Dalam Mengguna Bantuan Keputusan)(iii) Improper Use of Decision Aids ( Janggal Dalam Mengguna Bantuan Keputusan)

- kesempurnaan dan ketepatan maklumat dlm DSS tidak terjamin

- DSS mestilah di rekabentuk utk membekalkan kesan yg positif ke atas tingkahlaku

keputusan individu atau kumpulan

- Bila dan bagaimana DSS akan digunakan dlm proses membuat keputusan juga perlu jelas

sebelum direkabentuk dan diimplementasikan


14

1.61.61.61.6 Rangka Kerja untuk Sokongan KeputusanRangka Kerja untuk Sokongan KeputusanRangka Kerja untuk Sokongan KeputusanRangka Kerja untuk Sokongan Keputusan

Cadangan Gorry dan Scott Morton (1971)Gorry dan Scott Morton (1971)Gorry dan Scott Morton (1971)Gorry dan Scott Morton (1971) selepas kombinasi dgn Simon (1977) dan Anthony

(1965)

StructuredStructuredStructuredStructured ( berstrukturberstrukturberstrukturberstruktur ): keputusan ditumpukan ke atas rutin (perkara biasa ) dan masalah-

masalah yang berulang. Satu piawai keputusan diwujudkan bagi menyelasaikan masalah itu.

Bantuan teknologi yang boleh digunakan untuk menyokong pembuatan keputusan ialah Sistem

Maklumat Pengurusan (MIS), Model Sains Pengurusan (MSM), dan pemprosesan data.

UnstructuredUnstructuredUnstructuredUnstructured ( ( ( ( Tidak BerstrukturTidak BerstrukturTidak BerstrukturTidak Berstruktur ) ) ) ) : keputusan bermatlamat pada masalah-masalah kelihatan

tdk jelas dan kompleks.Tiada kaedah penyelesaian yang standard.Contoh-contoh masalah

unstructured berdasarkan pada pengambilan kakitangan untuk mempromosikan, memilih satu

set projek-projek yang baru dan perancangan untuk penambahbaikan perkhidmatan.

Sebahagian daripada masalah ini diskong oleh teknologi seperti Sistem-sistem Pakar (ES) ,

Sistem Sokongan Kumpulan( GSS ) dan Sistem Pengurusan Pengetahuan ( KMS ).Walau

bagaimanapun, gerak hati manusia selalunya asas kepada membuat keputusan.

SemiSemiSemiSemi----structuredstructuredstructuredstructured ( Semi BerstrukturSemi BerstrukturSemi BerstrukturSemi Berstruktur ): Penyelesai keputusan kombinasi drp masalah berstruktur

dan tidak berstruktur. Kedua-dua piawai keputusan dan pertimbangan manusia diperlukan

bagi keputusan itu. DSS menawarkan model untuk sebahagian masalah berstruktur. Teknologi

boleh ini meningkatkan mutu bagi maklumat yang mana keputusan diasaskan melalui

penyediaan satu set penyelesaian pilihan juga kesan yang berpotensi

AnthonyAnthonyAnthonyAnthony’s (1965) taksonomi aktiviti pengurusan’s (1965) taksonomi aktiviti pengurusan’s (1965) taksonomi aktiviti pengurusan’s (1965) taksonomi aktiviti pengurusan : perancangan strategic, kawalan pengurusan

dan kawalan pengoperasian ditunjukkan pada separuh kedua lingkungan rangka kerja

Strategic planningStrategic planningStrategic planningStrategic planning ( Perancangan Strategik ) ( Perancangan Strategik ) ( Perancangan Strategik ) ( Perancangan Strategik ) : : : : menentukan matlamat dan polisi jangka panjang

utk peruntukan sumber. Lazimnya, ianya adalah diperbuat pada tahap atas pengurusan

organisasi

Management controlManagement controlManagement controlManagement control, tacticaltacticaltacticaltactical ( Kawalan Pengurusan )( Kawalan Pengurusan )( Kawalan Pengurusan )( Kawalan Pengurusan ) : memastikan penyempurnaan daripada

matlamat organisasi secara guna yang cekap sumber pemerolehan. Berbeza dengan

perancangan yang strategik, pengurusan kawalan menumpukan kepada matlamat untuk satu

masa terhad.Ia yang Lazimnya dibuat oleh pengurus-pengurus pertengahan


15

Operational control Operational control Operational control Operational control ( Kawalan Operasi )( Kawalan Operasi )( Kawalan Operasi )( Kawalan Operasi )laksanakan tugas khusus dengan efisien dan efektif.Ia

membataskan dalam aktiviti-aktiviti yang mempunyai tugas dan matlamat yang boleh

ditakrifkan dalam perancangan yang strategik dan pengawalan pengurusan.... Kawalan jenis ini

diuruskan oleh pengurus tahap rendah

Management Science ( MS )Management Science ( MS )Management Science ( MS )Management Science ( MS ) : Sains pengurSains pengurSains pengurSains pengurusanusanusanusan adalah disiplin yang menggunakan analisis

kuantitatif (matematik) dan kaedah analisis lain utk membantu membuat keputusan bisnes

yang lebih baik

1.71.71.71.7 Proses Pembuatan Keputusan vs Sokongan DSS Proses Pembuatan Keputusan vs Sokongan DSS Proses Pembuatan Keputusan vs Sokongan DSS Proses Pembuatan Keputusan vs Sokongan DSS

- jelas bagaimanakah teknologi DSS yg khusus memberi sokongan kpd aktiviti bersama-sama

dgn setiap fasa bagi proses membuat-keputusan ( kecerdasan, reka bentuk dan pilihan).

- DSS tidak boleh menukarkan pembuat keputusan

- ini tidak bermakna utk menyokong semua aspek yang perlu ditangani dalam proses

membuat-keputusan

- boleh memberi pembuat keputusan dengan sokongan yang difokuskan kepada satu atau

lebih aktiviti dalam proses membuat keputusan

Marakas (2003 )Marakas (2003 )Marakas (2003 )Marakas (2003 ) senaraikan jenis-jenis yg biasa dlm menyokong bahawa DDS boleh

membekalkan:

� meneroka perspektif yang berbagai daripada konteks keputusan

� menghasilkan alternatif-alternatif berkualiti tinggi dan pelbagai untuk pertimbangan.

� Meneroka dan menguji pelbagai strategi penyelesaian masalah

� Pemudahcara brainstorming dan lain-lain teknik penyelesaian masalah yang kreatif

� Meneroka senario analisis yg pelbagai untuk memberikan konteks keputusan

� Menambahkan kemampuan pembuat keputusan utk menangani masalah yang kompleks

� mempertingkatkan masa tindak balas daripada pembuat keputusan

� melemahkan semangat pembuat keputusan dan pemilihan alternatif.


16

Sokongan DSS

Penerangan Penerangan Penerangan Penerangan SSSSokongan DSS:okongan DSS:okongan DSS:okongan DSS:

(a) Menyokong kpd Fasa Kecerdasan (a) Menyokong kpd Fasa Kecerdasan (a) Menyokong kpd Fasa Kecerdasan (a) Menyokong kpd Fasa Kecerdasan

• mengenalpasti masalah dan peluang

• menginterpretasikan maklumat

• menghasilkan laporan

( EIS : Enterprise Information System, ( EIS : Enterprise Information System, ( EIS : Enterprise Information System, ( EIS : Enterprise Information System, DM: DM: DM: DM: Data Mining, Data Mining, Data Mining, Data Mining, KMS : Knowledge Management System, KMS : Knowledge Management System, KMS : Knowledge Management System, KMS : Knowledge Management System,

GDSS, ES: Expert System, WebGDSS, ES: Expert System, WebGDSS, ES: Expert System, WebGDSS, ES: Expert System, Web----based OLAP Tools )based OLAP Tools )based OLAP Tools )based OLAP Tools )

(b) (b) (b) (b) Menyokong kepada Fasa Reka bentukMenyokong kepada Fasa Reka bentukMenyokong kepada Fasa Reka bentukMenyokong kepada Fasa Reka bentuk

• menghasilkan alternatif / pilihan

• membincangkan kriteria daripada pilihan dan kepentingan relatifnya

.... ramalan kejadian-kejadian masa hadapan menggunakan alternatif-alternatif yg perbagai.

( DSS, ES, KMS, DM, CRM : Customer Relationship Management, SCM: Supply Chain ( DSS, ES, KMS, DM, CRM : Customer Relationship Management, SCM: Supply Chain ( DSS, ES, KMS, DM, CRM : Customer Relationship Management, SCM: Supply Chain ( DSS, ES, KMS, DM, CRM : Customer Relationship Management, SCM: Supply Chain

Management, ERP: Enterprise Resources Planning, )Management, ERP: Enterprise Resources Planning, )Management, ERP: Enterprise Resources Planning, )Management, ERP: Enterprise Resources Planning, )

(c) (c) (c) (c) Menyokong kpd Fasa PilihanMenyokong kpd Fasa PilihanMenyokong kpd Fasa PilihanMenyokong kpd Fasa Pilihan

Untuk mengenalpasti alternatif / pilihan yang memuaskan

( DSS, KMS, CRM, ERP, SCM, ES, GDSS )( DSS, KMS, CRM, ERP, SCM, ES, GDSS )( DSS, KMS, CRM, ERP, SCM, ES, GDSS )( DSS, KMS, CRM, ERP, SCM, ES, GDSS )


17

GLOSARI:GLOSARI:GLOSARI:GLOSARI:

Artificial Neural Network – rangkaian drp pemproses mudah direkabentuk utk meniru fungsi otak manusia. Peranannya utk melatih rangkaian utk mengecam gaya dan belajar drp contoh. Customer Relationship Management (CRM) – maklumat industri untuk metodologi, perisian, dan kemampuan internet biasa yang menolong syarikat menguruskan hubungan pelanggan dalam cara yang diuruskan. Data Mining ( Perlombongan Data ) – proses menganalisis data utk mengenalpasti gaya atau hubungannya dalam pangkalan data. Decision Support System (DSS) – system berdasarkan computer yang interaktif bertujuan utk menolong pembuat keputusan menggunakan data dan model kpd mengenalpasti dan menyelesaikan masalah dan membuat keputusan. Enterprise Information System (EIS) – aplikasi yang mengandungi system sedia ada organisasi / syarikat untuk mengendalikan maklumat organisasi. – ianya termasuklah Sistem Perancangan Sumber Enterprise (ERP), kerangka utama Sistem Pemprosesan Transaksi, Sistem Pangkalan Data Legasi. Enterprise Resource Planning (ERP) – tempoh industri untuk set aktiviti yg luas disokong oleh perisian aplikasi pelbagai modu yang menolong pengeluar atau lain-lain bisnes mengurus bahagian-bahagian yang penting dalam bisnesnya, termasuklah perancangan produk, sebahagian penjualan, inventori penyenggaraan, interaksi dgn pembekal, membekalkan servis pelanggan dan menjejaki pesanan. Executive Information System (EIS) – system berkomputer bertujuan untuk memperlengkapkan maklumat semasa dan sesuai untuk menyokong eksekutif membuat keputusan kepada pengurus menggunakan system rangkaian – penegasan adalah atas paparan grafik dan mudah utk menggunakan antaramuka yang memaparkan maklumat drp pangkalan data korporat Expert System (ES) – system yang berkelakuan yang kebanyakannya sama dengan pakar dalam pengetahuan yang tertentu seperti pengetahuan mengenai bidang khusus, memahami masalah dgn bidangnya dan kemhiran menyelesaikannya. Group Decision Support System (GDSS) – sistem maklumat yang direkabentuk untuk menjelaskan kepada sokongan komukasi kumpulan dan proses keputusan. Knowledge Management System (KMS) – dihasilkan system hypermedia untuk menguruskan pengetahuan dalam organisasi, digunakan untuk mensistematikkan kekuatan kepakaran dan maklumat kpd memantapkan efisiensi, sambutan, kompetensi dan inovasi organisasi On-line Analytical Processing (OLAP)– perisian utk memanipulasi pelbagai dimensi data drp pelbagai sumber yang boleh disimpan pada gudang data. Analisis data mungkin termasuklah pra-takrifan statistik deskriptif , pengguna mentakrif pernyataan yg dilaksanakan bertentangan dgn data atau model dicipta berpandukan datauser defined. Supply Chain Management (SCM) – sstem yang dilayan dgn perancangan dan pelaksanaan isu-isu yang terbabit dalam pengurusan rantaian bekalan – adalah konsep yang luas drp logistic – mempunyai 3 sasaran utama : kurang inventori, tambah kelajuan transaksi melalui pertukaran data dalam masa nyata dan menambahkan jualan melalui pelaksanaan keperluan pelanggan yang lebih berkesan.


18

TAJUK 2 : DSS : TOOL FOR DECISION SUPPORTTAJUK 2 : DSS : TOOL FOR DECISION SUPPORTTAJUK 2 : DSS : TOOL FOR DECISION SUPPORTTAJUK 2 : DSS : TOOL FOR DECISION SUPPORT

( DSS : ALATAN UNTUK SOKONGAN KEPUTUSAN )( DSS : ALATAN UNTUK SOKONGAN KEPUTUSAN )( DSS : ALATAN UNTUK SOKONGAN KEPUTUSAN )( DSS : ALATAN UNTUK SOKONGAN KEPUTUSAN )

2.1 : Konsep DSS2.1 : Konsep DSS2.1 : Konsep DSS2.1 : Konsep DSS

Turban dan Aronson (1998)Turban dan Aronson (1998)Turban dan Aronson (1998)Turban dan Aronson (1998) : sebarang atau setiap system perkomputeran digunakan untuk

menyokong pembuatan keputusan.

Little (1970) : Little (1970) : Little (1970) : Little (1970) :

Berdasarkan model set prosedur untuk memproses data dan pertimbangan kpd membantu

pengurus untuk membuat keputusan

Moore dan Chang (1980): Moore dan Chang (1980): Moore dan Chang (1980): Moore dan Chang (1980):

Sistem yang boleh ditambah yang mampu menyokong analisis ad-hoc dan memodelkan

keputusan yang diorientasikan ke arah perancangan masa depan dan digunakan pada masa

yang tidak dirancang atau tidak tersusun.

Bonczek et al. (1980) : Bonczek et al. (1980) : Bonczek et al. (1980) : Bonczek et al. (1980) :

Sistem berasaskan komputer yang terdiri daripada tiga komponen interaktif :

� sistem bahasa dan mekanisma utk memperlengkapkan komunikasi di antara pengguna

dan komponen-komponen DSS yang lain

� sistem pengetahuan dan gudang daripada pengetahuan domain masalah yang

dirangkumkan dalam DSS sama ada data atau prosedur

� sistem pemprosesan masalah

Keen (1980), Keen (1980), Keen (1980), Keen (1980),

Produk drp proses pembangunan dlm mana pengguna DSS, Pembina DSS dan DSS itu sendiri

yang semuanya mampu mempengerahui di antara satu sama lain, mengeluarkan keputusan

dlm evolusi system dan contoh penggunaanya.

Berdasarkan modul :Berdasarkan modul :Berdasarkan modul :Berdasarkan modul :

Sistem maklumat berasaskan computer yang mempunyai tujuan utama untuk

memperlengkapkan pembuat-pembuat keputusan dengan maklumat untuk dibergantungkan

dalam aktiviti daripada pembuatan keputusan. Ianya dilakukan melalui kelengkapan set

peralatan, data, model, dan lain-lain sumber yang mana diperlukan oleh pembuat keputusan

utk memantapkan keberkesanan menghasilkan keputusan dalam menyelesaikan masalah

separa berstruktur dan tidak berstruktur.


19

2.2 Konfigurasi DSS2.2 Konfigurasi DSS2.2 Konfigurasi DSS2.2 Konfigurasi DSS

- konfigurasi bergantung kepada situasi drp pengurusan keputusan dan teknologi yang

spesifik yang digunakan untuk menyokongnya

a. Data

b. Model

c. Antaramuka Pengguna

d. Pengetahuan

2.3 Ciri2.3 Ciri2.3 Ciri2.3 Ciri----Ciri dan Kebolehan DSSCiri dan Kebolehan DSSCiri dan Kebolehan DSSCiri dan Kebolehan DSS

a. memeperlengkapkan sokongan kepada pembuat keputusan terutamanya dalam situasi

semi-struktur dan tidak berstruktur melalui pemberian bersama-sama keputusan atau

pertimbangan manusia dan pengkomputeran

b. menyokong kepada keberkesanan proses pembuatan keputusan ( ketepatan, kekal,

kualiti ) lebih tepat drp keefisienannya ( kos drp pembuatan keputusan)

c. memudahkan pemprosesan keputusan

d. mampu untuk menyokong pelbagai pemprosesan pembuatan keputusan dan bentuk /

gaya

e. menyokong pembuat keputusan tetapi tidak boleh menggantikan mereka. Pembuat

keputusan mengawal sepenuhnya semua langkah dalam proses pembuatan keputusan

dalam menyelasaikan masalah.

f. Memperlengkapkan sokongan kpd pelbagai tahap pengurusan

g. Memperlengkapkan sokongan kpd individu dan kumpulan

h. Penekanan fleksibiliti dan kebolehsesuaian utk disesuaikan dgn perubahan masa, dalam

persekitaran dan pendekatan membuat keputusan oleh pengguna ( fleksibel, boleh

tambah, padam, gabung, ubah dan mengatur semula elemen-elemen.

i. Memfokuskan kepada masa depan yang mesra pengguna, berkemampuan grafik yg

tinggi, dan interaktif antaramuka manusia dan mesin

j. Kebiasaannya sebagai model penggunaan untuk menganalisis situasi pembuatan

keputusan . Kemampuan pemodelan membolehkan pengujian dengan strategi yg

berbeza di bawah konfigurasi yg berbeza.

k. Boleh dioperasikan sebagai alatan tetap yang digunakan oleh setiap individu pembuat

keputusan dalam satu lokasi atau boleh diagihkan ke seluruh organisasi dan beberapa

organisasi sepanjang rantaian bekalan. Ianya juga boleh diintegrasikan dgn lain-lain DSS

atau aplikasi dan boleh diagihkan secara dalaman dan luaran menggunakan rangkaian

dan teknologi web.


20

2.4 2.4 2.4 2.4 Komponen DSSKomponen DSSKomponen DSSKomponen DSS

a. Komponen Pengurusan Data : a. Komponen Pengurusan Data : a. Komponen Pengurusan Data : a. Komponen Pengurusan Data :

- mendapatkan semula, menyimpan, dan menguruskan data yang relevan untuk konteks

keputusan yang khusus

- menyediakan fungsi keselamatan, prosedur intergriti (ketulusan) data, dan pentadbiran

data umum yang disekutukan dgn menggunakan DSS

- semua tugas diuruskan oleh beberapa komponen ( pangkalan data, Sistem Pengurusan

Pangkalan Data :DBMS, gudang data dan kemudahan pertanyaan data )

b. Komponen Pengurusan Model :b. Komponen Pengurusan Model :b. Komponen Pengurusan Model :b. Komponen Pengurusan Model :

- membekalkan kemampuan menganalisis untuk DSS

- membenarkan penemuan, storan, dan aktiviti organisasi digabungkan dgn pelbagai

model ( kewangan, statistic, sains pengurusan, dan lain-lain model kuantitatif )

- boleh disambungkan kpd perkongsian atau storan model luaran

- mengandungi pangkalan model, system pengurusan pangkalan model, gudang model,

pemproses pelaksanaan model dan pemproses sintesis model.

c. Komponen Berdasarkan Pengetahuan :c. Komponen Berdasarkan Pengetahuan :c. Komponen Berdasarkan Pengetahuan :c. Komponen Berdasarkan Pengetahuan :

- membekalkan ‘otak’ untuk menambahkan kecerdasan pembuatan keputusan

- boleh dihubungkan dgn gudang pengetahuan organisasi ( pangkalan pengetahuan

organisasi )

- disamping menyokong lain-lain komponen atau sub sistem , komponen ini boleh

bertindak secara bebas

d. Komponen Antaramuka Pengguna :d. Komponen Antaramuka Pengguna :d. Komponen Antaramuka Pengguna :d. Komponen Antaramuka Pengguna :

- membolehkan komunikasi antara pengguna dan DSS

- mesti membolehkan kemudahan akses dan manipulasi data, model dan memproses

komponen DSS

- rekabentuk dan pelaksanaannya adalah elemen penting dalam kefungsian DSS

- adalah penting utk pertimbangkan peranan pengguna utk memastikan keberkesanan

DSS

- Domain pengetahuan pengguna, cara penggunaan dan set kemahiran adalah elemen

yang diperlukan dalam menggunakan DSS kepada konteks keputusan yang berjaya (

Pengguna mengawal DSS )


21

2.5 Sub Sistem Pengurusan Data2.5 Sub Sistem Pengurusan Data2.5 Sub Sistem Pengurusan Data2.5 Sub Sistem Pengurusan Data

� Pangkalan dataPangkalan dataPangkalan dataPangkalan data : koleksi drp data yang dihubungkaitkan, diuruskan, dan disimpan kpd

membenarkan kpd memudahkan dapatan semula data. Strukturnya mestilah bersesuaian

dgn keperluan organisasi.

Data DalamanData DalamanData DalamanData Dalaman : datangnya drp pelbagai unit bisnes dr organisasi

Data LuaranData LuaranData LuaranData Luaran : termasuklah peraturan kerajaan, data pekerjaan, kadar jenayah, geopolitik,

ekonomi, dan sebagainya

� System Pengurusan Pangkalan DataSystem Pengurusan Pangkalan DataSystem Pengurusan Pangkalan DataSystem Pengurusan Pangkalan Data : (DBMS) � cipta, akses dan kemaskini pangkalan

data

Fungsinya : Definisi Data, Manipulasi Data, Ketulusan / Integrity Data, Kawalan Akses,

Kawalan Persetujuan ( Concurrency) dan Mendapatkan Kembali transaksi.

EkstraksiEkstraksiEkstraksiEkstraksi ( rentapan) : proses menawan data daripada pelbagai sumber

� Fasiliti PertanyaanFasiliti PertanyaanFasiliti PertanyaanFasiliti Pertanyaan

- utk bina dan guna DSS pengguna perlu utk akses dan manipulasi dan pertanyaan data

- dijalankan oleh fasiliti pertanyaan yang akan menentukan bagaimana utk memenuhi

semua permintaan

- menggunakan Bahasa Pertanyaan Berstruktur (SQL)

- kepentingan : memilih dan memanipulasikan operasi iaitu mampu utk mengikuti arahan

computer spt Mencari keputusan peperiksaan pelajar pada tahun 2004

� Direktori DataDirektori DataDirektori DataDirektori Data : merujuk kpd catalog drp semua data yang tersedia dalam pangkalan

data

- terdiri drp definisi data

- berfungsi untuk menjawab soalan mengenai ketersediaan item data, sumbernya, dan

maksud yang tepat

- sokongan drp direktori adalah penting dalam fasa kecerdasan proses membuat

keputusan

- ianya memudahkan dlm mengimbas data dan pengenalpastian kawasan atau peluang

masalah

- membenarkan tambahan kemasukan baru, memadamkan kemasukan dan dapatkan

kembali maklumat dlm objek yg spesifik.


22

Latihan 2.1Latihan 2.1Latihan 2.1Latihan 2.1

1. Apakah ekstraksi

- proses menawan data daripada pelbagai sumber

2. Apakah fungsi fasiliti pertanyaan

- menentukan bagaimana utk memenuhi semua permintaan

3. Apakah fungsi direktori data

- berfungsi untuk menjawab soalan mengenai ketersediaan item data, sumbernya, dan

maksud yang tepat

2.62.62.62.6 Model PenguModel PenguModel PenguModel Pengurusan Subrusan Subrusan Subrusan Sub----sistemsistemsistemsistem

- terdiri daripada :

� model asas ( model base )

� sistem pengurusan model asas ( model base management system :MBMS)

� direktori model ( model directory )

� pelaksanaan, integrasi, dan pemprosesan arahan model ( model execution,

integration and command processor )

a)a)a)a) Model Model Model Model AsasAsasAsasAsas

- modelmodelmodelmodel � bentuk yg dipermudahkan daripada beberapa acara/peristiwa sebenar

- terdapat empat kategori iaitu:

� Model Strategik

� Model Taktikal

� Model Pengoperasian

� Model Analitikal

b)b)b)b) Sistem Pengurusan Asas ModelSistem Pengurusan Asas ModelSistem Pengurusan Asas ModelSistem Pengurusan Asas Model

- mengurus pelbagai peralatan analitikal DSS

- boleh berubah dlm nombor, saiz dan kompleksiti

- Fungsinya:

� Memodelkan bahasa : utk cipta model keputusan mula dari asas atau drp model sedia

ada – mekanisma utk link dgn pelbagai model kpd membenarkan utk pemprosesan

berturutan atau pertukaran data

� Model Perpustakaan : simpan dan uruskan semua model dan penyelasaian algoritma utk

mudah akses dan manipulasi


23

� Model manipulasi : mengurus dan selenggara model asas dgn fungsi yg sama dgn apa yg

didapati dlm DBMS spt run, stor, pertanyaan, padam, link dll)

c)c)c)c) Direktori ModelDirektori ModelDirektori ModelDirektori Model : katalog drp semua model dan lain-lain perisian dalam model asas.

- terdiri drp definisi model, dan fungsi utama utk menjawab soalan mengenai

ketersediaan, dan kebolehan model

d)d)d)d) Pelaksanaan, Integrasi dan PemprosePelaksanaan, Integrasi dan PemprosePelaksanaan, Integrasi dan PemprosePelaksanaan, Integrasi dan Pemprosesan Arahan Modelsan Arahan Modelsan Arahan Modelsan Arahan Model

Pelaksanaan ModelPelaksanaan ModelPelaksanaan ModelPelaksanaan Model : proses menguruskan larian sebenar dalam model

Integrasi ModelIntegrasi ModelIntegrasi ModelIntegrasi Model : menggabungkan operasi drp beberapa model apabila diperlukan atau

intergrasi DSS dgn aplikasi yang lain

Pemprosesan Arahan ModelPemprosesan Arahan ModelPemprosesan Arahan ModelPemprosesan Arahan Model : digunakan utk menerima dan menginterpretasikan arahan

daripada pengguna melalui antaramuka pengguna dan mengarahkannya ke dalam MBMS,

pelaksanaan model atau fungsi intergrasi.

2.7. Sub2.7. Sub2.7. Sub2.7. Sub----Sistem Pengurusan Berdasarkan PengetahuanSistem Pengurusan Berdasarkan PengetahuanSistem Pengurusan Berdasarkan PengetahuanSistem Pengurusan Berdasarkan Pengetahuan

- adalah ‘otak’ dalam DSS

- data dan model dioperasikan secara bersama dgn sub-sistem berdasarkan pengetahuan

utk membekalkan pengguna dgn aplikasi yg berguna yang menyokong konteks

keputusan di tangan mereka.

- Membekalkan kepakaran yang perlu utk menyelasaikan beberapa aspek yg kompleks

masalah berstruktur atau tidak berstruktur

- Mengandungi satu atau lebih system kecerdasan

- Membekalkan pengetahuan yang boleh menambahkan operasi ke atas lain-lain

komponen DSS

PengetahuanPengetahuanPengetahuanPengetahuan ( knowledge ) : peraturan, heuristik (menyiasat) , sempadan, desakan, hasil

terdahulu, dan lain-lain yg berkaitan pengetahuan yg boleh diprogramkan ke dalam DSS atau

diperolehi oleh DSS melalui penggunaan berulang.


24

Skop Kandungan Maklumat:Skop Kandungan Maklumat:Skop Kandungan Maklumat:Skop Kandungan Maklumat:

Komponen DSSKomponen DSSKomponen DSSKomponen DSS Skop drp Kandungan MaklumatSkop drp Kandungan MaklumatSkop drp Kandungan MaklumatSkop drp Kandungan Maklumat

Asas Pengetahuan Spesifik kpd badang masalah

Pangkalan Data Tidak terhad kpd perincian bidang penyelesaian

masalah

Asas Model Tidak terhad kpd perincian bidang penyelesaian

masalah

Asas pengetahuan DSS mengandungi paling banyak pengetahuan yg diperlukan oleh pakar

tertentu seperti:

- Huraian pelbagai objek atau entity dan hubungannya

- Huraian pelbagai strategi penyelesaian masalah atau tingkahlaku

- Desakan hubungan domain, keadaan tidak menentu dan kemungkinan

Pengetahuan dalam asas pengetahuan boleh diklasifikasikan kpd :

a) FaktaFaktaFaktaFakta (facts ) : apa yang diketahui adalah benar pada ketika itu?

b) HipotisisHipotisisHipotisisHipotisis : peraturan atau hubungan yg dipercayai yg wujud di antara fakta.

Bagaimana pengetahuan diperolehi dan ditemui:

a) Perolehan Pengetahuan (knowledge acquisition)a) Perolehan Pengetahuan (knowledge acquisition)a) Perolehan Pengetahuan (knowledge acquisition)a) Perolehan Pengetahuan (knowledge acquisition)

bagaimana semua pengetahuan diperlukan dibawa ke dalam DSS – kepakaran

b) Penemuan Pengetahuan (knowledge retrieval)b) Penemuan Pengetahuan (knowledge retrieval)b) Penemuan Pengetahuan (knowledge retrieval)b) Penemuan Pengetahuan (knowledge retrieval)

Enjin Penyimpulan adalah sebahagian komponen pangkalan pengetahuan yang memudahkan

proses dapatkan kembali pengetahuan.

2.82.82.82.8 SubSubSubSub----Sistem Antaramuka PenggunaSistem Antaramuka PenggunaSistem Antaramuka PenggunaSistem Antaramuka Pengguna

Antaramuka PenggunaAntaramuka PenggunaAntaramuka PenggunaAntaramuka Pengguna : semua aspek drp komunikasi antara pengguna dan DSS atau sistem

sokongan lain.


25

a)a)a)a) Sistem Pengurusan Antaramuka Pengguna (UIMS)Sistem Pengurusan Antaramuka Pengguna (UIMS)Sistem Pengurusan Antaramuka Pengguna (UIMS)Sistem Pengurusan Antaramuka Pengguna (UIMS) : perisian yang menguruskan sub-

sistem antaramuka pengguna

- membekalkan antaramuka pengguna bergrafik

- membenarkan pengguna mengguna pelbagai peranti input

- persembahkan data dlm pelbagai format dan melalui pelbagai peranti

- menyimpan data input dan output

- menyokong komunikasi di antara pengguna dan pembangun DSS

- menyediakan fleksibeliti dan kebolehsesuaian kpd penyesuaian masalah dan teknologi

yg berbeza

- interaksi dlm berbilang gaya/bentuk dialog yg berbeza

- menjejaki penggunaan dialog utk memantapkan system dialog

b)b)b)b) Proses Antaramuka PenggunaProses Antaramuka PenggunaProses Antaramuka PenggunaProses Antaramuka Pengguna

- pengguna berkomunikasi dgn computer melalui bahasa aksi yg diproses oleh UIMS

- komponen antaramuka pengguna termasuk pemproses bahasa sebenar

- pengguna juga boleh guna objek standard seperti menu, butang dan pencarian internet

melalui Antaramuka Pengguna Bergrafik (GUI)

- UIMS membolehkan pengguna utk berinteraksi dgn pengurusan data dan sub-sistem

pengurusan model

Action Language ( Bahasa Aksi )Action Language ( Bahasa Aksi )Action Language ( Bahasa Aksi )Action Language ( Bahasa Aksi ) : komponen yang mengendalikan pengguna secara terus

aktiviti dialog dgn DSS

Presentation Language ( Bahasa Persembahan )Presentation Language ( Bahasa Persembahan )Presentation Language ( Bahasa Persembahan )Presentation Language ( Bahasa Persembahan ) : apa yang pengguna sebenarnya lihat, dengar

dan pengalaman semasa menggunakan DSS

2.92.92.92.9 PenggunaPenggunaPenggunaPengguna

PenggunaPenggunaPenggunaPengguna : individu yg bertanggungjawab utk membuat keputusan, membekalkan kepakaran

dalam pembangunan dan menggunakan DSS – boleh jadi individu atau kumpulan

Kategori Pengguna DSS:Kategori Pengguna DSS:Kategori Pengguna DSS:Kategori Pengguna DSS:

a) menggunakan computer secara kerap apabila melakukan tugasan harian seperti

analisis kewangan, perancangan pengeluaran dan kajian pasaran

b) mengharapkan utk menggunakan system mesra pengguna


26

Intermediary (pengantara)Intermediary (pengantara)Intermediary (pengantara)Intermediary (pengantara) : analisis yang membolehkan pengurus utk mendapatkan manfaat

DSS tanpa pengurus perlu untuk berinteraksi secara terus dgn system.

JenisJenisJenisJenis----Jenis Pengantara ( Turban et al., 2005 ) :Jenis Pengantara ( Turban et al., 2005 ) :Jenis Pengantara ( Turban et al., 2005 ) :Jenis Pengantara ( Turban et al., 2005 ) :

a) membantu staf ( staff assistants )membantu staf ( staff assistants )membantu staf ( staff assistants )membantu staf ( staff assistants ) : mereka berpengetahuan dlm mengurus masalah dan

guna teknologi sokongan keputusan

b) pakar perkakas pengguna ( expert tool users )pakar perkakas pengguna ( expert tool users )pakar perkakas pengguna ( expert tool users )pakar perkakas pengguna ( expert tool users ) : mereka berkemahiran dlm mengguna

satu / lebih kepakaran perkakasan penyelesaian masalah

c) pakar analisis bisnes ( business (system) analysts )pakar analisis bisnes ( business (system) analysts )pakar analisis bisnes ( business (system) analysts )pakar analisis bisnes ( business (system) analysts ) : mereka mempunyai pengetahuan

yang umum drp kawasan aplikasi, pendidikan pentadbiran bisnes formal dan

menggunakan perkakasan pembangunan DSS

d) Fasilitator dalam system sokongan kumpulanFasilitator dalam system sokongan kumpulanFasilitator dalam system sokongan kumpulanFasilitator dalam system sokongan kumpulan : mereka mengurus dan memandu

penggunaan perisian utk menyokong pekerja yg berkerja dalam kumpulan, juga

memengelolakan sesi kerja kumpulan

GLOSARIGLOSARIGLOSARIGLOSARI

DataDataDataData : fakta mentah atau fakta yg belum diproses utk menyatakan maknanya kepada

pengguna akhir

EkstrakEkstrakEkstrakEkstrak : utk menangkap/menawan data drp pelbagai sumber, mensintesisikannya,

meringkaskannya, menentukan yang mana di antaranya relevan dan mengendalikannya

MaklumatMaklumatMaklumatMaklumat : data yang digubahkan dlm bentuk yang penuh bermakna, terdiri drp data yang

ditranformasikan dan memudahkan pembuatan keputusan

PengantaraPengantaraPengantaraPengantara : individu yang menggunakan computer utk memenuhi permintaan yang dibuat

oleh orang lain

PengetahuanPengetahuanPengetahuanPengetahuan : item data dan atau maklumat yg diuruskan dan diproses untuk menyampaikan

pemahaman, pengalaman, mengumpulkan pembelajaran, dan kepakaran yg boleh

diaplikasikan kpd masalah semasa / aktiviti


27

UJIAN 1UJIAN 1UJIAN 1UJIAN 1

1. Berikan definisi DSS mengikut pemahaman anda sendiri.

sistem berkomputer yang interaktif yang bertujuan utk menolong pembuat keputusan

menggunakan data dan model dan mengenalpasti dan menyelesaikan masalah-masalah dan

membuat keputusan yang memuaskan

2. Apakah komponen utama DSS?

Pengurusan data, pengurusan model, pengurusan berdasarkan pengetahuan, dan antaramuka

pengguna

3. Apakah fungsi utama DBMS ?

Definisi data, manipulasi data, integriti data, kawalan akses, kawalan Persetujuan (

Concurrency) dan Mendapatkan Kembali transaksi.

4. Pangkalan data menyimpan data drp pelbagai sumber. Apakah sumber-sumber yang

mungkin drp pungutan data pangkalan data ?

Data DalamanData DalamanData DalamanData Dalaman : datangnya drp pelbagai unit bisnes dr organisasi

Data LuaranData LuaranData LuaranData Luaran : termasuklah peraturan kerajaan, data pekerjaan, kadar jenayah, geopolitik,

ekonomi, dan sebagainya

5. Terdapat empat kategori model dalam model asas (model base). Satu daripadanya ialah

model taktikal. Jelaskan model taktikal dgn contohnya.

Model TaktikalModel TaktikalModel TaktikalModel Taktikal menyokong pengurusan pertengahan dalam memperuntukkan dan mengawal

sumber organisasi. Model ini menggunakan peralatan untuk membuat pelan sebulan ke dua

tahun seperti Perancangan Keperluan Tenaga Buruh, Perancangan Promosi Jualan dan

Belanjawan Penting. Model ini biasanya digunakan utk sub-sistem organisasi seperti Jabatan

Akauntan. Contoh: IMERYS menggunakan model taktikal DSS utk menentukan berapa banyak

tanah liat yg boleh dihasilkan utk memenuhi jangkaan permintaan di pasaran.

6. A modelmodelmodelmodel is constructed to enable the study and develop a better understanding of the event

or process, without having to actually experience or recreate the event under study.

( dibuat untuk membolehkan kajian dan membangun pemahaman lebih baik daripada

peristiwa/ kejadian atau proses tanpa perlu mempunyai pengalaman sebenarnya atau untuk

mencipta semula peristiwa itu di bawah kajian)


28

7. The major functions of MBMS are modeling languagemodeling languagemodeling languagemodeling language, model library and model model model model

manipulation.manipulation.manipulation.manipulation.

8. In a users interface system, a component that handles users’ direct dialogue activities with

the DSS is known as action languageaction languageaction languageaction language.

TOPIK 3 : Sistem SokongTOPIK 3 : Sistem SokongTOPIK 3 : Sistem SokongTOPIK 3 : Sistem Sokongan Keputusan Kumpulan ( GDSS )an Keputusan Kumpulan ( GDSS )an Keputusan Kumpulan ( GDSS )an Keputusan Kumpulan ( GDSS )

3.13.13.13.1 Bantuan Untuk Membuat Sokongan KumpulanBantuan Untuk Membuat Sokongan KumpulanBantuan Untuk Membuat Sokongan KumpulanBantuan Untuk Membuat Sokongan Kumpulan

Kraemer dan King, 1988Kraemer dan King, 1988Kraemer dan King, 1988Kraemer dan King, 1988 : Kepercayaan dalam kecekapan drp kerja kumpulan adalah kukuh

melalui penyelidikan pada tahun 1930s yang menunjukkan kumpulan boleh menyelesaikan

masalah dalam jumlah yang besar dan dengan kepantasan yang lebih besar daripada

menyisihkan indidividu.

Kreamer dan King , pg 117Kreamer dan King , pg 117Kreamer dan King , pg 117Kreamer dan King , pg 117 , “Pembuat keputusan mendapati mereka berhadapan dengan

pertambahan bilangan mesyuarat yang panjang diperlukan untuk membincangkan isu-isu

berisi maklumat tetapi pembuat keputusan pada permulaannya adalah untuk bertahan

menghadiri mesyuarat-mesyuarat seumpama itu kerana mereka mengambil masa ketenangan

daripada aktiviti-aktiviti lain yang penting. Kerugian drp produktiviti dalam kumpulan pembuat

keputusan kerana perbincangan dikuasai oleh sesetengah individu-individu ahli berstatus

rendah, kepada golongan Status yang tinggi, tekanan kumpulan dipandu kepada memastikan

daripada pemikiran, salah komunikasi di kalangan ahli-ahli, biasa, dan kekurangan masa

diperuntukkan dalam menerokai masalah dan penjanaan alternative”

GDSS boleh membantu mengurangkan masalah-masalah ini dengan menyediakan terminal

komputer peribadi untuk setiap peserta, skrin paparan umum bagi semua, kebolehan

pengkomputeran dan komunikasi yang membenarkan bagi mencapai pangkalan data dan

berkomunikasi dengan ketua kumpulan dan paparan awam dan perisian untuk pemprosesan

perkataan, akses data dan pengurusan, grafik dan kawalan untuk membenarkan komunikasi

dengan lain-lain atau kumpulan.


29

FaktorFaktorFaktorFaktor----Faktor Penting GDSS:Faktor Penting GDSS:Faktor Penting GDSS:Faktor Penting GDSS:

i. Keperluan drp keputusan yang datang drp satu kumpulan : kerana tidak semua kaki

tangan mempunyai pengalaman yang mencukupi untuk membuat keputusan drp

masalah tertentu ( biasanya guna teknik brainstorming )

ii. Keperluan untuk mendengar setiap idea ahli-ahli :

iii. Keperluan untuk berkomunikasi dalam persekitaran yang disebarkan:

Pengurus perlu belajar keperluan dri kumpulan pembuat keputusan

GDSS boleh digunakan untuk menyokong proses membuat keputusan yang boleh

meningkatkan prestasi kumpulan dan proses membuat keputusan

3.23.23.23.2 Gambaran GDSSGambaran GDSSGambaran GDSSGambaran GDSS

� usaha yang mula-mula untuk menghasilkan drp keinginan kepada menggunakan konsep

sistem sokongan keputusan untuk melingkungi kumpulan pembuatan keputusan.

GDSSGDSSGDSSGDSS boleh ditakrifkan sebagai teknologi yang menolong dan menyokong sekumpulan drp

pembuat keputusan dalam tempoh merekabentuk, menstruktur atau memodelkan hasil yang

diperlukan dalam sebarang organisasi. Ianya juga menyesuaiakan perkakasan yang diperlukan

oleh ahli-ahli untuk berkomunikasi di antara mereka.

Power & Power (2001)Power & Power (2001)Power & Power (2001)Power & Power (2001) : GDSS adalah terlalu diskriptif dan mentakrifkan sebagai kepelbagaian

system yang menggunakan penghuraian infrastruktur komunikasi dan heuristic dan model

kuantitatif untuk menyokong membuat keputusan. GDSS mestilah interaktif, system

berasaskan computer yang menolong satu pasukan ( kumpulan) pembuat keputusan untuk

menyelasaikan masalah-masalah dan membuat pilihan untuk diputuskan.

3.2.13.2.13.2.13.2.1 CiriCiriCiriCiri----Ciri Utama GDSSCiri Utama GDSSCiri Utama GDSSCiri Utama GDSS

a. ialah satu sistem direkabentuk secara khusus, tidak hanya tatarajah terhadap

komponen-komponen sistem yang sedia ada

b. direkabentuk dengan sasran drp menyokong kumpulan-kumpulan drp pembuat

keputusan dalam kerja mereka, haruslah membaiki proses membuat keputusan dan hasil

keputusan drp kumpulan-kumpulan yang boleh wujud sekiranya GDSS itu tidak

memperkenalkan.


30

c. Mudah untuk dipelajari dan digunakan. Ianya menyesuaiakn pengguna-pengguna dgn

tahap pengetahuan yang berbeza-beza berkenaan computer dan menyokong keputusan

d. Mingkin spesifik ( direkabentuk untuk satu jenis atau kelas masalah ) atau umum (

direkabentuk utk pelbagai tahap kumpulan keputusan organisasi

e. Mengandungi mekanisma yang terbina di dalamnya yang menawarkan pembangunan drp

tingkahlaku kumpulan yg negative seperti konflik dalaman, salah komunikasi atau

pemikiran kumpulan

3.2.23.2.23.2.23.2.2 Komponen GDSSKomponen GDSSKomponen GDSSKomponen GDSS

Pakej Sosio Teknikal : dalam konteks GDSS bermaksud bahawa tidak kedua-dua kumpulan

ditentukan oleh teknologi GDSS ataupun teknologi GDSS ditentukan oleh kumpulan

a.a.a.a. Perkakasan ( Hardware )Perkakasan ( Hardware )Perkakasan ( Hardware )Perkakasan ( Hardware )

- terdiri drp fasiliti persidangan ( bilik computer) , sumber-sumber computer, fasiliti

telekomunikasi, pencetak dan kelengkapan audio visual.

b.b.b.b. Perisian ( software )Perisian ( software )Perisian ( software )Perisian ( software )

- kekunci yang membezakan teknologikal masa depan GDSS dan mungkin digunakan

untuk menyokong memproses maklumat secara umum, memodelkan keputusan, atau

komunikasi

Perisian Pemodelan KeputusanPerisian Pemodelan KeputusanPerisian Pemodelan KeputusanPerisian Pemodelan Keputusan : khususnya bertujuan untuk membantu kumpulan membuat

keputusan dan termasuk pemodelan bahasa seperti SIMSCRIPT dan dinamo.

Perisian KomunikasiPerisian KomunikasiPerisian KomunikasiPerisian Komunikasi : khususnya bertujuan untuk menyokong aspek kolaborasi drp

kumpulan kerja dan termasuk perkakasan untuk teks, data, suara, dan transmisi video (

contohnya: papan putih elektronik, system pengurusan aliran kerja, emel, vmel,

persidangan computer/audio/video

c.c.c.c. OrganizationwareOrganizationwareOrganizationwareOrganizationware : terdiri drp data organisasi, idea ( contohnya: pendapat, atau

pertimbangan, proses kumpulan, prosedur pengurusan untuk kolaborasi kerja kumpulan.


31

e.e.e.e. People ( Manusia ) People ( Manusia ) People ( Manusia ) People ( Manusia )

Terdiri drp peserta-peserta dalam kumpulan dan staf sokongan yang memudahkan aktiviti

kumpulan

3.33.33.33.3 Kerja KopeKerja KopeKerja KopeKerja Koperatif Disokong Komputer ( Computerratif Disokong Komputer ( Computerratif Disokong Komputer ( Computerratif Disokong Komputer ( Computer----Supported Cooperative Work Supported Cooperative Work Supported Cooperative Work Supported Cooperative Work –––– CSCW) CSCW) CSCW) CSCW)

- merujuk kepada aplikasi drp teknologi barangan kumpulan ( groupware ) yang

membenarkan kolaborasi kumpulan

- menghendaki semua ahli menjadi mempersembahkan secara serentak, aktiviti khusus

yang merangkumi tukar fail dalam talian untuk ahli kumpulan, celoteh ( chat ), berkongsi

papan putih dan juga persembahan audio dan persidangan video.

- Sebarang pemberitahuan atau pengumuman boleh dibuat melalui emel

- Objektif utama CSCW adalah untuk menyediakan aplikasi kerja kumpulan, yang

memerlukan pelbagai pengguna akses dan kawal aplikasi dan koordinasi drp semua

aktiviti pengguna

- CSCW juga dikenali sebagai Sistem Sokongan Kumpulan ( GSS ) atau groupware

3.3.13.3.13.3.13.3.1 JenisJenisJenisJenis----Jenis KolaborasiJenis KolaborasiJenis KolaborasiJenis Kolaborasi

a) Sama Masa / Sama tempat : semua ahli menghadiri mesyuarat pada masa yang sama dan

tempat di bilik mesyuarat

b) Sama Masa / berbeza Tempat : pengurus di cawangan mengadakan mesyuarat dalam

masa yang sama

c) Berbeza masa / sama tempat : yang mempunyai masa kerja secara bergilir, oleh itu

mesyuarat/ taklimat diadakan pada masa yang berbeza

d) Berbeza masa / berbeza tempat : organisasi antarabangsa di mana berbeza tempat dan

zon waktu

3.43.43.43.4 Perkakasan Menyokong KumpulanPerkakasan Menyokong KumpulanPerkakasan Menyokong KumpulanPerkakasan Menyokong Kumpulan

3.4.13.4.13.4.13.4.1 Emel, Senarai Mail, dan Kumpulan Baru Emel, Senarai Mail, dan Kumpulan Baru Emel, Senarai Mail, dan Kumpulan Baru Emel, Senarai Mail, dan Kumpulan Baru

- digunakan utk komunikasi

3.4.23.4.23.4.23.4.2 PersidangaPersidangaPersidangaPersidangan Elektronikn Elektronikn Elektronikn Elektronik

a. Papan PutihPapan PutihPapan PutihPapan Putih : aplikasi yang membenarkan pengguna untuk secara kolaborasi membuat

lukisan mudah atau kompleks


32

Papan putih Papan putih Papan putih Papan putih berkongsiberkongsiberkongsiberkongsi aplikasi aplikasi aplikasi aplikasi : papan putih yang akan ‘run’ aplikasi computer dalam

tetingkap, yang boleh dilihat oleh semua peserta

b. Persidangan TelefonPersidangan TelefonPersidangan TelefonPersidangan Telefon : atau telesidang adalah teknologi yang digunakan sebagai satu cara

drp komunikasi untuk dua atau lebih orang dalam lokasi yang berbeza pada masa yang

sama.

c. Persidangan VideoPersidangan VideoPersidangan VideoPersidangan Video : perkakasan interaktif yang menggabungkan penggunaan video,

computer, dan teknologi komunikasi untuk membenarkan manusia dalam lokasi berbeza

untuk bertemu secara bersemuka untuk mengawal persidangan dalam masa yang

sebenar.

Persidangan Video Pelbagai PointPersidangan Video Pelbagai PointPersidangan Video Pelbagai PointPersidangan Video Pelbagai Point : persidangan melibatkan lebih daripada dua tempat

d.d.d.d. Perkakasan Berbual ( Chatting ) spt Yahoo Messenger, SkypePerkakasan Berbual ( Chatting ) spt Yahoo Messenger, SkypePerkakasan Berbual ( Chatting ) spt Yahoo Messenger, SkypePerkakasan Berbual ( Chatting ) spt Yahoo Messenger, Skype

3.4.33.4.33.4.33.4.3 Decision Room (Bilik Keputusan)Decision Room (Bilik Keputusan)Decision Room (Bilik Keputusan)Decision Room (Bilik Keputusan)

- merujuk kepada susunan fizikal untuk menggunakan GDSS dalam teknologi tinggi, bilik

persidangan elektronik, dan setiap peserta mempunyai stesen kerja sendiri.

SisSisSisSistem menyediakan tiga kelebihan melebihi mesyuarat lisan atau konvensional:tem menyediakan tiga kelebihan melebihi mesyuarat lisan atau konvensional:tem menyediakan tiga kelebihan melebihi mesyuarat lisan atau konvensional:tem menyediakan tiga kelebihan melebihi mesyuarat lisan atau konvensional:

a. transkrip penuh dijana secara automatic drp interaksi peserta

b. semua peserta mungkin bercakap pada sekali sahaja

c. input semua peserta melalui system adalah tanpa nama

CiriCiriCiriCiri----Ciri BiliCiri BiliCiri BiliCiri Bilik Keputusan:k Keputusan:k Keputusan:k Keputusan:

a. setiap peserta mempunyai stesen kerja computer

b. Ketua / Fasilitator mengkoordinasi mesyuarat

c. Bilik mempunyai skrin paparan yang membolehkan semua peserta melihatnya

d. Computer dirangkaikan dan arkitektur pelanggan/pelayan digunakan

e. Perisian khusus sedia digunakan kepada semua peserta


33

3.53.53.53.5 GroupwareGroupwareGroupwareGroupware

- program aplikasi yang membantu sekumpulan manusia ( pelbagai pengguna ) dalam

lokasi yang diagihkan secara geografik

a. Lotus Notes

b. GroupSystem and VisionQuest

c. Netcape Collabra Server and TCBWorks

3.63.63.63.6 PembelPembelPembelPembelajaran Jarak Jauhajaran Jarak Jauhajaran Jarak Jauhajaran Jarak Jauh

EEEE----LerningLerningLerningLerning ( Pembelajaran Elektronik ) : pembelajaran yang tidak memerlukan pelajar untuk

hadir secara fizikal dalam lokasi yang sama dgn pensyarah / tutor

3.73.73.73.7 Rauang Kerja Maya ( Virtual Workplace )Rauang Kerja Maya ( Virtual Workplace )Rauang Kerja Maya ( Virtual Workplace )Rauang Kerja Maya ( Virtual Workplace )

- di mana melakukan kerja secara maya daripada rumah atau mana-mana tempat .

Organisasi MayaOrganisasi MayaOrganisasi MayaOrganisasi Maya : organisasi yang menggunakan teknologi untuk membentuk secara maya

ruang kerja untuk sesiapa yang terlibat dalam transaksi syarikat seperti pekerja, pembekal,

pelanggan dll

Ruang Kerja Maya Secara KolaboRuang Kerja Maya Secara KolaboRuang Kerja Maya Secara KolaboRuang Kerja Maya Secara Kolaborasi ( Collaborative Virtual Workspace rasi ( Collaborative Virtual Workspace rasi ( Collaborative Virtual Workspace rasi ( Collaborative Virtual Workspace –––– CVW ) CVW ) CVW ) CVW )

- prototaip kolaborasi persekitaran computer , direka untuk menyokong sementara dan

secara geografi disebarkan kerja kumpulan.


34

TOPIK 4 : PEMBINAAN DSS ( Constructing DSS )TOPIK 4 : PEMBINAAN DSS ( Constructing DSS )TOPIK 4 : PEMBINAAN DSS ( Constructing DSS )TOPIK 4 : PEMBINAAN DSS ( Constructing DSS )

4.14.14.14.1 System Development LifSystem Development LifSystem Development LifSystem Development Life Cycle (SDLC)e Cycle (SDLC)e Cycle (SDLC)e Cycle (SDLC)

- dikenali sebagai model air terjun yang berdasarkan siri-siri langkah yang formal

- pendekatan yang popular untuk pembangunan system maklumat

- setiap langkah akan berakhir dgn penulisan dokumen yang perlu ditinjau semula atau

diperakui sebelum ke langkah seterusnya

- pengguna dan pembangun akan menilai semula dokumen

- pengguna akan terlibat sama dalam langkah awal dan akhir dalam menentukan

keperluan dan mengesahkan system untuk menepati keinginan mereka

- bahagian tengah melibatkan perlakuan tugas teknikal oleh pembangun yang biasanya

analisis system

4.1.14.1.14.1.14.1.1 Kelebihan SDLCKelebihan SDLCKelebihan SDLCKelebihan SDLC

- memaparkan proses langkah demi langkah agar dapat membenarkan pembangun lain

untuk mengikuti dan memahaminya dgn mudah

- baik untuk penyenggaraaan kerana ianya mudah didokumentasikan

- memastikan tiada kawasan penting yang akan terlepas drp pemerhatian

- mempunyai hubungan kontrak yang formal antara pembangun dan pengguna


35

4.1.24.1.24.1.24.1.2 Kelemahan SDLCKelemahan SDLCKelemahan SDLCKelemahan SDLC

- tidak sesuai untuk system yang berubah secara pantas

- persetujuan pengguna pada langkah pertama, apabila berlaku perubahan, proses

pembangunan keseluruhan akan dimulakan semula

- mungkin menyebabkan pertambahan dalam kos pembangunan

- kurangnya pengantara komunikasi antara pengguna dan pembangun

- pengguna sukar untuk bercakap apa yang mereka perlu dalam system, semasa analisis

system menghasilkan seratus muka surat drp penjelasan teknikal yang sukar untuk

mendapatkan dan dibaca

- kurangnya kesesuaian

- tidak sesuai untuk pembangunan ad-hoc DSS

4.24.24.24.2 PrototaipPrototaipPrototaipPrototaip

- mengekalkan langkah-langkah pembangunan SDLC tetapi ianya dikembangkan

berdasarkan reaksi kepada kekurangan dalam SDLC

- analisis system duduk bersama keupayaan pengguna dan membangunkan system agar

muncul kepada kerja menggunakan sebarang perkakasan seperti 4GLs ( Fourth

Generation Languages ) yang menyokong pembangunan pantas.

- Muncul seperti produk akhir tetapi mengetepikan memeriksa kesalahan, akses kepada

pangkalan data nyata, menghubung kepada rangkaian nyata dan kebanyakannya

digunakan oleh keseluruhan masa pembangunan


36

Terdapat 2 pendekatan prototaip:Terdapat 2 pendekatan prototaip:Terdapat 2 pendekatan prototaip:Terdapat 2 pendekatan prototaip:

a) prototaip buang ( throwaway ) : kurang sesuai untuk pembangunan DSS terutamanya

yang melibatkan pembelian/pemerolehan kepada gudang data hos dan menaiktaraf

platform baru. Ianya akan menambahkan kos pembangunan dan pengimplementasian

b) Prototaip Penjelajahan ( berevolusi ) lebih sesuai untuk DSS . Prototaip akan menjadi

asas kepada aplikasi dan bersambung untuk mengguna perkakasan pembangunan

tahap tinggi. Ini sesuai kepada fakta bahawa masa adalah penting dalam

pembangunan DSS dan kebiasannya pengurus perlu DSS secepat yang mungkin.

Kelebihan dan Kekurangan Pendekatan Prototaip:Kelebihan dan Kekurangan Pendekatan Prototaip:Kelebihan dan Kekurangan Pendekatan Prototaip:Kelebihan dan Kekurangan Pendekatan Prototaip:

KelebihanKelebihanKelebihanKelebihan : jelas menunjukkan bahawa pendekatan ini memantapkan komunikasi antara

pengguna dan pembangun. Sistem yang dicadangkan akan menepeti kehendak pengguna

KekuranganKekuranganKekuranganKekurangan: menambahkan penjadualan pembangunan system DSS terutamanya melalui

pendekatan pakai buang atau memilih perkakasan yang salah dalam cara yang salah.

Pembangun mesti memahami batasan drp pakej skrin, 4GLs dan sebarang perkakasan

pembangunan pantas.

4.34.34.34.3 Pembangunan Pengguna AkhPembangunan Pengguna AkhPembangunan Pengguna AkhPembangunan Pengguna Akhiriririr

- memberikan tanggungjawab sepenuhnya kepada pengguna sebagai pembuat keputusan

membangunkan system

- platform persekitaran pembangunan dibangunkan dalam cara yang seperti yang

mampudiusahakan oleh pengguna akhir untuk membangunkan DSS mereka sendiri

- biasanya disekutukan dgn mikrokomputer

- perkakasan pembangunan pengguna akhir yang popular ialah lembaran kerja seperti

Lotus 123 dan Microsoft Excel

- selepas analisis, pembuat keputusan memilih penyelesaian alternatif terbaik yang

bertepatan dgn keperluan bisnes mereka.

Kelebihan dan Kekurangan:Kelebihan dan Kekurangan:Kelebihan dan Kekurangan:Kelebihan dan Kekurangan:

KelebihanKelebihanKelebihanKelebihan : individu yang memerlukan sokongan komputer akan terlibat dalam menciptanya.

Kadang kala keputusan pembangunan cepat dan jimat kos. Pembangun akan mengawal semua

situasi dan pilihan penyelesaian.

KekuranganKekuranganKekuranganKekurangan: kurangnya keghairahan untuk pembangunan drp DSS yang kompleks.


37

4.44.44.44.4 Proses Pembangunan DSSProses Pembangunan DSSProses Pembangunan DSSProses Pembangunan DSS

- keunikan pembangunan DSS adalah terdapatnya masalah separa struktur dan tidak

berstruktur.

Terdapat enam langkah :Terdapat enam langkah :Terdapat enam langkah :Terdapat enam langkah :

a) diagnosis masalah

b) kenalpasti objektif dan sumber

c) analisis system

d) rekabentuk system

e) pembinaan

f) implementasi

- selalunya menjadi masalah untuk mendapatkan keperluan pengguna yang lengkap dan tepat

4.4.14.4.14.4.14.4.1 Diagnosis MasalahDiagnosis MasalahDiagnosis MasalahDiagnosis Masalah

- hampir sama dgn fasa definisi masalah

- bertanggung jawab bagi menilai sifat organisasi dan menghasilkan dokumentasi yang

menggambarkan konteks masalah dan persekitaran organisasi yang memerlukan

sokongan keputusan yang kemudiannya ditempatkan dalam laporan kebolehlaksanaan

saringan

- melihat kpd peluang drp sokongan keputusan untuk pengenalpastian masalah dalam

lingkungan organisasi

- analisis system hendaklah mempunyai kepakaran dan sedia mengetahui dlm DSS, oleh

itu membolehkan sokongan yang padu kpd pengurus utk mengenalpasti masalah

organisasi.


38

4.4.24.4.24.4.24.4.2 Mengenalpasti Objektif dan SumberMengenalpasti Objektif dan SumberMengenalpasti Objektif dan SumberMengenalpasti Objektif dan Sumber----sumbersumbersumbersumber

- peluang kepada sokongan keputusan hendaklah dikenalpastikan seperti objektif kekunci

keputusan yang perlu disokong

- sumber-sumber tersedia yang menyokong pembangunan DSS seperti perkakas, perisian,

teknologi semasa dan pengetahuan yang mesti dibina perlulah dikenalpasti

- analisis system atau pereka bentuk mesti berhati-hati mengenalpasti objektif DSS

Objektif hendaklah menjelaskan fungsi drp cadangan DSS berdasarkan:Objektif hendaklah menjelaskan fungsi drp cadangan DSS berdasarkan:Objektif hendaklah menjelaskan fungsi drp cadangan DSS berdasarkan:Objektif hendaklah menjelaskan fungsi drp cadangan DSS berdasarkan:

a. jenis-jenis pengetahuan

b. kapasiti pengetahuan untuk disediakan kepada pembuat keputusan

c. ciri-ciri pelaksanaan umum bagi system

Di samping itu, mesti juga menentukan peranan yang dituntut drp DSS yang akan dijangka

untuk dimainkan bersama-sama kontek masalah yang dikenalpasti. Cth: meningkatkan

kreativiti pengguna, imaginasi atau tanggapan, menyelesaikan atau membantu dalam

menyelesaikan masalah, menyediakan pembantu dalam menasihati, analisis atau menilai.

i. menambahkan kongsian pasaran untuk produk sarung tangan

ii. memantapkan/ mempertingkatkan kualiti drp material mentah khusus melalui lebih

daripada 12 peratus

iii. memantapkan kualiti drp membina keputusan bersama-sama organisasi

Akhir sekali ; hendaklah menyenaraikan set objektif yang disekutukan dgn sumber-sumber

yang mungkin yang diperlukan untuk membangunkan DSS. Objektif kemudiannya dianalisa

yang boleh diakses secara tepat dan menjadikan objektif yang tepat drp DSS bersama-sama

konteks masalah organisasi. Pengenalpastian ini seperti penentuan awal drp kebolehlaksanaan

dgn mengambil kira kpd sumber-sumber yang dikawalkan.


39

4.4.3 4.4.3 4.4.3 4.4.3 Analisis SistemAnalisis SistemAnalisis SistemAnalisis Sistem

- untuk menghasilkan dalam perincian set keperluan DSS yang akan dijadikan isu.

Dikategorikan kepada 3 jenis keperluan:

Keperluan Fungsian.Keperluan Fungsian.Keperluan Fungsian.Keperluan Fungsian.

- keperluan memerikan spesifikasi daripada kapasiti simpanan DSS, mengingat kembali,

dan pengeluaran pengetahuan yang berguna kepada konteks masalah.

- Misalnya, satu keperluan menerangkan keupayaan daripada keutamaan DSS untuk

menyimpan berjenis-jenis jualan keluaran unjuran, dan anggaran kesan-kesan terhadap

isi padu jualan daripada perubahan satu atau lebih membuat anggapan tersembunyi atau

berubah yang terlibat di dalamnya.

Keperluan AntaramukaKeperluan AntaramukaKeperluan AntaramukaKeperluan Antaramuka

- Antara muka memainkan peranan penting dlm menghasilkan kualiti dan penggunaan

penuh DSS.

- Keperluan antara muka memfokuskan kepada kebolehan komunikasi DSS di konteks

bermasalah.

- Pembangun perlu mengenal pasti berbagai saluran dan kaedah-kaedah komunikasi yang

akan diperoleh disediakan oleh DSS dan Syarat-syarat itu untuk boleh digunakan

dibawanya. Ia mungkin melibatkan mengenal pasti menu struktur laporan ruang hubung

kait milik dan bentuk output

- pembangun perlu juga mengenal pasti berbagai jenis permintaan yang mungkin

diperoleh DSS oleh pembuat keputusan

- ruang hubung kait itu perlu menyediakan satu graf misalnya yang sepatutnya dapat

dapat menunjukkan syarikat unjuran Keluaran jualan kepelbagaian.Graf ini boleh

digunakan oleh decision-makers untuk meramalkan belanjawan syarikat.

Keperluan PenyelarasanKeperluan PenyelarasanKeperluan PenyelarasanKeperluan Penyelarasan

- Keperluan ini menghuraikan penyelarasan daripada peristiwa yang berkaitan dengan

persembahkan proses membuat keputusan,

- memudahkan kemasukan ke maklumat yang yang berkaitan serta penyatupadukan

pelbagai perkakas pemodelan yang terkandung dalam DSS

- Dalam kaedah yang sama dengan teknik scenario yang memerihalkan tentang keperluan

drp satu acara untuk dijadikan sebelum tindakan boleh dilaksanakan.Misalnya, keperluan

mengemaskinikan angka sebenar unjuran jualan untuk tempoh fiskal sebelum sebelum

ahli baru proses unjuran masa hadapan.


40

4.4.44.4.44.4.44.4.4 Rekabentuk SistemRekabentuk SistemRekabentuk SistemRekabentuk Sistem

- langkah ini mengguna keperluan pengguna drp fasa sebelumnya untuk mencipta

pelbagai proses komponen model system dan data mahupun interaksi seperti model

DFD, ERD, rekabentuk pangkalan data, rekabentuk arkitektur

- DSS perlu kepada penentuan komponen fizikal, struktur dan platform pembangunan

4.4.54.4.54.4.54.4.5 Pembinaan ( Construction )Pembinaan ( Construction )Pembinaan ( Construction )Pembinaan ( Construction )

- mengandungi penjanaan kod yang menggunakan sebarang bahasa pemprograman yang

diikuti oleh pengujian system

- fasa ini bertanggungjawab untuk membina system menurut kepada perkakasan yang

diputuskan dalam fasa rekabentuk

- pembinaan menggunakan pendekatan prototaip interaktif yang membenarkan untuk

system kecil menjadi lebih baik berdasarkan maklumbalas drp pengujian dan

penglibatan pengguna dan dgn itu ianya akan diimplementasikan ke dalam system

sebenar

4.4.64.4.64.4.64.4.6 Implementasi / PelaksanaanImplementasi / PelaksanaanImplementasi / PelaksanaanImplementasi / Pelaksanaan

- untuk uji, menilai dan menggunakan system DSS

- semua kefungsian DSS mesti bertepatan dgn darjah kepuasan drp pengguna

- ujian system hendaklah memenuhi objektif pembuat keputusan

- sebarang pengubahsuaian boleh dilaksanakan melalui pergi semula kepada langkah reka

bentuk

Beberapa aktBeberapa aktBeberapa aktBeberapa aktiviti implementasi DSS:iviti implementasi DSS:iviti implementasi DSS:iviti implementasi DSS:

i. memperoleh dan memasang perkakasan DSS

ii. memasang DSS dan membuatkannya dilarikan (runs) dalam perkakasan yang

dicadangkannya

iii. menyediakan pengguna akses kepada system

iv. mencipta dan mengemaskini pangkalan data


41

4.54.54.54.5 Menggunakan Pendekatan Menggunakan Pendekatan Menggunakan Pendekatan Menggunakan Pendekatan Berorientasikan Keputusan Dalam Proses Pembangunan DSSBerorientasikan Keputusan Dalam Proses Pembangunan DSSBerorientasikan Keputusan Dalam Proses Pembangunan DSSBerorientasikan Keputusan Dalam Proses Pembangunan DSS

4.5.14.5.14.5.14.5.1 Orientasi Keputusan Untuk Diagnosis MasalahOrientasi Keputusan Untuk Diagnosis MasalahOrientasi Keputusan Untuk Diagnosis MasalahOrientasi Keputusan Untuk Diagnosis Masalah

- diagnosis masalah melibatkan menentukan potensi DSS untuk kenalpasti konteks

masalah did lm organisasi

- perlu memahami domain masalah, di mana mencukupi mempunyai beberapa

pengetahuan umum domain masalah dan/ atau kepakaran domain

- pembangun perlu berpengetahuan tinggi terutamanya di sekeliling masalah

4.5.24.5.24.5.24.5.2 Orientasi Keputusan Untuk Mengenalpasti Objektif dan SumberOrientasi Keputusan Untuk Mengenalpasti Objektif dan SumberOrientasi Keputusan Untuk Mengenalpasti Objektif dan SumberOrientasi Keputusan Untuk Mengenalpasti Objektif dan Sumber----SumberSumberSumberSumber

- pembangun mesti memahami kontek masalah dan kenalpasti keperluan pengguna DSS

4.5.34.5.34.5.34.5.3 Analisis Sistem Strategik Berorientasi Keputusan dan Reka BentukAnalisis Sistem Strategik Berorientasi Keputusan dan Reka BentukAnalisis Sistem Strategik Berorientasi Keputusan dan Reka BentukAnalisis Sistem Strategik Berorientasi Keputusan dan Reka Bentuk

MarakasMarakasMarakasMarakas menkelaskan pelbagai pendekatan untuk pembangunan DSS

i. pengprograman dilanggani DSS : membangunkan system sama ada menggunakan

bahasa pemprograman tujuan umum (GPL) spt C, Java atau Pascal atau melalui Bahasa

Generasi Keempat (4GLs) seperti VB, Visual C++, Power Builder atau ASP

ii. mengguna penjana DSS

Penjana DSSPenjana DSSPenjana DSSPenjana DSS ( Generator ) ( Generator ) ( Generator ) ( Generator ) adalah : Aplikasi sistem yang menghapuskan perlunya kepada

pemprograman yang mengandungi beribu-ribu garisan daripada penkodan.Ia adalah satu

perisian perkakas yang menyediakan fungsi kepada pembangun untuk memudahkan

membangunkan DSSnya sendiri.

Contoh : Excel, Lotus 123, atau Quattro Pro

4.5.34.5.34.5.34.5.3 Rekabentuk Sisten BRekabentuk Sisten BRekabentuk Sisten BRekabentuk Sisten Berorientasikan Keputusanerorientasikan Keputusanerorientasikan Keputusanerorientasikan Keputusan


42

4.64.64.64.6 Perkakasan Pembangunan DSSPerkakasan Pembangunan DSSPerkakasan Pembangunan DSSPerkakasan Pembangunan DSS

Marakas (1999) dan Turban (2001)Marakas (1999) dan Turban (2001)Marakas (1999) dan Turban (2001)Marakas (1999) dan Turban (2001) menkelaskan perkakasan pembangunan kepada tiga tahap

teknologi, iaitu;

a) Perkakasan penting DSSPerkakasan penting DSSPerkakasan penting DSSPerkakasan penting DSS : adalah yang terrendah drp teknologi DSS, ia menyediakan asas

pembangunan sama ada untuk penjana DSS atau aplikasi DSS spesifik. Contohnya, bahasa

pemprograman, grafik, penyunting, system pertanyaan pangkalan data, kod dan bilangan

penjana rawak

b) Penjana DSSPenjana DSSPenjana DSSPenjana DSS : adalah pakej perkakasan / perisian yang menyediakan set kebolehan untuk

membangunkan DSS spesifik dgn cepat, mudah dan murah. Microsoft Excel adalah pakej

spreadsheet mudah

Kelebihan : keselesaan/ kesenangan- perkakasan yang diintergrasikan yang menyediakan

kefungsian utk mencipta pemodelan keputusan, rekabentuk dan penjanaan laporan dan

persembahan grafik dan mengurus berdasarkan data asas, tanpa mempunyai masalah

mengintergrasikan antara perkakasan pelbagai seperti mengimport dan mengeksport data.

c) DSS SpesifikDSS SpesifikDSS SpesifikDSS Spesifik: digunakan untuk pengetahuan domain tertentu, yang pembuat keputusan

menghadapi banyak masalah

Kriteria untuk penjana DSS yang perlu dipertimbangkan:

i. fungsi-fungsi pengurusan data

ii. fungsi-fungsi pengurusan model

iii. kebolehan antaramuka pengguna

iv. kesesuaian dan darjah kebolehsambungan

v. ketersediaan perkakasan dan platform

vi. kos

vii. kualiti dan ketersediaan sokongan vendor


43

4.74.74.74.7 IsuIsuIsuIsu----Isu pembangunan DSSIsu pembangunan DSSIsu pembangunan DSSIsu pembangunan DSS

4.7.14.7.14.7.14.7.1 Pengurusan Projek DSSPengurusan Projek DSSPengurusan Projek DSSPengurusan Projek DSS

Isu-Isu Penerangan

Funding ( Dana ) Kunci pembangunan DSS ( penganjur ) boleh jadi pembuat

keputusan, organisasi, penganjur eksekutif

Kenalpasti Ketua

Projek

Ketua projek ditugaskan berdasarkan saiz projek, yang mengawal

selia semua projek dari awal hingga akhir

Pasukan Projek Yang memberi sokongan, bantuan, pengurus projek, pengguna,

Pembina DSS, sokongan teknikal

Sumber Dalaman

vs sumber luaran

Menentukan

Arkitektur DSS

Perlu dispesifikasikan bagi projek besar, perlu ada perancangan

teliti

4.7.2 Isu-Isu Pelaksanaan DSS

Tanggungjawab ketua projek DSS :Tanggungjawab ketua projek DSS :Tanggungjawab ketua projek DSS :Tanggungjawab ketua projek DSS :

i. diagnosis masalah, menghasilkan kajian kebolehlaksanaan, mentakrifkan objektif dan

skop projek

ii. apabila projek diluluskan, ketua projek perlu untuk membangunkan satu metodologi

pembangunan DSS yang bersesuaian dan menentukan pasukan projek

iii. mengenalpasti tugas-tugas yang mesti dilengkapkan dan sumber-sumber yang

diperlukan

iv. menyampaikan kemajuan projek

v. mentakrifkan pelan projek dan mengurus aktiviti-aktiviti setiap hari yang disekutukan

kepada projek

vi. menkoordinasikan sumber projek, baget, laporan status, tugasan keperluan perubahan,

hubungan dgn vendor, penganjur dan staf MIT


44

TAJUK 5 : DATA DRIVEN DSS ( Pemacu Data DSS )TAJUK 5 : DATA DRIVEN DSS ( Pemacu Data DSS )TAJUK 5 : DATA DRIVEN DSS ( Pemacu Data DSS )TAJUK 5 : DATA DRIVEN DSS ( Pemacu Data DSS )

5.1 Pengenalan Kepada Gudang Data ( Data Warehouse)5.1 Pengenalan Kepada Gudang Data ( Data Warehouse)5.1 Pengenalan Kepada Gudang Data ( Data Warehouse)5.1 Pengenalan Kepada Gudang Data ( Data Warehouse)

- DSS digunakan untuk membuat keputusan pada tahap pengurusan strategic dan taktikal

- Keberkesanan DSS bergantung kepada kualiti data yang dikumpulan pada tahap

pengoperasian

- Data Opresai dan data DSS mempunyai tujuan yang berbeza

Perbezaan Data Pengoperasian dan Data DSS mengikut Rob and Coronel, 2004:

Data OperasiData OperasiData OperasiData Operasi Data DSSData DSSData DSSData DSS

Data CurrencyData CurrencyData CurrencyData Currency

Keluasan / Keluasan / Keluasan / Keluasan /

Sifat Semasa Sifat Semasa Sifat Semasa Sifat Semasa

DataDataDataData

Menjelaskan transaksi yg

dilakukan

Menjelaskan data pengoperasian pada titik yang

ditetapkan spt penjualan produk mingguan

Transaction Transaction Transaction Transaction

TypeTypeTypeType

( Jenis ( Jenis ( Jenis ( Jenis

Transaksi )Transaksi )Transaksi )Transaksi )

Dicirikan melalui transaksi

yang dikemaskini

Dicirikan dgn transaksi pertanyaan, memerlukan

sebuah ringkasan pada masa tertentu dan

dimuatkan drp data pengoperasian

Summarisation Summarisation Summarisation Summarisation

LevelLevelLevelLevel

( Tahap ( Tahap ( Tahap ( Tahap

Sebuah Sebuah Sebuah Sebuah

Ringkasan)Ringkasan)Ringkasan)Ringkasan)

Menjelaskan maklumat

mengenai transaksi yang

ditetapkan dan disimpan

dalam banyak jadual.

Tidak mempunyai perincian drp setiap transaksi

pengoperasian tetapi menjelaskan ringkasan

transaksi

Data Model Data Model Data Model Data Model

(Model Data)(Model Data)(Model Data)(Model Data)

System transaksi hubungan

memerlukan struktur

pernormalan, banyak jadual

dihasilkan dgn setiap jadual

terdiri bilangan minimum

atribut

Bukan pernormalan, bukannya kemaskini

transaksi , tetapi kebolehan pertanyaan,

mempunyai banyak jadual dan setiapnya

mengandungi bilangan atribut yang besar

Query ActivityQuery ActivityQuery ActivityQuery Activity

( Aktiviti ( Aktiviti ( Aktiviti ( Aktiviti

Pertanyaan )Pertanyaan )Pertanyaan )Pertanyaan )

Skop yang sempit, rendah

kompleksiti dan kelajuan

kritikal

Skopnya luas, terlalu kompleks dan rendah

kelajuan kritikal.

Data VolumesData VolumesData VolumesData Volumes

( Saiz Da( Saiz Da( Saiz Da( Saiz Data )ta )ta )ta )

Drp 100 MB kpd GB 100MB kpd Terabait, data disimpan dlm struktur

bukan pernormalan dan demikian itu

memaparkan kelewahan dan penyalinan data,

data yang sama disimpan dlm cara yang berbeza

utk persembahkan penggambaran yang berbeza


45

Perbezaan di antara Data Operasi dan Data DSS menandakan keperluan drp pangkalan data

DSS

Berdasarkan keperluan maklumat yg kompleks dan peningkatan permintaan untuk analisis

data yang terbaik, mereka memulakan penciptaan gedung data jenis baru iaitu Gudang Data (

Data Warehouse )

Gudang DataGudang DataGudang DataGudang Data : menjadikan sumber data utama untuk sistem sokongan keputusan yang moden

– memperoleh data drp pelbagai pengkalan data pengoperasian ( sumber luaran )

Data di dalam Gudang Data diuruskan dalam format dan struktur yang memudahkan ekstraksi

data, analisis data dan membuat keputusan.

5.25.25.25.2 Konsep Gudang DataKonsep Gudang DataKonsep Gudang DataKonsep Gudang Data

( Mallach, 2000 )

Gudang DataGudang DataGudang DataGudang Data : pangkalan data yang besar yang terkandung maklumat bisnes yang

membolehkan pengguna akhir mendapatkannya.

Gudang Data mungkin mengandungi , contohnya:Gudang Data mungkin mengandungi , contohnya:Gudang Data mungkin mengandungi , contohnya:Gudang Data mungkin mengandungi , contohnya:

a) maklumat jualan oleh produk, wilayah/kawasan, dan jangka masa

b) maklumat penggunaan kad kredit melalui pendapatan pemegang kad, umur, jantina, dan

status perkahwinan

c) maklumat tuntutan insuran melalui bandaraya, umur, jantina, pekerjaan dan jenis polisi

Bill Inmon : gudang data adalah pangkalan data yang diintergrasikan, diorientasikan subjek,

perpezaan masa, dan tidak berubah / meruap yang membekalkan sokongan kepada

pembuatan keputusan.


46

KomponenKomponenKomponenKomponen DefinisiDefinisiDefinisiDefinisi

Intergrated

( Penggabungan)

Format biasa memperjelaskan semua entity bisnes, elemen data, ciri-ciri

data, dan keseluruhan matrik bisnes organisasi

Subject-oriented Data di dalam di dalam Gudang Data diuruskan dan diringkaskan oleh tajuk-

tajuk seperti Jualan, Pemasaran dan kewangan. Setiap tajuk mengandungi

subjek spesifik spt produk, pelanggan dan kawasan

Time-variant Data di dalam Gudang Data memaparkan aliran data melalui masa. Apabila

data jualan mingguan yang sebelumnya dimasukkan ked lm Gudang Data,

keseluruhan jumlah bersandarkan mingguan, bulanan, tahunan dan lain-lain

utk produk, pelanggan dan lain-lain pembolehubah akan juga dikemaskini

Non-volatile

( Tidak Berubah )

Data di dalam Gudang Data tidak boleh diubah, data baru selalu ditambah

dan gudang data selalu meningkat.disebabkan tiada perubahan pada data

dibenarkan apabila data disimpan dgn betul, persekitaran data secara

relatifnya statik

CiriCiriCiriCiri----Ciri Perbezaan Pangkalan Data Pengoperasian dan Gudang DataCiri Perbezaan Pangkalan Data Pengoperasian dan Gudang DataCiri Perbezaan Pangkalan Data Pengoperasian dan Gudang DataCiri Perbezaan Pangkalan Data Pengoperasian dan Gudang Data

CiriCiriCiriCiri----CiriCiriCiriCiri Pangkalan Data Pangkalan Data Pangkalan Data Pangkalan Data

PengoperasianPengoperasianPengoperasianPengoperasian

Gudang DataGudang DataGudang DataGudang Data

Bagaimana ianya

dibina?

Satu aplikasi / kawasan

subjek pada suatu

waktu

berbagai kawasan subjek pada satu

waktu

Data kebiasaan? Mesti dinormalkan

untuk sokong proses

bisnes

Tidak dinormalkan . Data boleh dan

selalu berlebihan

Kawasan sokongan Operasi bisnes hari ke

hari

Sokongan keputusan untuk aktiviti

pengurusan

Masa penahanan data Penahanan adalah

perlu utk menemui

keperluan opreasi

harian

Masa penahanan tidak ditentukan,

mesti membenarkan laporan historical,

perbandingan dan analisis

Ketersediaan Data Memerlukan

ketersediaan yang

tinggi dan segera

Ketersediaan segera kurangkan kritikal

Saiz data Sama kpd saiz harian

biasa drp transaksi

operasi

Lebih besar drp saiz transaksi harian

biasa terutamanya siri data set data


47

Diintergrasikan Semua elemen data

mempunyai definasi

dan perwakilan biasa

data yang serupa akan mempunyai

definisi dan perwakilan yang berbeza

Berorientasikan objek Data disimpan

berorientasikan

fungsuan atau

berorientasikan proses

Data disimpan dgn orientasi subjek

yang menyediakan paparan yang

berbeza drp data dan bantu pembuat

keputusan

Perbezaan masa Data direkodkan

seperti transaksi

semasa.

Dimensi masa digunakan untuk

memudahkan analisis data dan

perbandingan masa

Tidak meruap Kemaskini data adalah

kerap. Persekitaran

data adalah cair.

Data tidak boleh diubah, persekitaran

data adalah tetap statik

Untuk membina gudang data � data diekstrak daripada pelbagai sumber dan kemudiannya

diubah dan diintergrasikan sebelum diisikan ke dalam gudang data.

Adalah sukar untuk mencipta kualiti gudang data yang tinggi, ianya bergantung kepada fakta

data tersebut yang diambil drp perbagai sumber yang menggunakan format data dan struktur

yang berbeza.

Penciptaan Gudang Data Drp Pangkalan Data PengoperasianPenciptaan Gudang Data Drp Pangkalan Data PengoperasianPenciptaan Gudang Data Drp Pangkalan Data PengoperasianPenciptaan Gudang Data Drp Pangkalan Data Pengoperasian

5.3 Kandungan Analisis Gudang Data5.3 Kandungan Analisis Gudang Data5.3 Kandungan Analisis Gudang Data5.3 Kandungan Analisis Gudang Data

- kandungan gudang data akan tidak berguna jika pengguna tidak mampu mencari

jawapan kepada persoalan mereka

Pangkalan Data Pengoperasian

Ekstraksi Data

Ekstrak Penapis

Perubahan Intergrasi Klasifikasi

Pengumpulan Ringkasan

Gudang Data

Diintergrasikan Berorientasikan-

subjek Perbezaan masa Tidak meruap


48

2 pendekatan yang boleh digunakan utk memahami data dalam gudang data:

i.i.i.i. analisis berpandukan penggunaanalisis berpandukan penggunaanalisis berpandukan penggunaanalisis berpandukan pengguna

Pengguna tanya soalan � komputer akan mencari jawapan

Selepas jawapan didapati � pengguna akan tanya seterusnya sehingga mencapai tahap yang

diingini drp pemahaman ke atas data.

ii.ii.ii.ii. analisis aktifanalisis aktifanalisis aktifanalisis aktif

Analisis yang diautomasikan atau data mining ( pencarian data ) � computer melakukan semua

kerja � pengguna hanya memberitahu computer apa yang dikhendaki utk dicari daripada

analisis itu.

5.3.1 User5.3.1 User5.3.1 User5.3.1 User----guided Analysis ( Onguided Analysis ( Onguided Analysis ( Onguided Analysis ( On----line Analytical Processing : OLAP) line Analytical Processing : OLAP) line Analytical Processing : OLAP) line Analytical Processing : OLAP)

a) Konsepa) Konsepa) Konsepa) Konsep

OnOnOnOn----line Analytical Processing ( Pemprosesan Analitikal Atas Talian ) line Analytical Processing ( Pemprosesan Analitikal Atas Talian ) line Analytical Processing ( Pemprosesan Analitikal Atas Talian ) line Analytical Processing ( Pemprosesan Analitikal Atas Talian ) merujuk kepada cara

operasi di mana data di dalam gudang data dipotong dan dibahagikan kpd soalan jawapan

Selepas analisis keputusan drp soalan contoh, pengguna melihat kepada perician yang lebih

luas sehingga keputusan yang diingini dibina.


49

Pendse (2004)Pendse (2004)Pendse (2004)Pendse (2004) meringkaskan beberapa definisi dan cirri-ciri OLAP kepada 5 kata kunci iaitu:

FFFFast AAAAnalysis of SSSShared MMMMultidimensional IIIInformation ( FASMIFASMIFASMIFASMI )

Kata KunciKata KunciKata KunciKata Kunci DeskripsiDeskripsiDeskripsiDeskripsi

Fast

( Cepat )

Menghantar kebanyakan balasan kpd pengguna dgn kira-kira 5 saat,

dgn analisis mudah tidak lebih drp 1 saat dan beberapa analisis

mengambil lebih 20 saat. Masa depan nya masih membangunkan

teknologi seperti kelajuan adalah kebanyakannya disedut oleh masalah

teknikal dengan produk OLAP

Analysis

(Analisis)

Mesti membenarkan pengguna untuk melakukan analisis mudah, ianya

harus mampu untuk mengendalikan apa-apa logik bisnes dan analisis

statistik yang diperlukan oleh aplikasi dan pengguna. Pengguna dan

aplikasi mestilah disediakan dgn ciri-ciri semua keperluan analisis

seperti perubahan struktur multidimensi ad-hoc, pertukaran mata

wang, mewaspada kelainan, dan banyak lagi tanpa mempunyai

program. Sebagai mencirikan analisis mungkin disediakan dalam

perkakasan kepunyaaan vendor atau rangkaikan dalam produk luaran

Shared

( Dikongsi)

Mestilah dilengkap dgn kawalan keselamatan untuk kerahsiaan, ianya

juga haruslah serentak mengunci pengemaskinian untuk mengawal

pelbagai tulisan dan capaian kemaskini

Multidimensional

( Pelbagai

Dimensi)

Keperluan paling mustahak, mesti membenarkan paparan

multidimensi data

Information

( Maklumat )

Merujuk kpd semua data dan maklumat yang diperlukan, di mana saja

ia adalah dan walau bagaimanapun kebanyakannya berkaitan bagi

permohonan. Ini mentakrifkan berapa banyak data input yang system

OLAP boleh kendalikan.

i) Menggunakan Teknik Ai) Menggunakan Teknik Ai) Menggunakan Teknik Ai) Menggunakan Teknik Analisis Data Pelbagai Dimensinalisis Data Pelbagai Dimensinalisis Data Pelbagai Dimensinalisis Data Pelbagai Dimensi

- Data diproses dan dipaparkan sebagai sebahagian drp struktur pelbagai dimensi

- Data boleh dipaparkan sebagai data yang berhubung dgn data yang lain

- Cth: analisis pengurusan hotel ingin melihat bagaimana jualan hotel berkaitan kpd

Negara pelanggan dan bulanan ( figure 5.2 ms 111 )


50

ii) Menyediakan Sokongan Pangkalan Data Lanjutanii) Menyediakan Sokongan Pangkalan Data Lanjutanii) Menyediakan Sokongan Pangkalan Data Lanjutanii) Menyediakan Sokongan Pangkalan Data Lanjutan

Keutamaannya ialah:

- capaian kpd jenis-jenis perbezaan yang banyak drp DBMS : fail lengkap dan pelbagai

sumber data

- capaian kpd data gudang data yang dikumpulkan dan perincian pangkalan data

pengoperasian

- memberi keutamaan kepada navigasi data yang dilanjutkan seperti latih tubi

- tindakbalas pertanyaan yang cepat

- memetakan permintaan pengguna utk menyesuaikan sumber data dan kemudiannya utk

menyesuaikan bahasa capaian data

- sokongan pangkalan data yang terlalu luas

iii) Menyediakan Antaramuka Pengguna Akhir Mudah untuk Digunakaniii) Menyediakan Antaramuka Pengguna Akhir Mudah untuk Digunakaniii) Menyediakan Antaramuka Pengguna Akhir Mudah untuk Digunakaniii) Menyediakan Antaramuka Pengguna Akhir Mudah untuk Digunakan

- semua perkakasan disediakan dalam OLAP boleh diakses dengan mudah.

- Kebanyakan keutamaan antaramuka dalam OLAP adalah satu yang sudah menjadi

kebiasaan kepada pengguna

iv) Sokongan Arkitektur Pelayan/Pelangganiv) Sokongan Arkitektur Pelayan/Pelangganiv) Sokongan Arkitektur Pelayan/Pelangganiv) Sokongan Arkitektur Pelayan/Pelanggan

- system OLAP boleh dibahagikan kedalam beberapa komponen

- semua komponen boleh ditempatkan ke dalam computer yang sama atau diagihkan di

antara sebilangan computer

b) OLAP b) OLAP b) OLAP b) OLAP Hubungan dan OLAP MultidimensiHubungan dan OLAP MultidimensiHubungan dan OLAP MultidimensiHubungan dan OLAP Multidimensi

- data multidimensional mesti digunakan untuk OLAP

- terdapat dua pendekatan untuk cara data multidimensional boleh disimpan dan

diuruskan dan membenarkan pengguna utk menguruskan analisis.

i. OLAP Hubungan ( ROLAP : Relationali. OLAP Hubungan ( ROLAP : Relationali. OLAP Hubungan ( ROLAP : Relationali. OLAP Hubungan ( ROLAP : Relational OLAP ) OLAP ) OLAP ) OLAP )

- menyediakan kefungsian OLAP melalui penggunaan pangkalan data hubungan,

perkakasan pertanyaan utk simpanan dan analisis data multidimensional

- organisasi yang sedang menggunakan pangkalan data hubungan, akan mudah

menyambung hubungan tradisional DBMS ( RDBMS) dgn beberapa keutamaan spt

keyakinan bahasa capaian data dan perlakuan pertanyaan untuk data multidimensional

dan kemampuan utk sokongan pangkalan data yang lebih besar.


51

- ROLAP terkandung data yang terperinci dan data yang diringkaskan dan membolehkan

pengguna melatih tubi set data yang luas.

- ROLAP trade-off ( tidak melakukan ) antara fleksibiliti dan perlakuan

- Vendor boleh membina perkakasan mudah alih dan mudah diskalakan sesuai kpd fakta

yang mengimplementasikan ROLAP dgn menggunakan perkakasan pengurusan yang

tahan lasak dan antara muka Bahasa Pertanyaan Berstruktur yang terbuka (SQL)

- ROLAP memerlukan bilangan yang besar jadual hubungan utk mengendalikan data yang

bersaiz besar dan hubungan dimensional.

- Jadual perlu disatukan dan indek perlu dicipta utk mengurus dan membenarkan analisis

data multidimensional.

ii. Multidimensional OLAP ( MOLAP )ii. Multidimensional OLAP ( MOLAP )ii. Multidimensional OLAP ( MOLAP )ii. Multidimensional OLAP ( MOLAP )

- MOLAP menyediakan kefungsian OLAP melalui penggunaan pangkalan data

multidimensional

- Data yang disimpan boleh dipaparkan dlm data 3D / data kiub

- Data kiub boleh digunakan kpd kiub n-dimensi / hiperkiub

- Data kiub adalah static , tidak boleh diubah dan mesti dicipta sebelum boleh digunakan

- Pertanyaan hanya boleh dibuat pada pra-cipta kiub dgn kenalpasti pemotongan (axes)

5.3.25.3.25.3.25.3.2 Analisis Diautomasikan (Analisis Diautomasikan (Analisis Diautomasikan (Analisis Diautomasikan ( Data Mining ) Data Mining ) Data Mining ) Data Mining )

Data MiningData MiningData MiningData Mining � proses yang ekstrak maklumat drp pangkalan data yang mana pengguna tidak

tahu kewujudannya ( perlombongan data )

- proses ini menemui maklumat di dalam gudang data supaya pertanyaan dan laporan

tidak boleh didedahkan dengan berkesan

- Data Mining merujuk kepada mencari bentuk / pola dalam data dan peraturan

penyimpanan drp bentuk yang dikenali (bentuk ini boleh jadi peraturan, daya tarikan,

pertalian, aliran atau model ramalan )

- Data mining digunakan untuk mendapatkan pengetahuan dalam pangkalan data.

- Menggunakan data di dalam gudang data , data mining boleh menyediakan jawapan kpd

soalan mengenai organisasi supaya pembuat keputusan tidak terfikir dahulunya untuk

Tanya

DataDataDataData � item-item mengenai benda, peristiwa, aktiviti dan transaksi yang direkodkan,

diklasifikasi dan disimpan tetapi tidak memberikan makna yang spesifik


52

PengetahuanPengetahuanPengetahuanPengetahuan � terdiri daripada item data dan/atau maklumat yang diuruskan dan diproses

untuk menyampaikan pemahaman, pengalaman, dikumpulkan pembelajaran dan kepakaran

supaya boleh digunakan kepada masalah atau aktiviti semasa.

b) Teknik Data Miningb) Teknik Data Miningb) Teknik Data Miningb) Teknik Data Mining � utk mengenalpasti bentuk dalam data

i) Klasifikasii) Klasifikasii) Klasifikasii) Klasifikasi

- pendekatan untuk mendapatkan peraturan agar mentakrifkan jika sesuatu item itu

dipunyai subset tertentu atau kelas drp data.

- Mensasarkan utk menentukan kelas sebagai betul/tepat , boleh berlaku kpd rekod yang

tak kelihatan sebelumnya

- Teknik ini sesuai dgn data mutlak atau campuran drp kesinambungan data mutlak dan

numeric

- Cth: Insuran yang manakah tuntutan semasanya di dalam proses adalah palsu

ii) Clustering ( Pengelompokan )ii) Clustering ( Pengelompokan )ii) Clustering ( Pengelompokan )ii) Clustering ( Pengelompokan )

- mengenalpasti kumpulan drp item-item agar serupa di antara satu sama lain

- semua item dalam satu kluster berkongsi ciri-ciri tertentu

- boleh digunakan bila ianya sukar utk mentakrifkan ciri-ciri atau parameter ( sempadan)

drp kelas

iii) Association ( Persekutuan / Asosiasi )iii) Association ( Persekutuan / Asosiasi )iii) Association ( Persekutuan / Asosiasi )iii) Association ( Persekutuan / Asosiasi )

- mengenalpasti hubungan di antara peristiwa supaya berlaku pada satu masa

- mendapati peraturan tanggungan agar dapat meramalkan kejadian daripada satu item

berdasarkan ke atas kejadian drp item-item lain.

iv) Sequencing ( Pejujukan )iv) Sequencing ( Pejujukan )iv) Sequencing ( Pejujukan )iv) Sequencing ( Pejujukan )

- serupa dgn teknik persekutuan kecuali agar hubungan berlaku melebihi tempoh masa.

- Cth: utk meramal stok perlakuan / pelaksanaan, berdasarkan siri/rangkaian drp

pendahuluan peristiwa

v) Regressionv) Regressionv) Regressionv) Regression ( Kemerosotan ) ( Kemerosotan ) ( Kemerosotan ) ( Kemerosotan )

- digunakan utk memetakan data kepada jangkaan nilai

- Mengambil set data numeric dan bangunkan formula metamatik agar data lebih mantap

- untuk jangka tingkahlaku masa depan, data baru dimasukkan ke dalam formula

Pembangun


53

- bertugas dgn baik dgn data kuantitatif yang berterusan

- Cth: menjangka amaun jualan produk baru berdasarkan ke atas perbelanjaan pengiklanan

c) Algoritma / Teknologi Data Miningc) Algoritma / Teknologi Data Miningc) Algoritma / Teknologi Data Miningc) Algoritma / Teknologi Data Mining

TeknologiTeknologiTeknologiTeknologi DeskripsiDeskripsiDeskripsiDeskripsi

Analisis

Statistik

Kaedah ini termasuklah pengunduran linear dan bukan linear, titik

penganggaran, Teorem Bayes’s ( agihan kebarangkalian), perkaitan

dan anlisis kelompok. Teknologi ini lazimnya digunakan oleh

sekutuan dan jujukan

Rangkaian

Nauron

Teknologi ini bekerja secara serupa untuk bagaimana sel saraf otak

manusia berungsi. Ianya memerlukan untuk memeriksa amaun yang

besar drp data historical kepada mengenali bentuk-bentuk. Cthnya:

kita boleh lihat menerusi pangkalan data yang besar untuk kenalpasti

potensi pelanggan untuk peroduk baru. Teknologi ini lazimnya

digunakan oleh klasifikasi dan kluster ( pengelompokan)

Algoritma

Genetik

Teknologi ini adalah satu contoh drp teknologi pembelajaran mesin.

Ianya mampu utk memperolehi makna drp data yang rumit dan tidak

tepat. Ia bekerja ke atas prinsip utk perluasan drp kesudahan yang

berkemungkinan. Dgn memberikan bilangan yang mantap /tetap drp

kesudahan yang berkemungkinan , teknologi ini cuba memperoleh

keputusan yang terbaik dan baru. Teknologi ini lazimnya digunakan

oleh sekutuan dan kluster ( pengelompokan)

Pokok

Keputusan

Struktur berupabentuk pokok yang memmaparkan set drp keputusan.

Teknologi ini membina model ramalan melalui memecahkan set data

ke bawah secara terpisah atau kumpulan kecil. Ianya bekerja drp

mengeneralisasikan maklumat kepada menambahkan lebih maklumat

yang spesifik. Ianya mengandungi nod dasar atau induk yang diikuti

oleh nod-nod. Setiap nod dilabelkan dengan soalan. Lengkungan atau

keluk disekutukan dgn setiap nod memepersembahkan semua

tindakbalas yang berkemungkinan atau kesudahan.

5.4 Vis5.4 Vis5.4 Vis5.4 Visualilasi Dataualilasi Dataualilasi Dataualilasi Data

- merujuk kepada aktiviti yang melalui minda manusia.

- Keputusan daripada visualisation ialah wawasan dan pemahaman


54

Turban et al. (2005) : visualisasi data adalah seperti teknologi yang menyokong visualisasi dan

kadang-kadang adalah interpretasi drp data dan maklumat pada beberapa point di sepanjang

rantaian pemprosesan data.

5.4.1 Perkakasan Visualisasi Data5.4.1 Perkakasan Visualisasi Data5.4.1 Perkakasan Visualisasi Data5.4.1 Perkakasan Visualisasi Data

a) Newsmap ( Peta Berita ) a) Newsmap ( Peta Berita ) a) Newsmap ( Peta Berita ) a) Newsmap ( Peta Berita )

- menunjukkan secara visual hubungan antara data dan bentuk yang tidak dapat dilihat

dalam media berita.Ianya membahagikan maklumat ke dalam band-band.Apabila band-

band ini dipersembahkan bersama-sama , ianya menampakkan bentuk yang mendasari

dalam laporan berita merentasi budaya dan segmen berita dalam perubahan yang

berterusan disekeliling glob ( Weskamp, 2003 )

( Dursteler, 2005Dursteler, 2005Dursteler, 2005Dursteler, 2005 ) NewsmapNewsmapNewsmapNewsmap menggunakan beberapa pembolehubah visual untuk

menvisualkan kod setiap lapisan berita:

i. Warna : bahagian berita yang berbeza menggunakan warna asas yang berbeza .

Kebanyakan berita terkini menunjukkan warna-warna yang cerah sementara yang

lebih tua nampaknya gelap

ii. Bentuk ( Shape ) : setiap bahagian dipaparkan dgn bentuk segi empat

iii. Saiz : saiz segi empat adalah nisbah kpd perkaitan drp berita-berita

iv. setiap bahagian daripada berita menunjukkan tekstur tajuk berita dengan mudah

dibaca

b) TableLensb) TableLensb) TableLensb) TableLens

- adalah kit pembangunan perisian (SDK)

- membenarkan pengaturcara untuk intergrasi teknik analisis data visual dipatenkan ke

dalam aplikasi perisian dan laman web

Menggunakan beberapa ciri-ciri kekunci pengguna akhir spt:

- SortSortSortSort ( isih )melalui klik atas kolum

- RearrangeRearrangeRearrangeRearrange (susun semula) kolum melalui drag and drop

- PromotePromotePromotePromote ( Naikkan / Promosi ) kolum kpd cipta subgroup

- FocusFocusFocusFocus melalui klik ke atas sel atau klik dan heret kepada focus seluruh baris atau

berbilang baris

- FilterFilterFilterFilter ( penapis ): subset kpd mewujudkan set data kecil yang khusus

- Spotlight dataSpotlight dataSpotlight dataSpotlight data ( Data Tumpuan Utama ) : utk menjejaki perincian maklumat yang di

isihkan


55

c) AVS Software ( Perisian AVS )c) AVS Software ( Perisian AVS )c) AVS Software ( Perisian AVS )c) AVS Software ( Perisian AVS )

- adalah perisian visualisasi data dibekalkan oleh Advand Visual System (AVS)

- adalah teknik visualisasi data yang tidak terhad


DataDataDataData : fakta mentah atau fakta yang belum diproses utk menyatakan maknanya kpd

pengguna akhir.

Ekstraksi DataEkstraksi DataEkstraksi DataEkstraksi Data : komponen yang digunakan utk ekstrak dan mengesahkan data yang diambil

drp pangkalan data operasi dan sumber data luaran

( Penyaringan Data )

Model DataModel DataModel DataModel Data : memepersembahkan, biasanya grafik drp struktur data dunia nyata yang

kompleks. � digunakan dalam fasa reka bentuk pangkalan data daripada kitar hayat

pangkalan data.

Pangkalan DataPangkalan DataPangkalan DataPangkalan Data : struktur computer yang menyimpan koleksi drp hubungan data

Drill DownDrill DownDrill DownDrill Down : utk menghuraikan data ke dalam komponen yang lebih atom spt data pada tahap

rendah drp pengumpulan.

MaklumatMaklumatMaklumatMaklumat : data yang disusun dalam bentuk yang bermakna � mengandungi data yang

ditransformasi dan memudahkan membuat keputusan

PengetahuanPengetahuanPengetahuanPengetahuan : item data atau maklumat diuruskan dan diproses kpd menyatakan

pemahaman, pengalaman, dihimpunkan pembelajaran dan kepakaran agar boleh

digunakan untuk masalah dan aktiviti semasa

PernormalanPernormalanPernormalanPernormalan : proses yang menentukan atribut kepada entity alam begitu rupa dengan

kelewahan data dikurangkan atau disingkirkan


56

Ujian 1 Ujian 1 Ujian 1 Ujian 1

1. Takrifkan data, maklumat dan pengetahuan. Kenalpasti dua contoh.

DataDataDataData adalah fakta mentah atau fakta yang belum diproses utk menyatakan

maknanya kpd pengguna akhir. Cthnya: Senarai pelajar yang mempunyai Nama,

Nombor Matrik,Jantina, Alamat

MaklumatMaklumatMaklumatMaklumat adalah data yang disusun dalam bentuk yang bermakna �

mengandungi data yang ditransformasi dan memudahkan membuat keputusan

Pengetahuan Pengetahuan Pengetahuan Pengetahuan adalah item data atau maklumat diuruskan dan diproses kpd

menyatakan pemahaman, pengalaman, dihimpunkan pembelajaran dan kepakaran

agar boleh digunakan untuk masalah dan aktiviti semasa

2. Apakah perbezaan antara gudang data dengan pangkalan data?

GudangGudangGudangGudang Data Data Data Data : pangkalan data yang besar yang terkandung maklumat bisnes yang

membolehkan pengguna akhir mendapatkannya.

Data di dalam Gudang Data diuruskan dalam format dan struktur yang memudahkan ekstraksi

data, analisis data dan membuat keputusan.

Pangkalan Pangkalan Pangkalan Pangkalan datadatadatadata : koleksi drp data yang dihubungkaitkan, diuruskan, dan disimpan utk

membenarkan kpd memudahkan dapatan semula data. Strukturnya mestilah bersesuaian dgn

keperluan organisasi

3. Huraikan ROLAP dan MOLAP?

ROLAP: ( Relational OLAP )ROLAP: ( Relational OLAP )ROLAP: ( Relational OLAP )ROLAP: ( Relational OLAP )

- menyediakan kefungsian OLAP melalui penggunaan pangkalan data hubungan,

perkakasan pertanyaan utk simpanan dan analisis data multidimensional

- terkandung data yang terperinci dan data yang diringkaskan dan membolehkan

pengguna melatih tubi set data yang luas.

- ROLAP trade-off ( tidak melakukan ) antara fleksibiliti dan perlakuan

- ROLAP memerlukan bilangan yang besar jadual hubungan utk mengendalikan data yang

bersaiz besar dan hubungan dimensional.


57

MOLAP ( MultiDimensional OLAP)MOLAP ( MultiDimensional OLAP)MOLAP ( MultiDimensional OLAP)MOLAP ( MultiDimensional OLAP)

- MOLAP menyediakan kefungsian OLAP melalui penggunaan pangkalan data

multidimensional

- Data yang disimpan boleh dipaparkan dlm data 3D / data kiub

- Data kiub boleh digunakan kpd kiub n-dimensi / hiperkiub

- Data kiub adalah static , tidak boleh diubah dan mesti dicipta sebelum boleh digunakan

- Pertanyaan hanya boleh dibuat pada pra-cipta kiub dgn kenalpasti pemotongan (axes)

4. Takrifkan Data Mining dan senaraikan teknologi utamanya.

Data Mining Data Mining Data Mining Data Mining – proses menganalisis data utk mengenalpasti gaya atau hubungannya dalam

pangkalan data.

Data MiningData MiningData MiningData Mining � proses yang ekstrak maklumat drp pangkalan data yang mana pengguna tidak

tahu kewujudannya

Teknolgi : Analisis Statistik, Rangkaian Neural, Algoritma Genetik dan Pokok Keputusan

TAJUK 6 : ANALISIS DAN PEMODELANTAJUK 6 : ANALISIS DAN PEMODELANTAJUK 6 : ANALISIS DAN PEMODELANTAJUK 6 : ANALISIS DAN PEMODELAN

6.1 Pengurusan Model6.1 Pengurusan Model6.1 Pengurusan Model6.1 Pengurusan Model

ModelModelModelModel ( dalam konteks DSS ) adalah seperti pemproses yang membenarkan DSS untuk

memproses dengan berkesan input untuk menghasilkan jawapannya kepada pengguna.

ModelModelModelModel----DrivenDrivenDrivenDriven (MDDSS) bergantung banyak kepada model sesetengah untuk menghasilkan atau

mempamerkan hasilnya menjadi pengguna akhir

6.1.1 Jenis6.1.1 Jenis6.1.1 Jenis6.1.1 Jenis----Jenis ModelJenis ModelJenis ModelJenis Model

a) Model IkonikModel IkonikModel IkonikModel Ikonik ( Skala ) : jenis drp tranformasi linear yang mentransform konfigurasi drp objek

seperti replica fizikal system dalam skala yang berbeza drp objek asal � 2D / 3D

b) Model AnalogModel AnalogModel AnalogModel Analog : adalah model yang mempersembahkan tingkahlaku drp system yang hampir

sama dgn persembahan system yang betul. � 2D carta atau gambarajah


58

c) Model MatematikModel MatematikModel MatematikModel Matematik ( Kuantitatif ) : persembahan yang abstrak drp situasi masalah yang wujud

� menggunakan bahasa matematik untuk menerangkan tingkahlaku system seperti

pengurusan, biological, ekonomik, fizik atau kewangan � graf atau carta

6.2 Kategori Model Keputusan6.2 Kategori Model Keputusan6.2 Kategori Model Keputusan6.2 Kategori Model Keputusan

Model dalam Subsistem Pengurusan Model boleh diklasifikasikan kpd empat kategori utama

iaitu :

Jenis ModelJenis ModelJenis ModelJenis Model SokonganSokonganSokonganSokongan Contoh KeputContoh KeputContoh KeputContoh Keputusanusanusanusan

Strategik Pengurusan Atasan

(CEO,CFO,dan CIO)

Merancang utk penggabungan dan

pemerolehan.

Pemilihan lokasi cawangan baru/kilang.

Berani mengusahakan e-bisnes

Bajet istimewa/ tidak rutin

Taktikal Pengurusan

Pertengahan (

Pengurus Unit /

Jabatan )

Memilih vendor utk perkhidmatan pelayan

syarikat.

Merancang promosi jualan.

Menentukan susun atur kilang.

Bajet modal rutin.

Operasional Pengurusan yang

menyokong aktiviti

rutin

Menjadualkan kakitangan.

Mejadualkan pengeluaran.

Kawalan inventori (menentukan kuantiti

pesanan yg ekonomik)

Analitikal Semua tahap Kawalan kualiti.

Diguna kpd melakukan beberapa analisis data.

Cth: Data Mining dan Sains Pengurusan –

strategic / taktikal

Kategori Model: Kategori Model: Kategori Model: Kategori Model:

KategoriKategoriKategoriKategori Objektif dan ProsesObjektif dan ProsesObjektif dan ProsesObjektif dan Proses Teknik PewakilanTeknik PewakilanTeknik PewakilanTeknik Pewakilan

Pengoptimuman drp

masalah dgn alternatif

yg banyak

Dapatkan keputusan yang

baik drp jumlah yang kecil

drp alternatif

Jadual Keputusan dan Pokok

Keputusan

Pengoptimuman

melalui algoritma

Dapatkan keputusan yang

baik

Linear dan lain-lain model

Pengaturcaraan matematik

dan model rangkaian


59

KategoriKategoriKategoriKategori Objektif dan ProsesObjektif dan ProsesObjektif dan ProsesObjektif dan Proses Teknik PewakilanTeknik PewakilanTeknik PewakilanTeknik Pewakilan

Pengoptimuman

melalui Formula

Analitikal

Dapatkan keputusan terbaik

dlm satu langkah

menggunakan formula

Beberapa model inventori

Simulasi Mendapatkan keputusan

terbaik yg mencukupi atau

terbaik dikalangan alternatif

yang diperiksa melalui

penggunaan ekperimen.

Beberapa jenis simulasi

Heuristik dapatkan keputusan baik yg

mencukupi menggunakan

peraturan

Pengaturcaraan heuristic dan

system pakar

Model-Model Lain Mendapatkan ‘apa-jika’

menggunakan formula

Pemodelan kewangan dan

garis menunggu

Model Ramalan Model ramalan dan analisis

Markov

Faktor Memilih ModelFaktor Memilih ModelFaktor Memilih ModelFaktor Memilih Model

FaktorFaktorFaktorFaktor DeskripsiDeskripsiDeskripsiDeskripsi

Membuat

keputusan di

bawah kepastian

tahap untuk dipastikan bahawa sesetengahnya keputusannya ialah

penting, oleh itu tidak wajar untuk di ubah.- diandaikan

pengetahuan yg lengkap telah tersedia, pembuat keputusan tahu

akibatnya atau hasil drp setiap arah untuk tindakan. Model

berdasarkan andaian adalah mudah utk bekerja dgn dan boleh

menghasilkan penyelesaian yg optima

Membuat

keputusan di

bawah ketidak

pastian

Ketidakpastian bermaksud syak/was-was: kenyataan yg tidak

pasti. Keadaan, peristiwa, akibat atau suasana yang terhad, nilai

atau akibatnya adalah tidak boleh diramalkan atau dijangka. Di dlm

situasi ini, beberapa hasil boleh berlaku utk setiap arah tindakan.

Analisis DSS, semestinya cuba utk menjauhi andaian yang tidak

perlu kerana ianya amat sukar utk modelkan situasi sedemikian.

Kita harus cuba utk memperolehi maklumat yang lebih, dgn itu

masalah akan di modelkan andaian situasi risiko. Perbezaan utk

membuat keputusan di bawah risiko, kita tidak jangka/ tahu

kemungkinan atau peluang drp kejadian drp hasil yang boleh

berlaku.


60

FaktorFaktorFaktorFaktor DeskripsiDeskripsiDeskripsiDeskripsi

Membuat

keputusan

dibawah risiko

( Analisis Risiko)

Risiko adalah berkenaan dgn kehilangan / kekurangan. – Risiko

juga dikenali sebagai kerangkalian / stokastik situasi membuat

keputusan. Risiko boleh diukur. Analisis risiko boleh

dipersembahkan melalui menghitung nilai yang dijangka drp setiap

alternatif dan memilih satu drp nilai yang dijangka. Beberapa

teknik boleh digunakan utk tangani analisis risiko. Analisis ‘What-

if’ adalah kemahiran drp pertanyaan dan manipulasi Model Driven

DSS utk menentukan apakah kesan yang akan merubah

kebanyakan data input atau pembolehubah bebas.

6.2.1 Analisis Statik dan Dinamik6.2.1 Analisis Statik dan Dinamik6.2.1 Analisis Statik dan Dinamik6.2.1 Analisis Statik dan Dinamik

Turban & Aronson, 1998:Turban & Aronson, 1998:Turban & Aronson, 1998:Turban & Aronson, 1998:

Analisis StatikAnalisis StatikAnalisis StatikAnalisis Statik � model yang memaparkan penggambaran tunggal drp situasi dalam jarak atau

jeda tunggal

Deardof, 2001 :Deardof, 2001 :Deardof, 2001 :Deardof, 2001 :

Model Statik ekstrak drp proses melalui keseimbangan atau kekuatan optimum dicapai hanya

melebihi masa, mahupun kebergantungan daripada pembolehubah-pembolehubah dalam

model itu sendiri ke atas perubahan masa lalu atau pd masa depan.

Analisis DinamikAnalisis DinamikAnalisis DinamikAnalisis Dinamik � model agar suatu masa bergantung kepada model.

- digunakan untuk menilai situasi atau scenario agar merubah masa yang berlebihan.

- Ianya penting kerana memaparkan aliran dan bentuk keperluan, pengeluaran atau jualan

yang melebihi masa.

6.3 Membina Model6.3 Membina Model6.3 Membina Model6.3 Membina Model

Pengesahan ModelPengesahan ModelPengesahan ModelPengesahan Model � adalah proses dalam membandingkan output model dengan tingkahlaku

sebenar drp fenomena yang dimodelkan.


61

Kitar Hayat Pemodelan :Kitar Hayat Pemodelan :Kitar Hayat Pemodelan :Kitar Hayat Pemodelan :

TugasTugasTugasTugas SasaranSasaranSasaranSasaran MekanismaMekanismaMekanismaMekanisma

Mengenalpasti Masalah Kenyataan masalah

tepat,jelas

Proses penghujahan

Mencipta Model Kenyataan drp model

diperlukan utk

menjelaskan masalah

secara matematik

Formulasasi

Intergrasi

Modifikasi dan Pemilihan Model

Komposisi

Implementasi Model Pernyataan

kebolehlaksanaan

komputer daripada

model

Pembangunan Program Ad-hoc

Mengguna bahasa pengkhususan

tahap tinggi.

Mengguna model pengkhususan

penjana program

Pengesahan Model Maklumbalas drp

pengesah

Analisis simbolik drp atribut seperti

dimensi dan peraturan sintaks unit

Penyelesaian Model Maklum balas drp

penyelesai

Pelaksanaan dan penjilidan

Penyelesai penjujukan dan

pelaksanaan skrip kawalan

Interpretasi Model Model Kefahaman

Model Mengawas silap

Model analisis

keputusan

Analisis Struktur

Analisis Sensitiviti

Penyenggaraan Model Menyemak kenyataan

masalah dan model utk

menggambarkan

perubahan/tanggapan

Penyebaran simbolik drp perubahan

struktur

Keselamatan / Versi

Model

Menyenggara dgn

betul dan konsisten,

Versi-versi model,

Memastikan

kekuasaan/hak utk

akses

Versi

Kaedah Kawalan Akses


62

6.4 Gambarajah Influence ( Pengaruh )6.4 Gambarajah Influence ( Pengaruh )6.4 Gambarajah Influence ( Pengaruh )6.4 Gambarajah Influence ( Pengaruh )

- pengurus biasanya suka melihat hasil yang mudah untuk difahami, senang digunakan dan

tidak memerlukan banyak klasifikasi.

Howard and Matheson (1998); Influence Diagram (ID) � perkakasan formal untuk model

keputusan masalah untuk pembuat keputusan dan analisis

Carta Alir ( Flowchart)Carta Alir ( Flowchart)Carta Alir ( Flowchart)Carta Alir ( Flowchart) � persembahan grafik yang digunakan untuk paparkan aliran

pengaturcaraan semasa proses analisis dan reka bentuk

Influence Diagram (IDInfluence Diagram (IDInfluence Diagram (IDInfluence Diagram (ID) � teknik pemodelan yang digunakan apabila membuat pengaturcaraan

– ianya digunakan untuk memetakan rekabentuk model dengan persembahan grafik drp model

digunakan untuk membantu di dalam rekabentuk model, pembangunan dan pemahaman

Pemodelan IDPemodelan IDPemodelan IDPemodelan ID DiskripsiDiskripsiDiskripsiDiskripsi

a) Certain

Influence

(Pengaruh

Tertentu)

b) Uncertain

Influence

- Anak Panah = pengaruh (influence)

- Pembolehubah disambungkan oleh anak panah yang

menunjukkan arah/arahan drp pengaruh.

- anak panah pengaruh bermakna bahawa itu nilai daripada

pembolehubah mempengaruhi dalam set pertama dan digunakan

menentukan tahap pembolehubah yang dipengaruhinya.

- certain influence dgn anak panah lurus

- uncertain influence dgn anak panah tidak lurus

Pembolehubah keputusan dipaparkan oleh segi empat

Pembuat keputusan berkuasa utk kawal lain-lain pembolehubah

Notasi bulatan adalah paparan seperti tidak dapat dikawal atau

pengantara pembolehubah. Simbol itu mentakrifkan

pembolehubah yang mana tidak pasti dan pembuat keputusan

tidak boleh kawalnya secara terus

Bulat bujur menandakan atribut atau keputusan pembolehubah

Bayar Muka

cukai

Bayaran Bulanan


63

6.4.16.4.16.4.16.4.1 Certain Influence ( Relationship) : Pengaruh Yang Pasti ( hubungan)Certain Influence ( Relationship) : Pengaruh Yang Pasti ( hubungan)Certain Influence ( Relationship) : Pengaruh Yang Pasti ( hubungan)Certain Influence ( Relationship) : Pengaruh Yang Pasti ( hubungan)

- ID memaparkan arahan drp pengaruh (hubungan) antara pembolehubah dengan anak

panah

- Anak panah lurus � pengaruh tertentu mungkin digunakan walaupun pengaruh

pembolehubah adalah pembolehubah rawak

6.4.26.4.26.4.26.4.2 Certainty Influence with Random (Risk) Variable ( Certainty Influence with Random (Risk) Variable ( Certainty Influence with Random (Risk) Variable ( Certainty Influence with Random (Risk) Variable ( Pengaruh Kepastian dengan Pengaruh Kepastian dengan Pengaruh Kepastian dengan Pengaruh Kepastian dengan

Pembolehubah Rawak ( Risiko)Pembolehubah Rawak ( Risiko)Pembolehubah Rawak ( Risiko)Pembolehubah Rawak ( Risiko)

- perlu membezakan situasi yang mana semua ketidakpastian dalam pembolehubah

adalah wajar untuk ketidakpastian dalam pembolehubah terdahulu ( tiada garis beralun

pada anak panah) drp pembolehubah yang diketahui dengan kepastian perlu pengaruh

ketidakpastian ke atas yang lain ( anak panah tidak lurus )

Menjelaskan garis lurus drp pengaruh antaranya menunjukkan bahawa jika tahap drp Belanja Belanja Belanja Belanja

BerubahBerubahBerubahBerubah dijumpai , PendapatanPendapatanPendapatanPendapatan akan diketahui juga.

6.46.46.46.4.3 .3 .3 .3 Uncertainty (Risk) Relationship ( Hubungan Ketidakpastian ( Risiko ) )Uncertainty (Risk) Relationship ( Hubungan Ketidakpastian ( Risiko ) )Uncertainty (Risk) Relationship ( Hubungan Ketidakpastian ( Risiko ) )Uncertainty (Risk) Relationship ( Hubungan Ketidakpastian ( Risiko ) )

Situasi penting di mana kewakan dalam pembolehubah adalah wajar kedua-duanya untuk

kerawakan dalam mempengaruhi pembolehubah dan pengaruh tidakpasti.

Memilih harga untuk model baru Proton adalah pembolehubah keputusan

Bayaran Bulanan Bayar Muka

Pendapatan Belanja Berubah

Harga Kereta Jualan Kereta


64

6.4.46.4.46.4.46.4.4 Uncertainty (Risk) Relationship with Random Variable ( Hubungan Ketidakpastian (Risiko) Uncertainty (Risk) Relationship with Random Variable ( Hubungan Ketidakpastian (Risiko) Uncertainty (Risk) Relationship with Random Variable ( Hubungan Ketidakpastian (Risiko) Uncertainty (Risk) Relationship with Random Variable ( Hubungan Ketidakpastian (Risiko)

dengan Pembolehubah Rawak)dengan Pembolehubah Rawak)dengan Pembolehubah Rawak)dengan Pembolehubah Rawak)

Pembolehubah Permintaan dan Penyerahan akan menjadi ketidakpastian kerana mempengaruhi

pembolehubah adalah rawak atau pengaruh adalah rawak. Untuk itu, tidak ditandakan

Penyerahan dengan tilde (~) . Tilde hanya digunakan ke atas pembolehubah di mana dimulakan

kerawakan.

6.4.56.4.56.4.56.4.5 Influence Diagram Examples ( Contoh Gambarajah InfluInfluence Diagram Examples ( Contoh Gambarajah InfluInfluence Diagram Examples ( Contoh Gambarajah InfluInfluence Diagram Examples ( Contoh Gambarajah Influence )ence )ence )ence )

~ Permintaan

Penyerahan

Tahap Usaha Gred Peringatan Tunai Tukar Loan CGPA

Kos Cukai Kerajaan = 0.005 ( Harga Produk ) Harga Produk = RM 15 + Cukai Kerajaan

Kos Cukai

Harga Produk


65

6.56.56.56.5 Analisis KeputusanAnalisis KeputusanAnalisis KeputusanAnalisis Keputusan

� disiplin daripada menilai alternatif-alternatif kompleks dari segi nilai-nilai dan

ketidakpastian

6.5.16.5.16.5.16.5.1 Decision Trees ( Pokok Keputusan )Decision Trees ( Pokok Keputusan )Decision Trees ( Pokok Keputusan )Decision Trees ( Pokok Keputusan )

WhitepaperWhitepaperWhitepaperWhitepaper (2000) : merupakan jalan mudah bagi mewakili dan memproses klasifikasi

pengetahuan / pengalaman.

Sewaan Baru

Izin sendiri

Bina semula

Pasaran Baik (0.4)

RM40,000

Pasaran buruk (0.6)

RM 100,000

-RM20,000

Gagal (0.2)

OK (0.8)

Tiada Risiko

Ganjaran

RM 80,000

RM 85,000


66

6.5.36.5.36.5.36.5.3 Payoff Table ( Jadual Ganjaran )Payoff Table ( Jadual Ganjaran )Payoff Table ( Jadual Ganjaran )Payoff Table ( Jadual Ganjaran )

Analisis KeputusanAnalisis KeputusanAnalisis KeputusanAnalisis Keputusan adalah proses agar membolehkan pembuat keputusan untuk memahami

hakikat daripada situasi dan risiko-risiko dan membenarkan pembuat keputusan untuk

memutuskan sedikit dan kebanyakan pilihan daripada set daripada alternatif keputusan yang

boleh berlaku.

Elemen drp masalah analisi keputusan ialah:Elemen drp masalah analisi keputusan ialah:Elemen drp masalah analisi keputusan ialah:Elemen drp masalah analisi keputusan ialah:

a. hanya seorang individu yang bakal dilantik sebagai pembuat keputusan Cthnya, CEO,

COO atau pengurus syarikat

b. bilangan yang terhad drp peristiwa yang mungkin berlaku ( masa depan ) adalah

dipanggil ‘States of Nature’ ( set drp scenario yang boleh berlaku )

c. bilangan yang terhad drp alternatif keputusan yang mungkin berlaku ( cthnya, tindakan )

adalah tersedia untuk pembuat keputusan

d. Ganjaran ( pulangan atau hasil drp keputusan ) adalah elemen bila mana kombinasi yang

berbeza drp keputusan dan ‘state of nature’ ( ketidakpastian) menghasilkan ganjaran

yang berbeza. Ganjaran biasanya dipaparkan dalam jadual. Dalam analisis keputusan

ganjaran dipaparkan melalui nilai positif (+) untuk pendapatan bersih, gaji, atau

keuntungan dan nilai negatif (-) untuk belanjawan, kos, atau kerugian bersih

analisis memerlukan ketelitian yang lebih kerana ianya bukannya mudah untuk membentuk

matrik tersebut. Kesilapan yang biasa dalam analisis keputusan ialah :

i. salah tanggapan

ii. tidak mempunyai tanggapan yang tepat drp kemungkinan

iii. bergantung kepada jangkaan

iv. susah dalam mengukur fungsi utility

v. kesilapan ramalan


67

Komponen drp model kemungkinanKomponen drp model kemungkinanKomponen drp model kemungkinanKomponen drp model kemungkinan

6.5.46.5.46.5.46.5.4 Jadual KeputusanJadual KeputusanJadual KeputusanJadual Keputusan

Turban et.al (2004)Turban et.al (2004)Turban et.al (2004)Turban et.al (2004) � seperti satu langkah mudah untuk mengurus maklumat dalam cara yang

sistematik.

- digunakan untuk model logik yang komplikated (rumit )

- seperti struktur kawalan yang dipelajari dlm kursus pengaturcaraan seperti kenyataan ifififif----

thenthenthenthen----elseelseelseelse dan switchswitchswitchswitch----casecasecasecase

- Kenyataan di dalam Jadual Keputusan adalah conditionsconditionsconditionsconditions ( syarat/keadaan) dan actionsactionsactionsactions

(tindakan)

Penyelesaian Masalah Pencetak

Dokumen tidak boleh dicetak Y Y Y Y N N N N

Pencetakan lambat - - - N Y Y N N

Font hilang / tidak seperti dipaparan

skrin

- - - N Y N Y N

Periksa kabel power X

Periksa / tukar kabel pencetak-

komputer

X X X

Pastikan driver pencetak diinstal X X X X

ConditionConditionConditionCondition

ActionsActionsActionsActions

Periksa /tukar katrij powder X

Model Matematik Tindakan

Peristiwa

Ganjaran ( ulangan )


68

6.66.66.66.6 Kaedah / Cara Menyelesaikan MasalahKaedah / Cara Menyelesaikan MasalahKaedah / Cara Menyelesaikan MasalahKaedah / Cara Menyelesaikan Masalah

Tiga Kenyataan Drp Penyelesaian Masalah

Pendekatan untuk mencari, bergantung kpd jenis masalah untuk diselesaikan dan jenis

pendekatan pemodelan :

a. Optimisation / Analytical Technique ( Teknik Analitikal / Pengoptimistik )

b. Blind Search ( Penyelidikan / Pencarian Rabun )

c. Heuristic Search ( Penyelidikan / Pencarian Heuristik )

Dalam pencarian langkah2 untuk kenyataan penyelesaian, kenyataan2 dgn terdapat kenyataan dengan kepunyaan tersebut bahawa jika pernah dipertemukan, penyelesaian masalah adalah dipertimbangan kegagalan

Kenyataan di mana permulaan episod yang disediakan drp penyelesaian masalah

Kenyataan Mustahil / gagal

Kenyataan awal

Kenyataan Penyelesaian / sasaran

Kenyataan di mana permulaan episod yang disediakan drp penyelesaian masalah


69

6.6.16.6.16.6.16.6.1 Teknik AnTeknik AnTeknik AnTeknik Analitikalalitikalalitikalalitikal

- menggunakan formula matematik untuk mendapatkan penyelesaian optima bagi

menjangkakan laporan/keputusan.

- Yang digunakan terutamanya untuk menyelasaikan masalah berstruktur seperti

penganggaran, peramalan, analisis siri-masa dan pemodelan

- Penganggaran, peramalan dan analisis siri-masa biasanya berdasarkan teknik

pengunduran linear

- Perkakasan EIS/DSS menyokong pemodelan umumnya menyediakan penganggaran,

simulasi dan teknik peramalan agar operasi ke atas pembolehubahn nonlinear

- Peramalan dan analisis bersiri-masa berbeza drp teknik penganggaran mudah dalam

pada itu trend masa depan atau terdahulu dijangka berdasarkan data historical

- Apabila masalah tidak berstruktur ( terlalu kompleks) , pendekatan

pencarian/penyelidikan heuristic dan blind digunakan

6.6.26.6.26.6.26.6.2 Blind Search ( Penyelidikan / Pencarian Rabun ) Blind Search ( Penyelidikan / Pencarian Rabun ) Blind Search ( Penyelidikan / Pencarian Rabun ) Blind Search ( Penyelidikan / Pencarian Rabun )

- juga dipanggil pencarian tidak dimaklumkan (uninformed search ) adalah

pencarian/penyelidikan yang tiada maklumat mengenai domainya

- hanya boleh lakukan ialah mengenali kenyataan bukan sasaran daripada kenyataan

sasaran.

- Algoritma drp pencarian kelebaran pertama (Breadth-First Search-BFS) melibatkan

penggunaan giliran / barisan untuk pencarian.

Giliran ( queue)Giliran ( queue)Giliran ( queue)Giliran ( queue) � adalah senarai di mana nod-nod selalunya ditambahkan kpd penghujung

senarai tetapi dipindahkan drp hadapan


70

6.6.36.6.36.6.36.6.3 Heuristic Search ( Penyelidikan / Pencarian Heuristik )Heuristic Search ( Penyelidikan / Pencarian Heuristik )Heuristic Search ( Penyelidikan / Pencarian Heuristik )Heuristic Search ( Penyelidikan / Pencarian Heuristik )

- algoritma atau perisian merupakan cawangan kecerdasan tiruan yang menggunakan

heuristik, ( peraturan kewarasan daripada pengalaman untuk selesaikan masalah )

6.7 6.7 6.7 6.7 SistSistSistSistem Pemodelanem Pemodelanem Pemodelanem Pemodelan

- sistem komputer yang menerima model keperluan pengguna, menterjemahkannya ke

dalam bentuk yang boleh diterima untuk penyelesai, memohon penyelesai dan

terjemahkan output drp penyelesai semula ke dalam bentuk yang boleh diinterpretasikan

oleh pemodel


71


Decision Support ( Sokongan keputusan)Decision Support ( Sokongan keputusan)Decision Support ( Sokongan keputusan)Decision Support ( Sokongan keputusan) : penggunaan data, model dan analisis utk memberi

pemahaman yang membantu membuat keputusan

Management Science ( Sains Pengurusan )Management Science ( Sains Pengurusan )Management Science ( Sains Pengurusan )Management Science ( Sains Pengurusan ) : aplikasi yang sistematik drp proses pemodelan

kepada situasi pengurusan

ModelModelModelModel : persembahan drp beberapa aspek yang reality

Model Base ( Pangkalan Data )Model Base ( Pangkalan Data )Model Base ( Pangkalan Data )Model Base ( Pangkalan Data ) : koleksi drp jenis-jenis model yang diisikan dalam media

storan elektronik dan boleh dicapai kpd pengguna dan program

Modelling Language ( Bahasa Pemodelan Modelling Language ( Bahasa Pemodelan Modelling Language ( Bahasa Pemodelan Modelling Language ( Bahasa Pemodelan )))) : notasi kebolehlaksanaan komputer formal yang

boleh digunakan untuk menjelaskan konsep yang abstrak drp rangka kerja.

ParameterParameterParameterParameter : pembolehubah yang nilainya tidak ditentukan oleh pembuat keputusan

Physical Model ( Model Fizikal )Physical Model ( Model Fizikal )Physical Model ( Model Fizikal )Physical Model ( Model Fizikal ) : model seperti model kereta yang komponennya adalah

artifak fizikal drp ciri-ciri entity sebenar.

Problem ( Masalah )Problem ( Masalah )Problem ( Masalah )Problem ( Masalah ) : penerangan mengenai sesuatu yang boleh dilakukan dengan keadaan

Ujian 1Ujian 1Ujian 1Ujian 1

1. Apakah Sistem Pengurusan Pangkalan Model?

Sistem Pengurusan Pangkalan Model ialah mengurus pelbagai peralatan analitikal DSS, boleh

membezakan dlm nombor, saiz dan kompleksiti. Fungsi utamanya:

� Memodelkan bahasa : utk cipta model keputusan mula dari asas atau drp model sedia

ada – mekanisma utk link dgn pelbagai model kpd membenarkan utk pemprosesan

berturutan atau pertukaran data

� Model Perpustakaan : simpan dan uruskan semua model dan penyelasaian algoritma utk

mudah akses dan manipulasi

� Model manipulasi : mengurus dan selenggara model asas dgn fungsi yg sama dgn apa yg

didapati dlm DBMS spt run, stor, pertanyaan, padam, link dll)


72

2. Jelaskan mengapakah menyelesaikan masalah di bawah ketidak pastian kadang-kala

melibatkan pengandaian bahawa masalah itu perlu diselesaikan di bawah keadaan drp risiko?

Analisis DSS, semestinya cuba utk menjauhi andaian yang tidak perlu kerana ianya amat sukar

utk modelkan situasi sedemikian. Kita harus cuba utk memperolehi maklumat yang lebih, dgn

itu masalah akan di modelkan andaian situasi risiko. Perbezaan utk membuat keputusan di

bawah risiko, kita tidak jangka/ tahu kemungkinan atau peluang drp kejadian drp hasil yang

boleh berlaku.

TAJUK 7 : QUANTITATIVE ANALYSIS AND MODELLINGTAJUK 7 : QUANTITATIVE ANALYSIS AND MODELLINGTAJUK 7 : QUANTITATIVE ANALYSIS AND MODELLINGTAJUK 7 : QUANTITATIVE ANALYSIS AND MODELLING

( Pemodelan dan Analisis Kuantitatif )( Pemodelan dan Analisis Kuantitatif )( Pemodelan dan Analisis Kuantitatif )( Pemodelan dan Analisis Kuantitatif )

PengenalanPengenalanPengenalanPengenalan

Turban & Aronson (2001)Turban & Aronson (2001)Turban & Aronson (2001)Turban & Aronson (2001) menegaskan bahawa satu drp ciri-ciri utama DSS adalah

mengambilkira sekurang-kurangnya satu model.

Model Analitikal dan MatematikModel Analitikal dan MatematikModel Analitikal dan MatematikModel Analitikal dan Matematik adalah komponen dominan ( paling utama ) dalam ModelModelModelModel----

Driven DSS (MDSS)Driven DSS (MDSS)Driven DSS (MDSS)Driven DSS (MDSS) kerana model-model digunakan oleh pembuat keputusan untuk memahami

sifat-sifat semulajadi masalah.

Pembuat keputusan boleh menjalankan ujian dan analisis ke atas model drp kenyataan sebenar

lebih tepat drp system yang nyata.

7.17.17.17.1 Model KeputusanModel KeputusanModel KeputusanModel Keputusan

Apabila membuat keputusan terlalu kompleks dan kepentingannya pada tonggak terlalu

berisiko, kerapkalinya tidak pasti apa untuk diputuskan.

- sering ke teknik sokongan keputusan yang tidak formal seperti bertanya kepada rakan-

rakan

- proses membuat keputusan mudah yang dihasilkan model keputusan dgn hanya dua

alternatif, dikenali sebagai Manicheanism

ManicheaManicheaManicheaManicheanismnismnismnism membahagikan semua/ setiap satu dalam dunia ke dalam diskret (berlainan)

atau polar yang bertentangan seperti baik atau/dan buruk.


73

Decision Science ( DS ) yang juga dikenali Operations Research (OR), Quantitative Analysisi

(QA), dan Management Science (MS) adalah sains membuat keputusan.

Quantitative Analysisi (QA) atau OR/MSQuantitative Analysisi (QA) atau OR/MSQuantitative Analysisi (QA) atau OR/MSQuantitative Analysisi (QA) atau OR/MS adalah aplikasi drp kaedah membuat keputusan kepada

membuat keputusan.

KuantitatifKuantitatifKuantitatifKuantitatif bermaksud yang pendekatan ini berdasarkan pemodelan matematik. Ianya adalah

pendekatan sains untuk automasi kongsian drp membuat keputusan pengurusan.

7.27.27.27.2 Model MatematikModel MatematikModel MatematikModel Matematik

a) Apakah itu Model?a) Apakah itu Model?a) Apakah itu Model?a) Apakah itu Model?

ModelModelModelModel adalah pemisahan atau ringkasan / synopsis drp situasi keputusan dunia nyata.

b) Matematik Sebagai Bahasa Universal Drp Pemodelanb) Matematik Sebagai Bahasa Universal Drp Pemodelanb) Matematik Sebagai Bahasa Universal Drp Pemodelanb) Matematik Sebagai Bahasa Universal Drp Pemodelan

Paling meluas digunakan model-model ialah bahasa percakapan atau dikenali sebagai model

naratif.

Contohnya : laporan verbal, atau penulisan dokumen adalah model tengah/pusat untuk

kesedaran.

Model VerbalModel VerbalModel VerbalModel Verbal adalah terjemahan daripada model mental

- Ianya menjelaskan semua hubungan kefungsian antara pembolehubah dalam laluan

perkataan

- Percakapan dan penulisan dokumen adalah seperti transkrip temu ramah, kajian kes, manual

dan lain-lain model.

- Pembinaan model melibatkan pembahagian yang terbaik drp model verbal.

- Disebabkan drp anekaragam dan batasan manusia drp komunikasi dan kemahiran menulis,

para saintis menggunakan matematik dan logik bagi membolehkan manusia utk menyatakan

dan seterusnya berkomunikasi dgn efektif idea-idea mereka.

- Matematik adalah hanya bahasa yang dikongsi oleh semua manusia tanpa mempedulikan

bangsa, budaya dan jenis jantina.


74

c) Pemodelanc) Pemodelanc) Pemodelanc) Pemodelan

- Pemodelan melibatkan perubahan masalah bisnes ke dalam struktur prototaip yang

bersesuaian seperti model matematik.

- Proses perubahan melibatkan pemprosesan dan pemanipulasian data mentah ke dalam

maklumat yang lebih bermakna

- model matematik diubahkan ke dalam versi elektronik atau model computer

menggunakan sama ada pakej perisian statistic, perisian ramalan, pakej pemodelan atau

perkakasan pengguna akhir seperti Microsoft Excel

- adalah perlu untuk ‘customize’ model-model menggunakan perkakasan dan bahasa

pengaturcaraan seperti C++, Java atau Visual Basic.

d) Peranan Modeld) Peranan Modeld) Peranan Modeld) Peranan Model----Model MatematikModel MatematikModel MatematikModel Matematik

- Model Matematik digunakan untuk analisis

- nilai drp kekunci pembolehubah atau parameter model boleh diubahkan berulang-ulang

- Perubahan dibuat untuk menunjukkan perubahan dan ketidakpastian dalam sebarang situasi

keputusan seperti pemintaan dan penawaran, system penggiliran, pengeluaran, ekonomi, kos

dan faedah dan sebagainya

- Output atau keputusan daripada menggunakan model masih perlu dianalisis dan dinilai oleh

pembuat keputusan kerana MDDSS bukanlah system pembuatan keputusan, ianya hanya

menyokong proses pembuatan keputusan oleh manusia

e) Pangkalan Modele) Pangkalan Modele) Pangkalan Modele) Pangkalan Model

- keperluan untuk pembuat keputusan akses kepada pelbagai model dan menbantu dalam

membuat keputusan.


75

7.2.17.2.17.2.17.2.1 Klasifikasi Model MatematikKlasifikasi Model MatematikKlasifikasi Model MatematikKlasifikasi Model Matematik

Marakas , 1999: Marakas , 1999: Marakas , 1999: Marakas , 1999:

JenisJenisJenisJenis----Jenis ModelJenis ModelJenis ModelJenis Model CiriCiriCiriCiri----CiriCiriCiriCiri

Simulation

( Simulasi )

- gabungkan ketidakpastian ke dalam strukturnya. Sekurang-

kurangnya satu drp pembolehubah adalah tidakpasti dan

dijelaskan oleh beberapa fungsi kemungkinan

- bila membina model stokastik , pembuat keputusan mengagih

nilai input drp satu atau lebih pembolehubah disekitar beberapa

nilai bermakna dan pembolehubah output ambil bentuk drp

pengagihan frekuensi lebih drp nilai set diskret

- teknik pemodelan stokastik termasuklah teori permainan, teori

giliran, pengunduran linear, analisis siri masa, analisis laluan,

dan pengunduran logistic atau analisis logik.

Deterministic

( Ketentuan )

- digunakan apabila konteks masalah adalah hibrik (kepelbagaian)

; yang bermaksud beberapa komponen kontek keputusan adalah

berketentuan, beberapa lagi stokastik, dan beberapa lagi

gabungan kedua-duanya.

- Dibangunkan utk membenarkan kombinasi pelbagai model

- Menguruskan satu atau lebih eksperimen yang menguji pelbagai

keputusan hasil drp kombinasi pemodelan sub-sistem ke dalam

persekitaran dinamik

- Mencontohi reality

- Model simulasi biasa adalah pemodelan pengeluaran,

pengangkutan dan logistic dan ekonomik

Domain Specific

Domain Tertentu /

Khusus

- pembolehubah hanya mengambil satu nilai pada sebarang masa

pengambilan

- model berketentuan termasuklah pengaturcaraan linear,

pengaturcaraan bukan linear, persamaan-perbezaan

Stochastic

( Stokastik)

- set drp teknik pemodelan matematik abstrak dibangunkan untuk

melayan satu medan tertentu

- Cthnya: model pembekalan dan permintaan adalah model unik

digunakan oleh para ekonomi. Lain-lain domain yang dikenali

sebagai penyelidikan operasi, sosiologi, ekologi, perubatan, dan

meteorology yang dibangunkan dgn teknik pemodelan abstrak

tersendiri.


76

7.2.2 Komponen Drp Model Matematik7.2.2 Komponen Drp Model Matematik7.2.2 Komponen Drp Model Matematik7.2.2 Komponen Drp Model Matematik

Terdiri daripada tiga komponen iaitu:

a.a.a.a. Decision Variables ( Pembolehubah Keputusan )Decision Variables ( Pembolehubah Keputusan )Decision Variables ( Pembolehubah Keputusan )Decision Variables ( Pembolehubah Keputusan )

b.b.b.b. Uncontrollable Variables ( Pembolehubah TiUncontrollable Variables ( Pembolehubah TiUncontrollable Variables ( Pembolehubah TiUncontrollable Variables ( Pembolehubah Tidak Dapat Dikawal ) dak Dapat Dikawal ) dak Dapat Dikawal ) dak Dapat Dikawal ) –––– ‘and’ / ‘or’ parameter. ‘and’ / ‘or’ parameter. ‘and’ / ‘or’ parameter. ‘and’ / ‘or’ parameter.

c.c.c.c. Result ( outcome ) Variables ( Pembolehubah Hasil / Keputusan )Result ( outcome ) Variables ( Pembolehubah Hasil / Keputusan )Result ( outcome ) Variables ( Pembolehubah Hasil / Keputusan )Result ( outcome ) Variables ( Pembolehubah Hasil / Keputusan )

Contoh Pembolehubah:Contoh Pembolehubah:Contoh Pembolehubah:Contoh Pembolehubah:

BidangBidangBidangBidang PembolehubahPembolehubahPembolehubahPembolehubah

KeputusanKeputusanKeputusanKeputusan

PembolehubahPembolehubahPembolehubahPembolehubah

HasilHasilHasilHasil

Pembolehubah & Parameter Pembolehubah & Parameter Pembolehubah & Parameter Pembolehubah & Parameter

Tidak Dapat dikawalTidak Dapat dikawalTidak Dapat dikawalTidak Dapat dikawal

Pelaburan

Kewangan

Alternatif

Pelaburan.

Amaun

pelaburan.

Jangkamasa

labor.

Bila melabur.

Keuntungan

kesemuanya.

Kadar pulangan.

Ganjaran

perkongsian.

Tahap kecairan

Kadar inflasi

Kadar asas.

Persaingan.

Pembuatan Apa yang

dihasilkan.

Jumlah hasilan

Tahap inventori

Program pampas

an.

Kos

kesemuanya.

Tahap kualiti.

Pekerja

Kepuasan.

Kapasiti mesin.

Teknologi.

Sifat dan material

Sumber harga

Hubungan Matematik

Pembolehubah Keputusan

Pembolehubah Tidak Dapat Dikawal

Pembolehubah Hasil


77

BidangBidangBidangBidang PembolehubahPembolehubahPembolehubahPembolehubah

KeputusanKeputusanKeputusanKeputusan

PembolehubahPembolehubahPembolehubahPembolehubah

HasilHasilHasilHasil

Pembolehubah & Parameter Pembolehubah & Parameter Pembolehubah & Parameter Pembolehubah & Parameter

Tidak Dapat dikawalTidak Dapat dikawalTidak Dapat dikawalTidak Dapat dikawal

Pemilihan kereta

keluarga.

Jenis kereta.

Jenama kereta

Harga pembelian

Jangkamasa

pembayaran.

Institusi

kewangan

Bayaran bulanan Kadar cukai

Kadar faedah

Penjadualan

Kelas

Bilangan pelajar

Pensyarah

Tempat

Masa

Jadual kelas Bilangan dewan kuliah

Bilangan kelas

a)a)a)a) Pembolehubah KeputusanPembolehubah KeputusanPembolehubah KeputusanPembolehubah Keputusan dan Hasil ( Result & Decision Variables) dan Hasil ( Result & Decision Variables) dan Hasil ( Result & Decision Variables) dan Hasil ( Result & Decision Variables)

Pembolehubah Hasil ( Result Variables ) � ialah pembolehubah yang menggambarkan drp

keberkesanan sistem dan pembolehubah keputusan yang menghuraikan arah/haluan alternatif

drp tindakan.

Cth: seseorang memilih kereta, pertamanya membuat keputusan berapa banyak dia perlu

bayar sebulan � analisa jenama � menentukan untuk bayar RM900 – RM 1200 sebulan tetapi

hanya sanggup bayar 10% drp harga kereta � menentukan pilihan Proton Perdana atau Toyota

Altis

b)b)b)b) Parameter ataParameter ataParameter ataParameter atau Pembolehubah Tidak Dapat Dikawal ( Uncontrollable Variables or u Pembolehubah Tidak Dapat Dikawal ( Uncontrollable Variables or u Pembolehubah Tidak Dapat Dikawal ( Uncontrollable Variables or u Pembolehubah Tidak Dapat Dikawal ( Uncontrollable Variables or

Parameter )Parameter )Parameter )Parameter )

� ialah faktor-faktor mempengaruhi keputusan pembolehubah, tetapi bukan di bawah

kawalan drp pembuat keputusan

� factor-faktor ini boleh jadi tetap ( parameter ) atau berubah-ubah ( pembolehubah )

Cth: kadar faedah pinjaman kereta, adalah tetap tetapi boleh memilih institusi kewangan yang

diingini


78

c)c)c)c) Pembolehubah Hasil Yang Sederhana ( Intermediate Result Variables )Pembolehubah Hasil Yang Sederhana ( Intermediate Result Variables )Pembolehubah Hasil Yang Sederhana ( Intermediate Result Variables )Pembolehubah Hasil Yang Sederhana ( Intermediate Result Variables )

� ialah terdapat menggambarkan bahawa keputusan drp hasil yang sederhana

Cth: pengurus perlu memutuskan yuran kursus professional ( pembolehubah hasil) �

keputusan pengurus akan mempengaruhi keseluruhan drp pelajar yang mendaftar ( hasil

pertengahan ) � yang kemudiannya menentukan keuntungan bersih ( keputusan akhir )

7.3 Analisis Sensitiviti7.3 Analisis Sensitiviti7.3 Analisis Sensitiviti7.3 Analisis Sensitiviti

� adalah satu analisis yang dijalankan untuk mencapai kesan bagi perubahan di dalam data

input atau parameter pada pembolehubah hasil.

Cth: Apakah kesan drp perubahan dalam harga petrol dan disel kpd keuntungan bersih runcit.

Analisis SensitivitiAnalisis SensitivitiAnalisis SensitivitiAnalisis Sensitiviti adalah amat penting dlm DSS kerana ianya menyediakan pemahaman yang

terbaik drp model keputusan

Dua jenis analisis sensitiviti :Dua jenis analisis sensitiviti :Dua jenis analisis sensitiviti :Dua jenis analisis sensitiviti :

a. Analisis Sensitiviti AutomatikAnalisis Sensitiviti AutomatikAnalisis Sensitiviti AutomatikAnalisis Sensitiviti Automatik � dilaksanakan dalam implementasi model piawaian ORMS (

Operational Research / Management Science ) seperti pengaturcaraan linear

b. Trial and Error ( eksperimen ) belajar drp kesilapan b. Trial and Error ( eksperimen ) belajar drp kesilapan b. Trial and Error ( eksperimen ) belajar drp kesilapan b. Trial and Error ( eksperimen ) belajar drp kesilapan

� menggunakan dua jenis eksperimen iaitu ‘what-if’ dan mencari / memperoleh sasaran

Analisis ‘WhatAnalisis ‘WhatAnalisis ‘WhatAnalisis ‘What----if’if’if’if’ adalah distrukturkan seperti “ Apa akan berlaku kepada

penyelesaian/jawapan jika pembolehubah input atau andaian atau nilai parameter diubah”

Analisis Mencari SasaranAnalisis Mencari SasaranAnalisis Mencari SasaranAnalisis Mencari Sasaran � menghitung nilai-nilai drp input-input yang mustahak untuk

menghasilkan tahap yang diingini ke atas output ( sasaran )

7.47.47.47.4 Deterministic Model ( Model Penentuan ) : break even point ( meleraikan titik yg rata )Deterministic Model ( Model Penentuan ) : break even point ( meleraikan titik yg rata )Deterministic Model ( Model Penentuan ) : break even point ( meleraikan titik yg rata )Deterministic Model ( Model Penentuan ) : break even point ( meleraikan titik yg rata )

Break Break Break Break –––– Even Even Even Even –––– Point Point Point Point ( BEPs)( BEPs)( BEPs)( BEPs) ialah titik jumlah jualan di mana jumlah keseluruhan pendapatan

dan Jumlah keseluruhan perbelanjaan ialah sama ; yang di mana terdapat untung tidak juga

hilang

- untuk produk, jenama atau syarikat adalah titik di mana jumlah keseluruhan pendapatan

sama jumlah keseluruhan kos.


79

7.4.17.4.17.4.17.4.1 Spreadsheet Based BEPSpreadsheet Based BEPSpreadsheet Based BEPSpreadsheet Based BEP

7.57.57.57.5 Stochastic Model : Queuing Management ( Pengurusan Bergilir/Berbaris )Stochastic Model : Queuing Management ( Pengurusan Bergilir/Berbaris )Stochastic Model : Queuing Management ( Pengurusan Bergilir/Berbaris )Stochastic Model : Queuing Management ( Pengurusan Bergilir/Berbaris )

- teori pengurusan berbaris adalah penting untuk mencipta jadual, rekabentuk kerja,

pengurusan inventori dsbnya

- teori berbaris : kajian drp menunggu barisan � satu drp yang tertua dan paling meluas

digunakan teknik analisis kuantitatif.

7.5.17.5.17.5.17.5.1 CiriCiriCiriCiri----Ciri Sistem BerbarisCiri Sistem BerbarisCiri Sistem BerbarisCiri Sistem Berbaris

� the arrival ( ketibaan ) atau input untuk menunggu system barisan

� the waiting line itself ( menunggu barisan sendiri )

� the service facility ( kemudahan perkhidmatan )

a) Ciria) Ciria) Ciria) Ciri----Ciri KetibaanCiri KetibaanCiri KetibaanCiri Ketibaan/Kedatangan/Kedatangan/Kedatangan/Kedatangan

i. saiz drp penduduk : saiz penduduk dipertimbangkan kepada sama ada unlimited (

tidak terhad ) ; infinite ( tidak tentu ) atau limited ( terhad ) : finite ( terhad ) Cth :

Unlimite � kereta yang tiba di pondok rehat lebuhraya PLUS; Limited � pengguna

siberkafe terhad kpd bilangan PC

ii. corak kedatangan pada system : pelanggan sama ada tiba di kemudahan

Perkhidmatan mengikut jadual ( Cth: Pensyarat sediakan jadual hanya seorang pelajar

diberi nasihat setiap setengah jam ) atau kedatangan secara rawak. Kekerapan

masalah-masalah giliran, Jumlah kedatangan boleh dianggarkan bagi setiap unit bagi

sesuatu masa boleh dijangkakan oleh pengagihan kemungkinan dikenali sebagai

pengagihan poissonpengagihan poissonpengagihan poissonpengagihan poisson.

iii. Akhlak atau tingkahlaku kedatangan : Kita perlu membuat anggapan ke arah tingkah

laku orang yang menunggu baris. - perlu mengandaikan bahawa pelanggan tidak

keberatan atau mungkin janji. Balking ( keberatan / tidak mahu tunggu ) , Renege (

seseorang itu menunggu dalam barisan, tetapi beberapa minit kemudian mengambil

keputusan untuk meninggalkan barisan )

b.b.b.b. CiriCiriCiriCiri----Ciri Menunggu Dalam BarisanCiri Menunggu Dalam BarisanCiri Menunggu Dalam BarisanCiri Menunggu Dalam Barisan

- jarak masa barisan menunggu sama ada terhad atau tidak terhad

- disiplin barisan menunggu ( First-In-First-Out : FIFO ) atau ( First-In-Last-Out) , ianya

bergantung kepada situasi.


80

c.c.c.c. CiriCiriCiriCiri----Ciri Kemudahan PerkhidmatanCiri Kemudahan PerkhidmatanCiri Kemudahan PerkhidmatanCiri Kemudahan Perkhidmatan

- tatarajah sistem perkhidmatan

- corak drp masa perkhidmatan

i)i)i)i) Contoh tatarajah Contoh tatarajah Contoh tatarajah Contoh tatarajah sisisisistem perkhidmatanstem perkhidmatanstem perkhidmatanstem perkhidmatan

Tatarajah / Tatarajah / Tatarajah / Tatarajah /

KonfigurasiKonfigurasiKonfigurasiKonfigurasi

ContohContohContohContoh

Sistem Saluran

Tunggal

Hanya disediakan satu pelayan sahaja. Cth: Kaunter pandu masuk

McDonald’s, hanya mempunyai satu kaunter sahaja

Sistem Perkhidmatan

Multi Saluran

Mempunyai banyak saluran , cthnya bank ada banyak kaunter

Sistem Fasa Tunggal Gerai ‘Mamak’ yang mana individu tersebut yang mengambil pesanan

dan juga yang memberikan makanan dan mengambil bil

Sistem Multi Fasa Pusat kesihatan, kita harus daftar pada kaunter pendaftaran, dan

kemudiannya menunggu untuk dipanggil oleh jururawat, berjumpa

doctor untuk rawatan, mengambil resit ubat dan seterusnya membayar

bil.


81

ii.ii.ii.ii. Perkhidmatan Semasa PengedaranPerkhidmatan Semasa PengedaranPerkhidmatan Semasa PengedaranPerkhidmatan Semasa Pengedaran

berapa lama seorang doktor diagnosis seorang pesakit atau berapa lama mekanik memasang

radio yang baru di kereta anda, ialah corak ketibaan Pelanggan.

Masa Perkhidmatan ialah disebarkan secara rawak

7.5.27.5.27.5.27.5.2 Contoh Pengedaran PoissonContoh Pengedaran PoissonContoh Pengedaran PoissonContoh Pengedaran Poisson

kemungkinan k kedatangan masanya t :

λ kadar kedatangan unit semasa

t panjangnya tempoh masa e = 2.7182818 k! = k(k-1)(k-2)(k-3)… (3)(2)(1)

P(X) = kemungkinan daripada kedatangan X

7.5.37.5.37.5.37.5.3 Kos dan Keberkesanan Drp PerkhidmatanKos dan Keberkesanan Drp PerkhidmatanKos dan Keberkesanan Drp PerkhidmatanKos dan Keberkesanan Drp Perkhidmatan

Chase et.al ( 1998) :Chase et.al ( 1998) :Chase et.al ( 1998) :Chase et.al ( 1998) : Objektif asas drp pengurusan barisan menunggu adalah untuk

mengimbangi kos drp barisan menunggu dgn kos untuk menambahkan sumber-sumber yang

lebih.

CthnyaCthnyaCthnyaCthnya: MobileVending Sdn. Bhd. Membekalkan penjualan perkhidmatan ‘top-up’ untuk

syarikat-syarikat telekomunikasi seperti Maxis, Celcom, Digi dan TmNet kepada universiti-

universiti di sekitar Lembah Kelang di mana pelajar-pelajar boleh membeli kad ‘top-up’

daripada mesin-mesin yang disediakan. Dalam pada itu, pihak syarikat perlu membaiki

masalah secara berterusan. Mesin mengalami masalah purata 5 kali sejam . Kos masalah ialah

RM27/jam bagi setiap mesin dan setiap juruteknik mengambil RM6 sejam. Seorang juruteknik

boleh servis mesin dgn purata 7 mesin sejam, diagihkan dgn banyak dan pasukan dri dua

pekerja boleh membuat 9 mesin sejam. Situasi keputusan pengurusan adalah untuk

mengenalpasti bilangan optimum drp juruteknik untuk servis mesin tersebut.


82

Purata bilangan mesin dalam system ialah

5/ 7-5 = 5/2 = 2.5

Kos kerosakan/ masalah ( 2.5 X RM27) = RM 67.50

Buruh ( 1 juruteknik X RM 6) = RM 6.00

Jumlah = RM 73.50

7.6 7.6 7.6 7.6 SimulasiSimulasiSimulasiSimulasi

- simulasi adalah satu teknik bagi menjalankan ujikaji yang menguji berbagai hasil

daripada kombinasi sub-sistems yang dimodelkan ke dalam persekitaran dinamik.

- Secara umumnya merujuk kepada teknik untuk meniru perkataan nyata secara

matematik, kemudian melakukan ujikaji kepadanya dengan sebuah komputer

7.6.17.6.17.6.17.6.1 Simulasi Monte CarloSimulasi Monte CarloSimulasi Monte CarloSimulasi Monte Carlo

- simulasi ini boleh digunakan apabila satu sistem mengandungi unsur-unsur yang

menunjukkan secara kebetulan dalam tingkah lakunya.

- Asas simulasi ini ialah pengujikajian pada unsur-unsur itu secara kebetulan

( kebarangkalian )melalui pensampelan rawak.

Render & Stair 2000Render & Stair 2000Render & Stair 2000Render & Stair 2000 , lima langkah mudah teknik ‘break down’ :

i. meningkatkan satu pengagihan kemungkinan kpd pembolehubah-pembolehubah

penting.

ii. membina satu pengagihan kemungkinan berganda / kumulatif untuk setiap

pembolehubah dalam langkah i

iii. Menubuhkan jarak/ perbezaan drp bilangan rawak untuk setiap pembolehubah

iv. Menghasilkan bilangan rawak

v. Simulasi sebenarnya satu siri ujian.

7.6.2 Kajian Kes Ser7.6.2 Kajian Kes Ser7.6.2 Kajian Kes Ser7.6.2 Kajian Kes Servis Kelisavis Kelisavis Kelisavis Kelisa

7.77.77.77.7 Pengurusan Permintaan / Tuntutan : PeramalanPengurusan Permintaan / Tuntutan : PeramalanPengurusan Permintaan / Tuntutan : PeramalanPengurusan Permintaan / Tuntutan : Peramalan

Peramalan ( forecasting)Peramalan ( forecasting)Peramalan ( forecasting)Peramalan ( forecasting) merupakan jangkaan drp nilai pembolehubah( atau set daripada

pembolehubah-pembolehubah ) pada sesetengah titik masa hadapan dalam satu masa.


83

Render & Stair (2000)Render & Stair (2000)Render & Stair (2000)Render & Stair (2000) memastikan kita bahawa latihan peramalan menyediakan satu bantuan

pembuat keputusan dan dalam merancandkan masa depan.

Semua latihan ke atas andaian adalah jika kita yang dapat meramalkan apa masa depan akan

berlaku, kita boleh menyesuaikan tingkah laku kita sekarang yang lebih baik berbanding

sebaliknya dan bila masa depan akan tiba/dating.

Terdapat banyak aplikasi untuk peramalan seperti peramalan permintaan untuk produk,

peramalan maklumat kewangan seperti kadar faedah, kadar tukaran, harga kongsian, dll

JJJJenisenisenisenis----Jenis Yang Berbeza Drp Kaedah PeramalanJenis Yang Berbeza Drp Kaedah PeramalanJenis Yang Berbeza Drp Kaedah PeramalanJenis Yang Berbeza Drp Kaedah Peramalan

KaedahKaedahKaedahKaedah DeskripsiDeskripsiDeskripsiDeskripsi

Kaedah Kualitatif Apabila tiada data yang dibenarkan agar boleh digunakan untuk

meramalkan masa depan ; ini bermakna tiada model matematik

formal. Metodologi ini cuba utk mennerangkan fenomena yang perlu

dikaji tanpa menggunakan kaedah kuantitatif. Cthnya: cerita atau

petikan daripada perbincangan.

Kaedah Regresi /

Pengunduran

Pendekatan analisis data yang digunakan utk meramalkan satu

pembolehubah melalui pengetahuan satu atau lebih lain-lain

pembolehubah. Analisis Regresi digunakan utk jawapan soalan seperti

“berapa baik yang dapat saya meramalkan nilai-nilai satu

pembolehubah, seperti kekerapan permintaan (Y), oleh mengetahui

nilai-nilai drp pembolehubah lain seperti perbelanjaan ke atas

pemasaran (bajet) dan atau harga keseluruhan jualan (X)?”

Kaedah Pelbagai

Persamaan

Di mana Terdapat sejumlah kebergantungan pembolehubah-

pembolehubah yang berinteraksi dengan satu sama lain melalui siri

persamaan ( seperti dalam Model Ekonomik )

Kaedah Siri Masa Di mana mempunyai pembolehubah tunggal yang dinamik dan yang

nilai masa hadapan berhubungan dalam beberapa segi kepada nilai

masa lalunya. ( perubahan sepanjang masa )

7.7.17.7.17.7.17.7.1 Causal Forecasting Methods ( Kesan / Akibat Kaedah Peramalan )Causal Forecasting Methods ( Kesan / Akibat Kaedah Peramalan )Causal Forecasting Methods ( Kesan / Akibat Kaedah Peramalan )Causal Forecasting Methods ( Kesan / Akibat Kaedah Peramalan )

- adalah teknik untuk kita bagi menyiasat satu atau lebih persekutuan pembolehubah dgn

pembolehubah yang diramalkan.


84

CthCthCthCth: jualan suratkhabat mungkin dikaitkan kpd promosi yang mana adakal bajet pengiklanan

adalah strategi yang baik, harganya yang 20 sen lebih murah drp persaingan terdekat dan

bahkan isu-isu sensasi dan ekonomi. Jualan suratkhabar dipanggil Dependent Variable (

pembolehubah bergantung ) dan pembolehubah yang lain dikenali pembolehubah tidak

bergantung. Oleh itu apabila mendapati pembolehubah dihubungkan, perlulah membina model

statistic untuk meramal kepentingan pembolehubah iaitu Jualan. Kebiasaan model akibat

kaedah peramalan ialah Analisis Pengunduran

7.8 Kelebihan Pemodelan Matematik7.8 Kelebihan Pemodelan Matematik7.8 Kelebihan Pemodelan Matematik7.8 Kelebihan Pemodelan Matematik

a. model boleh menjelaskan kenyataan dengan tepat. Jika diformulakan dgn betul,

model boleh menjadi benar-benar tepat dalam mewakili sistem dunia sebenar

b. model boleh menolong pembuat keputusan merumuskan masalah-masalah

c. model boleh memberi kita pemahaman dan maklumat

d. model boleh menjimatkan masa dan wang dalam membuat keputusan dan

menyelesaikan masalah. Ia selalunya mengurangkan masa, usaha, dan

perbelanjaan untuk menganalisa model

e. model mungkin hanya satu cara untuk menyelesaikan beberapa banyak atau

masalah yang kompleks dalam gaya semasa.

f. Model boleh digunakan untuk komunikasi masalah dan penyelesaian kepada yang

lain. Analisis keputusan boleh berkongsi kerjanya dgn lain-lain analisis keputusan.

Penyelesaian kpd model matematik boleh diberikan kepada pengurus dan para

eksekutif untuk menolong mereka membuat keputusan akhir.


85


Model AnalogModel AnalogModel AnalogModel Analog : representasi / perwakilan drp satu set hubungan Cth: jangkasuhu atau meter

kelajuan dalam kereta

Simulasi Monte CarloSimulasi Monte CarloSimulasi Monte CarloSimulasi Monte Carlo : Simulasi bahawa pengujian dgn elemen-elemen kebarangkalian drp

system melalui menghasilkan bilangan yang rawak untuk mencipta nilai-nilai untuk

keseluruhan elemen.

Selang/ Jeda Bilangan RawakSelang/ Jeda Bilangan RawakSelang/ Jeda Bilangan RawakSelang/ Jeda Bilangan Rawak : julat drp bilangan rawak yang ditentukan untuk mewakilkan

hasil simulasi yang mungkin.

Bilangan/nombor rawakBilangan/nombor rawakBilangan/nombor rawakBilangan/nombor rawak : bilangan / nombor yang digit/angka dipilih selengkapnya pada

rawak/sembarangan.

SimulasiSimulasiSimulasiSimulasi : teknik analisis kuantitatif yang melibatkan pembinaan model matematik agar

mempersembahkan / mewakili situasi dunia nyata. Model itu kemudiannya diujikajikan dgn

jangkaan impak / kesan drp pelbagai tindakan dan keputusan

Model SimboliokModel SimboliokModel SimboliokModel Simboliok : Perwakilan semua konsep secara matematik

TAJUK 8 : PEMODELAN KEPUTUSAN DGN SPREADSHEETTAJUK 8 : PEMODELAN KEPUTUSAN DGN SPREADSHEETTAJUK 8 : PEMODELAN KEPUTUSAN DGN SPREADSHEETTAJUK 8 : PEMODELAN KEPUTUSAN DGN SPREADSHEET

8.18.18.18.1 Spreadsheet ElektronikSpreadsheet ElektronikSpreadsheet ElektronikSpreadsheet Elektronik ( Lembaran Kerja ) ( Lembaran Kerja ) ( Lembaran Kerja ) ( Lembaran Kerja )

- pengguna taip maklumat di dalam format kolum yang berasaskan struktur drp

spreadsheet perakaunan yang terdiri daripada satu pelapik kolum dan baris

- program aplikasi yang direka untuk memanipulasi data numeric

- cth: data kewangan, stok pertukaran dan rekod masa seperti Lotus 1-2-3, MS-Excell dan

Corel Quattro Pro

- aplikasi yang ideal digunakan untuk analisis data tetapi tidak sesuai untuk pengumpulan

dan pngurusan data.

- Untuk kumpul dan uruskan data, cthnya Oracle Performance Manager Data,IBM Red Brick

Warehouse atau Microsoft Business Solution Analytics


86

a) Why Electronic Spreadsheet as a DSS?Why Electronic Spreadsheet as a DSS?Why Electronic Spreadsheet as a DSS?Why Electronic Spreadsheet as a DSS?

Kekuatan utama menggunakan spreadsheet seperti Excell untuk menghasilkan DSS adalah

sangat istemewa dicipta untuk mengendalikan manipulasi data numeric.

Seperti Penjana DSS , ianya membolehkan untuk intergrasi analisis data dan model analisis (

simulasi atau pengoptimaan ) di dalam buku kerja.

Excell mempunyai nombor / bilangan yang sangat besar drp fungsi yang terbina di dalamnya

untuk kewangan, statistic dan analisis numeric.

Kecekepan ini membolehkan lembaran kerja ini menjadi perkakasan penting, efisien dan

efektif untuk analisis, perancangan dan pemodelan.

Dari segi pedagogi, ianya memberikan peluang untuk melihat aplikasi praktikal untuk benyak

model dan pendekatan penyelesaian yang dipelajari sebelum ini.

8.1.18.1.18.1.18.1.1 Komponen SpreadsheetKomponen SpreadsheetKomponen SpreadsheetKomponen Spreadsheet

Cell : Cell : Cell : Cell :

- ianya diwakilkan seperti antara bahagian drp kolum dan baris di dalam spreadsheet

- pengguna meletakkan data numeric atau teks dalam cell

- pengguna menulis formula menggunakan fungsi-fungsi untuk manipulasi data

- susunatur (layout) spreadsheet adalah sama seperti jadual.

a)a)a)a) Label, Nilai dan FormulaLabel, Nilai dan FormulaLabel, Nilai dan FormulaLabel, Nilai dan Formula

Label adalah di dalam cell A1, A2 dan A3

Nilai Numerik adalah B1 dan B2

Formula adalah B3 ; hasil tolak B2 drp B1


87

Cell Aktif adalah cell yang boleh dimasukkan maklumat yang dihighlight dgn sempadan warna

hitam.

Kombinasi huruf kolum dan nombor baris seperti B2 adalah Rujukan Cell

Garis nipis disekeliling cell dipanggil garisan grid

8.1.28.1.28.1.28.1.2 Data, Graf dan Carta Data, Graf dan Carta Data, Graf dan Carta Data, Graf dan Carta

- berkemampuan membina carta bar dll secara automatic melalui data.

8.1.38.1.38.1.38.1.3 Menambah FormulaMenambah FormulaMenambah FormulaMenambah Formula

- formula boleh ditambahkan secara automatic dan boleh dimanipulasi bagi dihitung

secara automatic.

8.2 Latihan 1 : Simulasi8.2 Latihan 1 : Simulasi8.2 Latihan 1 : Simulasi8.2 Latihan 1 : Simulasi

Langkah 1 : Reka Lembaran awal dan masukkan formula cell

Langkah 2 : Simulasi

Langkah 3 : Keputusan

( untuk latihan seterusnya saya tak translate sebab ianya adalah penggunaan Excell )

AddAddAddAdd----in in in in : program tambahan yang menambahkan arahan kebiasaan drp ciri-ciri biasa ke dalam

Microsoft Office

AddAddAddAdd----inininin DeskripsiDeskripsiDeskripsiDeskripsi

Analisis ToolPak Menambah kewangan, statistik dan perkakasan dan fungsi analisis

kejuruteraan

Analisis ToolPak

VBA

Membenarkan pembangun untuk menyiarkan kewangan, statistik

dan perkakasan dan fungsi analisis kejuruteraan menggunakan

Sintaks Analisis ToolPak

Internet Assistant

VBA

Membenarkan pembangun untuk menyiarkan data Excell kepada

web melalui penggunaan Sintaks Pembantu Internet

Looked Wizard Mencipta formula untuk melihat ke atas data di dalam senarai

melalui penggunaan lain-lain nilai yang diketahui di dalam senarai

Solver Add-in Menghitung penyelesaian kpd scenario ‘what-if’ berdasarkan cell

yang boleh diselaraskan dan cell desakan / sekatan


88


Pembolehubah KeputusanPembolehubah KeputusanPembolehubah KeputusanPembolehubah Keputusan : Di dalam MDDSS , pembolehubah keputusan adalah faktor

perubahan dalam model yang ditentukan oleh pembuat keputusan. Julat yang mungkin drp

nilai untuk pembolehubah keputusan mengekang pilihan-pilihan drp pembuat keputusan.

Pencarian SasaranPencarian SasaranPencarian SasaranPencarian Sasaran : kebolehan drp permintaan perisian komputer apakah nilai-nilai tetap

pembolehubah2 yang mesti mempunyai pesanan untuk mencapai sasaran yang diingini. Ianya

adalah perkakasan yang menggunakan perhitungan iterative untuk mencari nilai yang

diperlukan dalam satu sel. Penggunaan biasa drp sifat pencarian sasaran dalam lembaran kerja

adalah menghitung kuantiti pecahan sekata

Pengaturcaraan linearPengaturcaraan linearPengaturcaraan linearPengaturcaraan linear : model matematik untuk penyelesaian yang optima drp sumber yang

peruntukan masalah. Adalah model biasa yg digunakan dalam MDDSS

Pangkalan ModelPangkalan ModelPangkalan ModelPangkalan Model : koleksi drp model-model kuantitatif pra-pengaturcaraan yang diuruskan

sebagai unit tunggal ( Cth: statistic, kewangan dan pengoptimuman )

MDDSS ( Model Driven DSS )MDDSS ( Model Driven DSS )MDDSS ( Model Driven DSS )MDDSS ( Model Driven DSS ) : Jenis drp DSS yang menekankan capaian kepada dan manipulasi

drp model. Statistik mudah dan perkakasan analitikal menyediakan paling banyak tahap asas

daripada kefungsiannya. Cth: statistic, kewangan dan pengoptimuman. MDDSS menggunakan

kewangan, statistic, pengoptimuman dan model kepakaran yang kompleks untuk menyediakan

sokongan keputusan. MDDSS menggunakan data dan parameter yang disediakan oleh pembuat

keputusan kpd membantu pembuat keputusan dalam menganalisa situasi, tetapi tidak selalu

data intensif/padat, pangkalan datanya besar yang selalunya tidak diperlukan untuk MDDSS.

Perkakasan PemodelanPerkakasan PemodelanPerkakasan PemodelanPerkakasan Pemodelan : Program perisian yang menolong pembangun/pengguna membina

model matematik dgn cepat. Cth: Spreadsheet dan bahasa perancangan seperti IFPS

Analisis ‘WhatAnalisis ‘WhatAnalisis ‘WhatAnalisis ‘What----if’if’if’if’ : kebolehan drp menanya pakej perisian apakah kesan akan terjadi oleh

merubah beberapa data input atau pembolehubah tidak bersandar/ bergantung.


89

TAJUK 9 : INTELLIGENCE DECISION SUPPORT SYSTEMTAJUK 9 : INTELLIGENCE DECISION SUPPORT SYSTEMTAJUK 9 : INTELLIGENCE DECISION SUPPORT SYSTEMTAJUK 9 : INTELLIGENCE DECISION SUPPORT SYSTEM

( Sistem Sokongan C( Sistem Sokongan C( Sistem Sokongan C( Sistem Sokongan Cerdas )erdas )erdas )erdas )

PengenalanPengenalanPengenalanPengenalan

- kegunaan teknik Kecerdasan Buatan ( Artificial Intelligence : AI ) dalam membuat

keputusan terutamanya apabila melibatkan DSS yang kompleks.

- AI dikaitkan dgn meningkatkan system sokongan keputusan terutamanya melibatkan

sekelompok peraturan, pengetahuan, data dan bentuk yang besar dalam proses

membuat keputusan.

- Ini kerana hanya kepekaran yang diperakui/ disahkan sahaja yang boleh membuat

keputusan

- AI boleh menyimpan pengalaman lalu drp kepakaran dan digunakan dalam pembuatan

keputusan masa depan, dalam pada itu system secara beransur-ansur dapat

menyediakan pembuatan keputusan yang lebih baik.

- AI menyediakan kebolehan penaakulan dan pembelajaran

- Kekuatan AI berkemampuan utk membuat peramalan / jangkaan menuruti kepada data

lampau yang luas.

9.19.19.19.1 Definisi dan Konsep AI (Kecerdasan Buatan ( Artificial Intelligence : AI )Definisi dan Konsep AI (Kecerdasan Buatan ( Artificial Intelligence : AI )Definisi dan Konsep AI (Kecerdasan Buatan ( Artificial Intelligence : AI )Definisi dan Konsep AI (Kecerdasan Buatan ( Artificial Intelligence : AI )

Kecerdasan Buatan ( Artificial Intelligence : AI Kecerdasan Buatan ( Artificial Intelligence : AI Kecerdasan Buatan ( Artificial Intelligence : AI Kecerdasan Buatan ( Artificial Intelligence : AI ) : adalah teknik yang membuat system atau

mesin meniru / mencontohi cara pemikiran manusia.

AI membuatkan system menjadi cerdas seperti mana yang dilakukan oleh manusia

Penyedikan AI Penyedikan AI Penyedikan AI Penyedikan AI

- cuba ditampilkan dengan teknik supaya boleh membuatkan system computer

menyerupai kecerdasan manusia

- mendapatkan secara berterusan ciri-ciri terbaik daripada kecerdasan manusia yang

boleh meniru ke dalam AI

- penyelidikan yang popular adalah robotik


90

Kelebihan AIKelebihan AIKelebihan AIKelebihan AI

- lebih murah drp kecerdasan semulajadi CTH: system pakar diabetes boleh

mengurangkan tugas doktor dalam memberikan nasihat rutin kepada pesakit diabetes.

- Lebih mantap / kekal. Perubahan pekerja pakar akan menyebabkan kemusnahan

kecerdasan asal / kebiasaan dalam syarikat. Menghadapi pekerja baru mungkin tidak

mempunyai kepakaran yang sama.

- Mudah untuk menyalin pakar-pakar. Proses tranformasi drp seorang pakar kepada orang

lain memerlukan masa yang panjang.

- Boleh didokumentasikan – membenarkan proses mengesan aktiviti-aktiviti.

- Kadang-kadang boleh melaksanakan tugas-tugas tertentu lebih cepat drp yang manusia

lakukan.

- Kadang-kadang boleh melakukan/ melaksanakan tugas yang manusia tidak boleh

lakukan.

Mengapakah perlunya elemenMengapakah perlunya elemenMengapakah perlunya elemenMengapakah perlunya elemen----elemen AI dalam implementasi DSS?elemen AI dalam implementasi DSS?elemen AI dalam implementasi DSS?elemen AI dalam implementasi DSS?

- komputer direka untuk melaksanakan tugas drp mudah kepada yang lebih komplekated,

berdasarkan keperluan manusia.

- komputer tidak mampu utk belajar drp pengalaman seperti manusia

- Apabila , keputusan dibuat, komputer tidak hanya memikir atau akses sebarang akibat

keluar daripadanya

- Sasaran AI untuk meningkatkan tingkahlaku mesin, oleh itu elemen kecerdasan boleh

ditanamkan ke dalam komputer semasa proses membuat keputusan dan penyelesaian

masalah

- komputer boleh meniru manusia melalui pengambilan ke dalam setiap akuan faktor yang

ditunjukkan kepadanya

- Penambahan AI, computer boleh belajar drp pengalaman seperti manusia dan kriteria ini

akan membantu membuat keputusan yang terbaik.


91

9.1.19.1.19.1.19.1.1 SomSomSomSome AI Fieldse AI Fieldse AI Fieldse AI Fields ( Beberapa Bidang AI ) ( Beberapa Bidang AI ) ( Beberapa Bidang AI ) ( Beberapa Bidang AI )

a) Pemprosesan Bahasaa) Pemprosesan Bahasaa) Pemprosesan Bahasaa) Pemprosesan Bahasa Asal Asal Asal Asal ( NLP : Natural Language Processing )( NLP : Natural Language Processing )( NLP : Natural Language Processing )( NLP : Natural Language Processing )

- teknologi yang digunakan oleh system yang membenarkan pengguna untuk

berkomunikasi dengan computer menggunakan bahasa asal seperti Bahasa Inggeris

- pengguna boleh berkomunikasi dgn computer seperti berkomunikasi dgn individu lain

- NLP dicipta untuk menyelesaikan masalah pengguna dalam menghadapi cara perlakuan

yang sukar dengan pelbagai istilah, sintaks dan arahan yang diperlukan oleh computer

- Kajian NLP dibahagikan kepada 2 bahagian:

i) kaedah penyiasatan ke atas bagaimana computer boleh memahami arahan-arahan

yang diberikan dalam Bahasa Inggeris Standard

ii) mencipta computer yang menghasilkan ouput dalam Bahasa Inggeris yang biasa, oleh

itu manusia boleh memahami arahan-arahannya dengan mudah

b) Speech Recognition ( Pengecaman Pertuturan )b) Speech Recognition ( Pengecaman Pertuturan )b) Speech Recognition ( Pengecaman Pertuturan )b) Speech Recognition ( Pengecaman Pertuturan )

- menyediakan kemampuan computer untuk mengecam dan memahami bahasa pertuturan

yang melibatkan suara

- system mestilah mampu untuk mengecam pertuturan seseorang dan bertindakbalas

kepada arahan suara

- teknologi ini digunakan dalam pelbagai bidang seperti latihan perubatan untuk

membantu manusia yang hilang pendengaran atau apabila menggunakan katalaluan

dalam aplikasi computer, di mana system akan melihat kepada frekuensi sebenar drp

suara pengguna

- pengecaman pertuturan juga digunakan dalam telefon bimbit, di mana hanya perlu

menyebut nama indivudu yang ingin dipanggil.

c) Expert System ( Sistem Pakar )c) Expert System ( Sistem Pakar )c) Expert System ( Sistem Pakar )c) Expert System ( Sistem Pakar )

- system ini menyimpan kepakaran manusia seperti pengetahuan drp kepakaran tertentu.

- System akan berinteraksi dgn pengguna untuk mendapatkan maklumat dan

menyelesaikan masalah berdasarkan ke atas pengetahuan.

- Rekabentuk system pakar yang terbaik ialah ianya boleh meniru proses pemikiran pakar

semasa menyelesaikan masalah spesifik, contohnya MyCIN ( program interaktif yang

mendiagnosis kesan penyakit tertentu, menentukan terapi antimicrobial dan boleh

menerangkan sebabnya dengan terperinci.


92

d)d)d)d) Fuzzy Logic ( Logik Kabur )Fuzzy Logic ( Logik Kabur )Fuzzy Logic ( Logik Kabur )Fuzzy Logic ( Logik Kabur )

- teknik ini membincangkan dgn kesamaran drp fakta.

- Membincangkan dgn ketidakpastian melalui simulasi proses kuantitatif pemikiran

manusia, membenarkan computer untuk tingkah laku yang kurang secara jelas dan logik

lebih daripada mengalami logik asas nilai ‘true’ atau ‘false’

- Selanjutnya drp Boolean true/false

- Ini akan menokok fakta menjadi betul secara sebahagian atau salah sebahagiannya.

e)e)e)e) Neural Computing ( Pengiraan Saraf )Neural Computing ( Pengiraan Saraf )Neural Computing ( Pengiraan Saraf )Neural Computing ( Pengiraan Saraf )

- menyediakan satu system kecerdasan yang menggunakan arkitektur yang meniru

kefungsian otak manusia dalam terma kemampuan memproses melalui

mentransformasikan ke dalam model matematik.

- Keputusan drp perwakilan pengetahuan dan pemprosesan adalah berdasarkan proses

perbandingan yang amat besar lebih drp proses jujukan tradisional

- Mempunyai kemampuan utk mendapatkan semula amaun yang besar drp maklumat dan

untuk mengecam bentuk berdasarkan pengalaman � system akan boleh meniru

manusia

- Nilai neural computing adalah fakta kegunaan drp bentuk pengecaman , pembelajaran,

kesilapan kesabaran/toleren, generalisasi, kebolehsesuaian, kemampuan peramalan, dan

interpretasi input yang tidak lengkap.

f)f)f)f) Intelligent Agent ( Agen/Wakil Kecerdasan)Intelligent Agent ( Agen/Wakil Kecerdasan)Intelligent Agent ( Agen/Wakil Kecerdasan)Intelligent Agent ( Agen/Wakil Kecerdasan)

agenagenagenagen � program yang akan dibebaskan kepada persekitaran ( seperti rangkaian ) untuk

melakukan tugas tertentu secara automatik.

- kriterianya ialah autonomous ( autonomi ) , ianya bekerja bagi pihak pengguna.

Cth: program anti virus


93

AntivirusAntivirusAntivirusAntivirus � program yang dilarikan dalam sistem komputer ; semasa ianya dilarikan ia

menangkap/ mengesan sesuatu.

- agen kecerdasan bersesuaian untuk persekitaran yang melibatkan pertukaran maklumat

atau data yang cepat

- adalah kebanyakannya keterbatasan kritikal drp internet yang sesuai drp berlebihan

maklumat dan ianya memudahkan perdagangan internet.

Penggunaan teknik agen kecerdasan dalam DSS akan membekalkan maklumat terkini, yang

akan menghasilkan keputusan yang baik untuk membuat keputusan. Beberapa lingkungan drp

agen kecerdasan adalah:

i. penemuan dan pengemudian maklumat terutamanya pencarian maklumat daripada

internet

ii. agen kecerdasan digunakan untuk menyokong pengetahuan pekerja semasa

membuat keputusan

iii. pencarian dan penemuan. Tugas yang kompleks dan rutin drp pendapatan maklumat

drp internet akan boleh diwakilkan kepada agen-agen.

iv. Menyebarkan kepakaran domain, di mana agen pakar dalam domain tertentu boleh

berunding di antara mereka sendiri dalam arahan utk membuat keputusan

9.29.29.29.2 Bagaimana AI Digunakan Dalam DSSBagaimana AI Digunakan Dalam DSSBagaimana AI Digunakan Dalam DSSBagaimana AI Digunakan Dalam DSS

Kawasan Yang Kawasan Yang Kawasan Yang Kawasan Yang

MungkinMungkinMungkinMungkin

PeneranganPeneranganPeneranganPenerangan

Menyokong

Ketidakpastian

- AI berguna utk menyokong analisis ketidakpastian

- Digunakan utk meramalkan keadaan tidak pasti menurut kpd

kepakaran atau amaun yang besar drp data lalu

- Logic fuzzy kepada pengkomputer rangkaian saraf adalah teknik AI

yang berguna utk pakar peramalan ketidakpastian

- Kini, ketidakpastian adalah satu sifat utama drp persekitaran bisnes

moden semasa

- Meramal pembolehubah yang mempengaruhi harga kongsian dalam

pasaran saham yang menggunakan AI untuk analisis ketidakpastian

Menyokong

Antaramuka

Pengguna

- peranan utama dalam melaksanakan DSS

- penggunaan AI seperti pemproses bahasa asal atau teknologi suara

pastinya membuatkan antaramuka lebih mudah dan semulajadi.

- Menambahkan ketepatan mendapatkan data yang berkaitan kepada

isu-isu berisiko tinggi spt jenayah melalui penggunaan ibu jari

- Dlm situasi ini penggunaan bentuk pengecaman adalah penting


94

Kawasan Yang Kawasan Yang Kawasan Yang Kawasan Yang

MungkinMungkinMungkinMungkin

PeneraPeneraPeneraPeneranganngannganngan

Membuat DSS

Cerdas

AI digunakan untuk menyokong pembinaan, penyimpanan dan

pengurusan model-model dalam pelbagai model DSS – kaedah ini

akan meningkatkan kemampuan model-model berdasarkan system

pengurusan

Menyokong

Proses

Keputusan

AI juga boleh digunakan utk menyokong langkah dalam proses

keputusan yang tidak dialamatkan oleh matematik. Cth: melibatkan

pelbagai ciri untuk melibatkan data input yang bersesuaian yang

diperlukan oleh kepakaran.

9.39.39.39.3 Sistem PakarSistem PakarSistem PakarSistem Pakar

Kepakaran � individu dgn kemahiran atau pengetahuan khusus yang akan memberi

pengetahuannya kepada system dengan itu system akan memikir seperti manusia apabila

membuat keputusan.

9.3.19.3.19.3.19.3.1 Arketektur Umum Sistem Pakar : Sistem Berdasarkan PengetahuanArketektur Umum Sistem Pakar : Sistem Berdasarkan PengetahuanArketektur Umum Sistem Pakar : Sistem Berdasarkan PengetahuanArketektur Umum Sistem Pakar : Sistem Berdasarkan Pengetahuan

- dibahagikan kepada ke dalam 2 persekitaran utama :

i. persekitaran pembangunan

ii. persekitaran perundingan ( consultation )


95

a) Persekitaran Pembangunana) Persekitaran Pembangunana) Persekitaran Pembangunana) Persekitaran Pembangunan

- pengetahuan didapati daripada pakar serentak dgn lain-lain maklumat yang

didokumentasikan akan dipindahkan kepada set peraturan oleh jurutera pengetahuan.

- Peraturan akan disimpan dalam pangkalan pengetahuan

b) Pangkalan Pengetahuanb) Pangkalan Pengetahuanb) Pangkalan Pengetahuanb) Pangkalan Pengetahuan

- mengandungi peraturan drp pakar seperti fakta yang berkaitan kepada masalah domain.

c) Enjin Penyimpulanc) Enjin Penyimpulanc) Enjin Penyimpulanc) Enjin Penyimpulan

- digunakan untuk mentadbir peraturan dalam pangkalan pengetahuan semasa proses

membuat keputusan

- enjin akan tadbir peraturan menuruti kepada fakta yang diberikan oleh pengguna dan akan

keluar dengan rumusan

d) Jurutera Pengetahuand) Jurutera Pengetahuand) Jurutera Pengetahuand) Jurutera Pengetahuan

- individu yang memindahkan pengetahuan daripada pakar dan juga daripada maklumat yang

didokumentasikan ( buku dan artikel) kepada peraturan dan fakta yang akan disimpan dalam

pangkalan pengetahuan

e) Persekitaran Perundingane) Persekitaran Perundingane) Persekitaran Perundingane) Persekitaran Perundingan

- pakar dalam masalah domain spesifik akan membantu bukan pakar atau pengguna sasaran.

- perkhidmatan penjelasan akan menjelaskan dgn lebih lanjut secara terperinci bagaimana

system menghasilkan penyelesaian yang biasa.

- Interaksi antara pengguna akhir dan system akan berlaku melalui antaramuka

f) Proses Pembangunanf) Proses Pembangunanf) Proses Pembangunanf) Proses Pembangunan

- diikuti oleh proses pembangunan prototaip pantas semasa pembangunannya

9.3.29.3.29.3.29.3.2 Aplikasi Sistem PakarAplikasi Sistem PakarAplikasi Sistem PakarAplikasi Sistem Pakar

AplikasiAplikasiAplikasiAplikasi PeneranganPeneranganPeneranganPenerangan

R1/XCON - dibangunkan oleh John McDermott pada lewat 70’an

- utk menolong dalam mensetkan konfigurasi dalam system computer

VAX di Digital Equipment Corporation

MYCIN - digunakan dipersekiataran perubatan menggunakan bahasa

pemprograman LISP oleh Edward Shortliffe

- mendiagnosis jangkitan dalam penyakit darah

E-Paddy - system diagnosis dan penasihat dibangunkan oleh sekumpulan

penyelidik di UKM

- system yang meliputi penyakit padi dan diagnosis kawalan perosak

ke atas tanaman padi


96

KategoriKategoriKategoriKategori Generik Drp Sistem Pakar Generik Drp Sistem Pakar Generik Drp Sistem Pakar Generik Drp Sistem Pakar

KategoriKategoriKategoriKategori Tanda / Kedudukan MasalahTanda / Kedudukan MasalahTanda / Kedudukan MasalahTanda / Kedudukan Masalah

Interpretasi penerangan situasi campur tangan daripada pengamatan

Ramalan membuat kesimpulan yang mungkin kesan drp keadaan yang

diberikan.

Diagnosis sistem penyimpulan salah fungsian daripada pemerhatian

Rekabentuk Menyusun atur objek-objek dibawah desakan

Perancangan Membangunkan perancangan untuk mencapai sasaran

Pengawasan membanding pengamatan untuk pelan, melemahkan

pengecualian

Pembetulan Menetapkan penawar untuk salah fungsian

Baiki Melaksanakan pelan untuk pentadbir menolak penawaran

Arahan/Pengajaran diagnosis, membetulkan dan memeriksa pencapaian.

Kawalan Interpretasi, meramal, membaiki dan mengawal tingkahlaku

sistem

9.49.49.49.4 Machine Learning (ML) Mesin PembelajaranMachine Learning (ML) Mesin PembelajaranMachine Learning (ML) Mesin PembelajaranMachine Learning (ML) Mesin Pembelajaran

- membenarkan mesin-mesin untuk belajar atau memperoleh pengetahuan daripada

pengalaman seperti data historical

- DSS dgn ML meniru keputusan terbaik cadangan manusia menuruti kepada pengalaman

lepas.

- DSS terbaik menyediakan keputusan yang betul dan mempengaruhi keputusan yang

betul untuk pengguna

Terdapat 2 jenis ML;Terdapat 2 jenis ML;Terdapat 2 jenis ML;Terdapat 2 jenis ML;

a). Supervised Learning ( Pembelajaran Yang DiAwasi )Supervised Learning ( Pembelajaran Yang DiAwasi )Supervised Learning ( Pembelajaran Yang DiAwasi )Supervised Learning ( Pembelajaran Yang DiAwasi ) : menunjukkan proses drp pembelajaran

yang meransang pengetahuan daripada set data, yang hasil akhirnya adalah diketahui

b). Unsupervised Learning ( Pembelajaran Yang Tidak DiAwasi )Unsupervised Learning ( Pembelajaran Yang Tidak DiAwasi )Unsupervised Learning ( Pembelajaran Yang Tidak DiAwasi )Unsupervised Learning ( Pembelajaran Yang Tidak DiAwasi ) : digunakan untuk

memperolehi pengetahuan daripada set data, yang hasil akhirnya tidak diketahui.


97

Taksonomi Kaedah Pembelajaran:Taksonomi Kaedah Pembelajaran:Taksonomi Kaedah Pembelajaran:Taksonomi Kaedah Pembelajaran:

a. Pembelajaran Induktif

b. Pemikiran Berasaskan Kes

c. Pengiraan Saraf

d. Algoritma Genetik

e. Kluster ( Pengelompokan )

f. Kaedah Statistik

9.59.59.59.5 Rangkaian Saraf Buatan/Tiruan ( ANN : Artificial Neural Network )Rangkaian Saraf Buatan/Tiruan ( ANN : Artificial Neural Network )Rangkaian Saraf Buatan/Tiruan ( ANN : Artificial Neural Network )Rangkaian Saraf Buatan/Tiruan ( ANN : Artificial Neural Network )

- satu drp teknik-teknik AI yang boleh menyokong membuat keputusan

- datangnya daripada tempoh biological, yang merupakan koleksi drp sel saraf yang

membentuk sel otak manusia

- adalah digunakan dalam bentuk pengecaman, generalisasi dan peramalan

- dilatih melalui memaparkan contoh-contoh data atau data historikal secara berulang.

9.5.19.5.19.5.19.5.1 KomKomKomKomponen Asas ANNponen Asas ANNponen Asas ANNponen Asas ANN

- mewakili beberapa saling kaitan perceptron mudah sebagai satu prosedur

mengkomputer selari

- setiap perceptron ( dirujuk kpd ‘nod’ atau ‘neuron’ ) dan hanya boleh dikaitkan dengan

isyarat yang dihantarnya kepada, dan iyarat yang diterimanya drp perceptron lain.

- Setiap perceptron bekerjasama dengan perceptron lain dalam rangkaian yang luas untuk

melaksanakan tugas yang diperlukan

- Cth : di dalam kawasan bisnes, rangkaian saraf boleh digunakan untuk menolong

memutuskan sama ada calon-calon diluluskan untuk pinjaman bank atau ramalan stok

harga pasaran.

a) Perceptrona) Perceptrona) Perceptrona) Perceptron

Perception Tunggal dalam rangkaian � sel saraf menerima beberapa isyarat seperti input

daripada perceptron lain yang disambungkan sama seperti menghantar iyaratnya kepada

perceptron lain dalam rangkaian seperti output. Bagi setiap unit input dalam perceptron (

termasuklah biasan) akan menjadi sepadan dengan pemberat (weight )


98

b)b)b)b) Activation Functions ( Pengaktifan Fungsian )Activation Functions ( Pengaktifan Fungsian )Activation Functions ( Pengaktifan Fungsian )Activation Functions ( Pengaktifan Fungsian )

- akan menentukan isyarat output drp sel saraf

- isyarat output dihitung dihantar kepada sel saraf yang lain seperti input

- ouput akhir boleh jadi nombor nyata atau nombor nyata bersama-sama dengan sela

toleransi ( tolerance interval ) : [ 0 – 1 ] ; atau nombor diskret { 0,1 }, atau { -1, +1 }

- Cth: binary threshold function.

c)c)c)c) Peraturan Pembelajaran untuk membiasakan PemberatPeraturan Pembelajaran untuk membiasakan PemberatPeraturan Pembelajaran untuk membiasakan PemberatPeraturan Pembelajaran untuk membiasakan Pemberat

- mestilah dilatih bagi membiasakan pemberat, yang bermakna rangkaian dihitung

pemberatnya , oleh itu output yang diingini adalah seperti menutup output sebenar

- melatih perceptron memerlukan untuk mengubahsuai pemberat setiap masa perhitungan

dilakukan.

d) d) d) d) ANN dan KlasifikasiANN dan KlasifikasiANN dan KlasifikasiANN dan Klasifikasi

e) e) e) e) Perceptron Pelbagai LapisanPerceptron Pelbagai LapisanPerceptron Pelbagai LapisanPerceptron Pelbagai Lapisan

- sekurang-kurangnya 3 lapisan drp sel saraf ( neuron) : lapisan input dgn unit input,

lapisan tengah juga dikenali lapisan tersembunyi, dan lapisan output dgn unit output

- Unit Input mengambil input terus drp persekitaran seperti papan kekunci, pengesan

dsbnya

- Unit output menghantar output terus kepada persekitaran, manakala lapisan tengah atau

lapisan tersembunyi terdiri drp unit tersembunyi dan tidak secara terus disambungkan

kepada persekitaran

- Setiap neuron disambungkan kepada neuron lain dalam lapisan bersebelahan.


99

9.5.29.5.29.5.29.5.2 ContohContohContohContoh----Contoh Aplikasi menggunakan Teknik ANNContoh Aplikasi menggunakan Teknik ANNContoh Aplikasi menggunakan Teknik ANNContoh Aplikasi menggunakan Teknik ANN

- ANN tidak seperti Sistem Pakar DSS

- Adalah teknik drp AI yang ditanam DSS – sebahagian drp model DSS

Beberapa kawasan masalah di mana ANN digunakan:Beberapa kawasan masalah di mana ANN digunakan:Beberapa kawasan masalah di mana ANN digunakan:Beberapa kawasan masalah di mana ANN digunakan:

a. Menangkap (capture) Fakta Tersembunyi atau Bentuka. Menangkap (capture) Fakta Tersembunyi atau Bentuka. Menangkap (capture) Fakta Tersembunyi atau Bentuka. Menangkap (capture) Fakta Tersembunyi atau Bentuk

- popular dalam lombong data ( data mining ) utk meningkatkan proses menjumpai fakta

tersembunyi atau bentuk daripada simpanan data amat besar

- amat berguna kepada organisasi dalam proses membuat keputusan

b. Membuat Ramalanb. Membuat Ramalanb. Membuat Ramalanb. Membuat Ramalan

- ANN juga digunakan untuk membuat ramalan, membuat keputusan menggunakan data mining

dalam pelbagai kawasan / bidang seperti perubatan, bisnes dan pengangkutan

c. Proses Kelulusanc. Proses Kelulusanc. Proses Kelulusanc. Proses Kelulusan

- ANN juga digunakan dalam proses kelulusan aplikasi kad kredit

- Aplikasi ini mampu utk mengesan sebarang penipuan yang akan dilakukan oleh pemegang kad

- Adalah tidak mudah untuk mengesan penipuan kerana maklumat pengguna amat besat disimpan

dalam pangkalan data yang besar

- ANN digunakan utk meningkatkan proses utk mengesan penipuan-penipuan melalui

mendapatkan bentuk tersembunyi dan menilaikannya dgn maklumat yang disimpan dalam

pangkalan data

- ANN amat berupaya dalam mengendalikan data besar

Penggunaan ANN dalam proses kelulusan adalah:Penggunaan ANN dalam proses kelulusan adalah:Penggunaan ANN dalam proses kelulusan adalah:Penggunaan ANN dalam proses kelulusan adalah:

i. digunakan dalam membuat keputusan penilaian aplikasi pinjaman

ii. digunakan untuk menilai personnel dan calon kerja melalui padanan data personel dgn

keperluan kerja dan kriteria pelaksanaan

iii. digunakan pengesahan tandatangan melalui pemadanan dgn tandatangan sebelumnya

d. Kelasifikasi Drp Data Kompleksd. Kelasifikasi Drp Data Kompleksd. Kelasifikasi Drp Data Kompleksd. Kelasifikasi Drp Data Kompleks

- cth: ANN digunakan dalam Projek Genom Manusia untuk menklaskan DNA badan manusia – ANN

digunakan untuk analisis data mengklaskan gen drp jujukan DNA


100


Artificial Intelligence ( AI )Artificial Intelligence ( AI )Artificial Intelligence ( AI )Artificial Intelligence ( AI ) : cawangan daripada Sains komputer yang cuba atur cara komputer

memberikan respons seolah-olah industri-industri ini pemikiran ; berkebolehan reasoning,

Menyesuaikan kepada situasi yang baru Dan kemahiran baru pembelajaran

Sistem PakarSistem PakarSistem PakarSistem Pakar : satu SISTEM dengan kepakaran penyelesaian masalah yang khusus.Kepakaran itu terdiri

pengetahuan tentang keterangan domain, pemahaman daripada masalah di dalam domain tersebut

dan kemahiran pada penyelesaian daripada beberapa masalah tersebut.Satu sistem pakar ialah suatu

kelas dari program komputer yang dibuat oleh penyelidik-penyelidik di kecerdasan tiruan.

Fuzzy Logic ( Logik Kabur )Fuzzy Logic ( Logik Kabur )Fuzzy Logic ( Logik Kabur )Fuzzy Logic ( Logik Kabur ) : sebahagian drp kecerdasan tiruan dalam mana hubungan logik analisis

komputer yang mana lebih atau kurang kebenarannya ,

berbeza kepada logik yang biasa di mana hubungan adalah lebih rapuh.

ia adalah tambahan drp teknologi system pakar yang mana peraturan-peraturan itu boleh dgn tidak

tepat. Dgn logik fuzzy ( kabur ) ahli-ahli drp set mempunyai darjah drp keahlian yang julat drp 0-100%.

Cth: kenyataan ‘hari ini adalah terang dgn sinaran matahari’ , mungkin 100% betul jika tiada awan , 80%

betul jika terdapat sedikit awan, 50% betul jika berjerubu, dan 0% betul jika hujan sepanjang hari.

AAAAllllgoritma genetikgoritma genetikgoritma genetikgoritma genetik : adalah satu heuristik yang digunakan untuk mengetahui anggaran penyelesaian

kepada kesukaran untuk menyelesaikan masalah melalui penerapan/ aplikasi daripada prinsip-prinsip

biologi berevolusi dengan komputer sains.

Enjin PenyimpulanEnjin PenyimpulanEnjin PenyimpulanEnjin Penyimpulan adalah sebahagian drp sistem pakar berdasarkan peraturan yang membuat

kesimpulan atau membuat keputusan yang logik. Enjin pembuat kesimpulan cuba memperolehi

jawapan drp pangkalan pengetahuan daripada.Ianya ialah otak sistem pakar yang menyediakan

perkaedahan untuk pemikiran tentang maklumat dalam pangkalan pengetahuan dan bagi membuat

kesimpulan.

Pangkalan PengetahuanPangkalan PengetahuanPangkalan PengetahuanPangkalan Pengetahuan : pengetahuan yang di enkod bagi satu sistem pakar.Dalam sistem pakar

berasaskan peraturan, satu pangkalan pengetahuan biasanya digabung definisi drp sifat-sifat dan

peraturan bersama-sama dengan maklumat kawalan.

Jurutera PengetahuanJurutera PengetahuanJurutera PengetahuanJurutera Pengetahuan : pakar AI yang bertanggungjawab ke atas bidang teknikal dalam membangunkan

suatu sistem pakar.Jurutera Pengetahuan bekerja rapat dengan pakar domain untuk mendapatkan

pengetahuan pakar pangkalan pengetahuan.

Mesin PembelajaranMesin PembelajaranMesin PembelajaranMesin Pembelajaran : keupayaan sebuah mesin untuk memperbaiki prestasinya berdasarkan

keputusan/ hasil yang sebelumnya.

Rangkaian Saraf ( Neural Network )Rangkaian Saraf ( Neural Network )Rangkaian Saraf ( Neural Network )Rangkaian Saraf ( Neural Network ) : rangkaian saraf merupakan pemodelan teknik analitik selepas

proses daripada pembelajaran dalam sistem kognitif dan fungsi neurologi pada otak.Rangkaian saraf

menggunakan satu set data latihan untuk membina peraturan-peraturan yang boleh membuat ramalan

atau pembezaan set data.

NOTA_versi_BM_MODUL_CBSS4103_-_Bab1_-_Bab_9_Sistem_Sokongan_Keputusan

Documents

Transcript of NOTA_versi_BM_MODUL_CBSS4103_-_Bab1_-_Bab_9_Sistem_Sokongan_Keputusan