Sistem Sokongan Keputusan SISTEM MAKLUMAT PENGURUSAN Sistem Sokongan Keputusan 7-1 Copyright 2001 Prentice-Hall, Inc. 1

Jenis-jenis Keputusan Keputusan yang teratur berulang dan rutin mempunyai prosedur yang jelas Keputusan yang tidak teratur Baru, ganjil dan tidak berstruktur Tiada kaedah tertentu untuk mengatasi masalah Keputusan kebanyakannya di antara teratur dan tidak teratur. 13-2

Fasa-fasa Penyelesaian Masalah Maklumat Mencari di persekitaran keadaan-keadaan untuk keputusan tertentu Rekabentuk Mencipta, membangunkan, dan menganalisa tindakan-tindakan yang wajar Pilihan Memilih satu tindakan Mengkaji Semula Menilai pilihan lepas 13-3 3

Definisi Sistem Sokongan Keputusan (DSS) Definisi Am – satu sistem yang menyediakan kebolehan komunikasi dan kemudahan penyelesaian masalah separa berstruktur. Definisi Khusus – satu sistem yang menyokong seorang pengurus atau sekumpulan pengurus yang menyelesaikan masalah separa berstruktur dengan menyediakan maklumat atau memberikan usulan-ususan tentang keputusan tertentu. 13-4 2

Konsep DSS Gorry dan Scott Morton mencipta perkataan ‘DSS’ pada 1971, kira-kira 10 tahun selepas MIS menjadi popular. Jenis keputusan adalah bergantung kepada struktur masalah: Masalah Berstruktur, boleh diselesaikan dengan menggunakan alkhwarizmi dan pepokok keputusan. Masalah Tidak Berstruktur, tidak ada fasa yang berstruktur. Masalah Separa Struktur, sebahagian daripada fasa berstruktur. 13-5

The Gorry and Scott Morton Grid Management levels Operational control Management control Strategic planning Structured Accounts receivable Order entry Inventory control Budget analysis-- engineered costs Short-term forecasting Tanker fleet mix Warehouse and factory location Degree of problem structure Semistructured Production scheduling Cash management PERT/COST systems Variance analysis-- overall budget Budget preparation Sales and production Mergers and acquisitions New product planning R&D planning Unstructured 13-6 5

Jenis-jenis DSS oleh Alter Pada 1976, Steven Alter, mengkaji rangka kerja Gorry and Scott-Morton Mencipta satu klasifikasi jenis-jenis DSS Bedasarkan kajian terhadap 56 DSS Mengelaskan DSS berdasarkan “degree of problem solving support.” 13-7

Paras DSS oleh Alter Paras sokongan penyelesaian masalah daripada terendah hingga ke tertinggi Capaian unsur-unsur maklumat Capaian fail-fail maklumat Penciptaan laporan berdasarkan lebih daripada satu fail Jangkaan akibat keputusan Cadangan keputusan Membuat keputusan 13-8

Kepentingan Kajian Alter Menunjukkan konsep sokongan keputusan dalam pembangunan sistem DSS bukan sekadar aplikasi yang membuat queri dan model keputusan, tetapi termasuk laporan berkala. 13-9

Alter’s DSS Types Little Much Degree of problem solving support Retrieve information elements Analyze entire files Prepare reports from multiple files Estimate decision consequen-ces Propose decisions Make decisions Degree of complexity of the problem-solving system Little Much 13-10 8

Based on studies of Keen and Scott-Morton Tiga Objektif DSS 1. Membantu dalam menyelesaikan masalah separa berstruktur. 2. Memberi sokongan, bukan menggantikan pengurus. 3. Menyumbang kepada efektif dan bukannya menumpukan kepada efisyen. Based on studies of Keen and Scott-Morton 13-11 10

A DSS Model support system problem solvers group members Report Environment Individual problem solvers Other group members Report writing software Mathematical Models GDSS software GDSS software Database Decision support system Environment Data Communication Information Legend: 13-12 11

Kandungan Pangkalan Data Terdiri daripada 3 subsistem aplikasi Report writers Special reports Periodic reports COBOL or PL/I DBMS Model Matematik Simulasi Special modeling languages Groupware atau GDSS 13-13 12

GDSS Sistem berasaskan komputer yang menyokong individu berkumpulan bekerja dan menyediakan platform dalam persekitaran perkongsian Digunakan dalam penyelesaian masalah Bidang berkenaan: Electronic meeting system (EMS) Computer-supported cooperative work (CSCW) Group support system (GSS) Groupware 13-14 13

Bagaimana GDSS Membantu Penyelesaian Masalah Meningkatkan komunikasi Memperbaiki fokus perbincangan Mengurangkan masa terluang 13-15

Keadaan GDSS Synchronous exchange Asynchronous exchange Ahli berjumpa dalam masa yang sama Cth: mesyuarat Asynchronous exchange Ahli berjumpada pada masa yang berbeza Cth: E-mail 13-16 14

Jenis-jenis GDSS Decision rooms Local area decision network Small groups face-to-face Parallel communication Anonymity Local area decision network Members interact using a LAN Legislative session Large group interaction Computer-mediated conference Permits large, geographically dispersed group interaction 13-17

Group Size and Location Determine GDSS Environmental Settings Smaller Larger Face-to- face Decision Room Legislative Session MEMBER PROXIMITY Local Area Decision Network Computer- Mediated Conference Dispersed 13-18 15

Groupware Fungsi Lotus Notes E-mail FAX Voice messaging Internet access Lotus Notes Produk groupware yang popular Mengendali data penting pengurus 13-19

Main Groupware Functions IBM TeamWARE Lotus Novell Function Workgroup Office Notes GroupWise X = standard feature O = optional feature 3 = third party offering 13-20

Kecerdasan Buatan (AI) Aktiviti menyediakan mesin seperti komputer kebolehan untuk menunjukkan sifat cerdas yang mampu dilaksanakan oleh manusia. 13-21 2

Sejarah AI Sejarah: 2 dekad yg lepas John McCarthy mencipta istilah, AI, pada 1956, pada persidangan di Dartmouth College. Logic Theorist adalah aturcara AI yang pertama General problem solver (GPS) 2 dekad yg lepas Pembangunan MIS and DSS. 13-22 3

Areas of Artificial Intelligence Expert systems AI hardware Robotics Natural language Perceptive systems (vision, hearing) Neural networks Learning Artificial Intelligence 13-23 4

Expert Systems Aplikasi komputer yang menukarkan pengetahuan manusia kepada kod komputer dalam bentuk heuristics 2 perbezaan daripada DSS 1. Boleh meningkatkan kebolehan pengurus dalam menyelesaikan masalah. 2. Boleh memberikan penjelasan bagaimana keputusan tersebut dicapai. 13-24 5

Expert and knowledge engineer Instructions & information Solutions & explanations Knowledge User User interface Know- ledge base Inference engine Problem Domain Development engine Expert system Model Expert System Expert and knowledge engineer 13-25 6

Model Expert System User interface Knowledge base Inference engine Allows user to interact with system Knowledge base Houses accumulated knowledge Inference engine Provides reasoning Interprets knowledge base Development engine Creates expert system 13-26 7

} User Interface Pengguna memasukkan: Expert system menyediakan: Arahan Maklumat Expert system menyediakan: Penyelesaian Penerangan Soalan Penyelesaian masalah } Menus, commands, natural language, GUI 13-27 8

Knowledge Base Keterangan tentang domain permasalahan Syarat Teknik perwakilan pengetahuan Logik ‘IF:THEN’ Rangkaian syarat Paras terendah menyediakan bukti Paras atas menghasilkan 1 atau lebih kesimpulan Kesimpulan teratas dipanggil Goal variable. 13-28 9

A Rule Set That Produces One Final Conclusion Conclusion Conclusion Evidence Evidence Evidence Evidence Evidence Evidence Evidence Evidence 13-29 10

Pemilihan Syarat Memilih syarat untuk menyelesaikan masalah dengan efisyen adalah sukar Sebahagian matlamat boleh dicapai hanya dengan beberapa syarat. 13-30 12

Inference Engine Melaksanakan penakulan (reasoning) berdasarkan pengetahuan dalam aturan tertentu. 2 kaedah utama dalam menggunakan syarat 1. Forward reasoning (data driven) 2. Reverse reasoning (goal driven) 13-31 13

Forward Reasoning (Forward Chaining) Syarat dinilai sebagai: (1) true, (2) false, (3) unknown Syarat dinilai dalam proses yang berulang Jika tiada syarat yang boleh dinilai, proses penakulan berhenti walaupun matlamat tidak tercapai. Start with inputs and work to solution 13-32 14

The Forward Reasoning Process Rule 1 T F T T Rule 8 T T T T Rule 5 IF A THEN B Rule 7 IF B OR D THEN K Rule 10 Rule 2 F IF K AND L THEN N IF C THEN D T T Rule 3 Rule 8 Rule 12 T T IF N OR O THEN P IF M THEN E IF E THEN L T Rule 4 T IF K THEN F Legend: First pass Rule 9 Rule 5 Rule 11 T T IF (F AND H) OR J THEN M IF G THEN H IF M THEN O Second pass T Rule 6 F Third pass IF I THEN J 13-33 15

Reverse Reasoning Steps (Backward Chaining) Bahagikan masalah kepada beberapa submasalah Cuba selesaikan satu submasalah Kemudian cuba submasalah seterusnya. Start with solution and work back to inputs 13-34 16

The First Five Problems Step 4 The First Five Problems Are Identified Rule 1 Step 3 IF A THEN B Rule 7 Step 2 T IF B OR D THEN K Rule 10 Step 1 Rule 2 T IF K AND L THEN N Rule 12 IF C THEN D IF N OR O THEN P Step 5 Rule 3 Rule 8 IF M THEN E IF E THEN L Rule 11 Legend: Problems to be solved IF (F AND H) OR J THEN M IF M THEN O IF M THEN O Rule 9 13-35

The Next Four Problems Are Identified Rule 12 Step 8 If N Or O Then P Rule 4 If K Then F T T Step 7 Step 6 Step 9 Rule 5 If G Then H If M Then O IF (F And H) Or J Then M T T T Rule 9 Rule 11 Legend: Problems to be solved Rule 6 If I Then J 13-36

Forward Versus Reverse Reasoning Reverse reasoning lebih pantas daripada forward reasoning Reverse reasoning lebih baik apabila: Multiple goal variables Many rules All or most rules do not have to be examined in the process of reaching a solution 13-37 21

Development Engine Programming languages Expert system shells Lisp Prolog Expert system shells Aplikasi sedia ada yang boleh digunakan untuk semua domain ES. Case-based reasoning (CBR) Decision tree 13-38 23

Kelebihan Expert System Kepada pengurus Alternatif tambahan Menggunakan logik Masa yang lebih boleh digunakan untuk menilai keputusan syarat Logik yang konsisten Kepada syarikat Prestasi kumpulan pengurusan meningkat Sumber pengetahuan syarikat terpelihara 13-39 30

Kelemahan Expert System Tidak boleh mengendalikan pengetahuan yang tidak konsisten Tidak boleh memasukkan intuisi 13-40 31

Kunci Kejayaan ES Urus pembangunan ES bersama-sama perancangan strategik Jelaskan masalah yang ingin diselesaikan dan fahamkan domain permasalahan Beri perhatian kepada isu etika dan perundangan Fahami perhatian dan harapan pengguna Gunakan teknik pengurusan untuk mengawal pembagun sistem 13-41

Neural Networks Model matematik otak manusia Simulasi bagaimana neuron berhubung untuk memproses data dan belajar daripada pengalaman 13-42 32

Otak Manusia Neuron -- the information processor Input -- dendrites Processing -- soma Output -- axon Neurons are connected by the synapse 13-43 33

Simple Biological Neurons Soma (processor) Axonal Paths (output) Synapse Axon Dendrites (input) 13-44

Evolusi Artificial Neural Systems (ANS) McCulloch-Pitts mathematical neuron function (late 1930s) was the starting point Hebb’s learning law (early 1940s) Neurocomputers Marvin Minsky’s Snark (early 1950s) Rosenblatt’s Perceptron (mid 1950s) 13-45 35

Metodologi Terkini Model matematik tidak boleh menyaingi otak manusia tetapi menunjukkan kebolehan yang setara Complex networks Repetitious training ANS “learns” by example 13-46 36

Single Artificial Neuron y1 y2 y3 yn-1 y w1 w2 w3 wn-1 13-47

The Multi-Layer Perceptron OUT1 OUTn The Multi-Layer Perceptron Input Layer Y1 Yn2 OutputLayer IN1 INn 13-48 35

Perspektif Knowledge-based Systems Banyak kejayaan yang telah dicapai dalam bidang neural nets dan expert systems Masih banyak lagi ruang penyelidikan 13-49

Summary [cont.] AI Limitations and promise Neural networks Expert systems Limitations and promise 13-50