Artificial intelligence (AI) is both the intelligence of machines and the branch of computer science which aims to create it.
Major AI textbooks define artificial intelligence as "the study and design of intelligent agents, "where an intelligent agent is a system that perceives its environment and takes actions which maximize its chances of success.
AI can be seen as a realization of an abstract intelligent agent (AIA) which exhibits the functional essence of intelligence. John McCarthy, who coined the term in 1956, defines it as "the science and engineering of making intelligent machines."
Among the traits that researchers hope machines will exhibit are reasoning, knowledge, planning, learning, communication, perception and the ability to move and manipulate objects.[6] General intelligence (or "strong AI") has not yet been achieved and is a long-term goal of AI research.
AI research uses tools and insights from many fields, including computer science, psychology, philosophy, neuroscience, cognitive science, linguistics, ontology, operations research, economics, control theory, probability, optimization and logic.
AI research also overlaps with tasks such as robotics, control systems, scheduling, data mining, logistics, speech recognition, facial recognition and many others. Other names for the field have been proposed, such as computational intelligence, synthetic intelligence, intelligent systems, or computational rationality.
Perspectives on AI
Humanity has imagined in great detail the implications of thinking machines or artificial beings. They appear in Greek myths, such as Talos of Crete, the golden robots of Hephaestus and Pygmalion's Galatea. The earliest known humanoid robots (or automatons) were sacred statues worshipped in Egypt and Greece, believed to have been endowed with genuine consciousness by craftsman. In medieval times, alchemists such as Paracelsus claimed to have created artificial beings. Realistic clockwork imitations of human beings have been built by people such as Yan Shi, Hero of Alexandria, Al-Jazari and Wolfgang von Kempelen.
Pamela McCorduck observes that "artificial intelligence in one form or another is an idea that has pervaded Western intellectual history, a dream in urgent need of being realized."In modern fiction, beginning with Mary Shelley's classic Frankenstein, writers have explored the ethical issues presented by thinking machines.
If a machine can be created that has intelligence, can it also feel? If it can feel, does it have the same rights as a human being? This is a key issue in Frankenstein as well as in modern science fiction:
for example, the film Artificial Intelligence: A.I. considers a machine in the form of a small boy which has been given the ability to feel human emotions, including, tragically, the capacity to suffer. This issue is also being considered by futurists, such as California's Institute for the Future under the name "robot rights", although many critics believe that the discussion is premature.
Science fiction writers and futurists have also speculated on the technology's potential impact on humanity. In fiction, AI has appeared as a servant (R2D2), a comrade (Lt. Commander Data), an extension to human abilities (Ghost in the Shell), a conqueror (The Matrix), a dictator (With Folded Hands) and an exterminator (Terminator, Battlestar Galactica). Some realistic potential consequences of AI are decreased human labor demand, the enhancement of human ability or experience, and a need for redefinition of human identity and basic values.
Futurists estimate the capabilities of machines using Moore's Law, which measures the relentless exponential improvement in digital technology with uncanny accuracy. Ray Kurzweil has calculated that desktop computers will have the same processing power as human brains by the year 2029, and that by 2045 artificial intelligence will reach a point where it is able to improve itself at a rate that far exceeds anything conceivable in the past, a scenario that science fiction writer Vernor Vinge named the "technological singularity".
"Artificial intelligence is the next stage in evolution," Edward Fredkin said in the 1980s, expressing an idea first proposed by Samuel Butler's Darwin Among the Machines (1863), and expanded upon by George Dyson in his book of the same name (1998). Several futurists and science fiction writers have predicted that human beings and machines will merge in the future into cyborgs that are more capable and powerful than either. This idea, called transhumanism, has roots in Aldous Huxley and Robert Ettinger, is now associated with robot designer Hans Moravec, cyberneticist Kevin Warwick and Ray Kurzweil.
Transhumanism has been illustrated in fiction as well, for example on the manga Ghost in the Shell
History of AI research
Main articles: history of artificial intelligence and timeline of artificial intelligence
In the middle of the 20th century, a handful of scientists began a new approach to building intelligent machines, based on recent discoveries in neurology, a new mathematical theory of information, an understanding of control and stability called cybernetics, and above all, by the invention of the digital computer, a machine based on the abstract essence of mathematical reasoning.
The field of modern AI research was founded at conference on the campus of Dartmouth College in the summer of 1956.
Those who attended would become the leaders of AI research for many decades, especially John McCarthy, Marvin Minsky, Allen Newell and Herbert Simon, who founded AI laboratories at MIT, CMU and Stanford. They and their students wrote programs that were, to most people, simply astonishing:computers were solving word problems in algebra, proving logical theorems and speaking English.
By the middle 60s their research was heavily funded by the U.S. Department of Defense[34] and they were optimistic about the future of the new field:
1965, H. A. Simon: "[M]achines will be capable, within twenty years, of doing any work a man can do"1967, Marvin Minsky: "Within a generation ... the problem of creating 'artificial intelligence' will substantially be solved."
These predictions, and many like them, would not come true. They had failed to recognize the difficulty of some of the problems they faced.
In 1974, in response to the criticism of England's Sir James Lighthill and ongoing pressure from Congress to fund more productive projects, the U.S. and British governments cut off all undirected, exploratory research in AI. This was the first AI Winter.
In the early 80s, AI research was revived by the commercial success of expert systems (a form of AI program that simulated the knowledge and analytical skills of one or more human experts) and by 1985 the market for AI had reached more than a billion dollars.
Minsky and others warned the community that enthusiasm for AI had spiraled out of control and that disappointment was sure to follow.
Beginning with the collapse of the Lisp Machine market in 1987, AI once again fell into disrepute, and a second, more lasting AI Winter began.
In the 90s and early 21st century AI achieved its greatest successes, albeit somewhat behind the scenes. Artificial intelligence was adopted throughout the technology industry, providing the heavy lifting for logistics, data mining, medical diagnosis and many other areas.
The success was due to several factors: the incredible power of computers today (see Moore's law), a greater emphasis on solving specific subproblems, the creation of new ties between AI and other fields working on similar problems, and above all a new commitment by researchers to solid mathematical methods and rigorous scientific standards
Philosophy of AI
Can the brain be simulated by a digital computer? If it can, then would the simulation have a mind in the same sense that people do?
In a classic 1950 paper, Alan Turing posed the question "Can Machines Think?" In the years since, the philosophy of artificial intelligence has attempted to answer it.
Turing's "polite convention": If a machine acts as intelligently as a human being, then it is as intelligent as a human being. Alan Turing realized that, ultimately, we can only judge the intelligence of machine based on its behavior. This insight forms the basis of the Turing test.
The Dartmouth proposal: Every aspect of learning or any other feature of intelligence can be so precisely described that a machine can be made to simulate it. This assertion was printed in the proposal for the Dartmouth Conference of 1956, and represents the position of most working AI researchers.
Newell and Simon's physical symbol system hypothesis: A physical symbol system has the necessary and sufficient means of general intelligent action. This statement claims that the essence of intelligence is symbol manipulation.
Hubert Dreyfus argued that, on the contrary, human expertise depends on unconscious instinct rather than conscious symbol manipulation and on having a "feel" for the situation rather than explicit symbolic knowledge.
Gödel's incompleteness theorem: A physical symbol system can not prove all true statements. Roger Penrose is among those who claim that Gödel's theorem limits what machines can do.
Searle's "strong AI position": A physical symbol system can have a mind and mental states. Searle counters this assertion with his Chinese room argument, which asks us to look inside the computer and try to find where the "mind" might be.
The artificial brain argument: The brain can be simulated. Hans Moravec, Ray Kurzweil and others have argued that it is technologically feasible to copy the brain directly into hardware and software, and that such a simulation will be essentially identical to the original. This argument combines the idea that a suitably powerful machine can simulate any process, with the materialist idea that the mind is the result of a physical process in the brain.
Source : http://en.wikipedia.org/wiki/Artificial_intelligence
Kamis, 05 Juni 2008
Sistem Pendukung Keputusan
Sistem Pendukung Keputusan (SPK) atau decision support system merupakan salah satu jenis sistem informasi yang bertujuan untuk menyediakan informasi, membimbing, memberikan prediksi serta mengarahkan kepada pengguna informasi agar dapat melakukan pengambilan keputusan dengan lebih baik dan berbasis evidence. Secara hirarkis, SPK biasanya dikembangkan untuk pengguna pada tingkatan manajemen menengah dan tertinggi. Dalam pengembangan sistem informasi, SPK baru dapat dikembangkan jika sistem pengolahan transaksi (level pertama) dan sistem informasi manajemen (level kedua) sudah berjalan dengan baik. SPK yang baik harus mampu menggali informasi dari database, melakukan analisis serta memberikan interpretasi dalam bentuk yang mudah dipahami dengan format yang mudah untuk digunakan (user friendly).
Dari sisi konteks, pada dasarnya sebuah Sistem Pendukung Keputusan Klinik (SPKK) adalah SPK yang diterapkan untuk manajemen klinis. Secara definitif SPKK adalah aplikasi perangkat lunak yang mengintegrasikan informasi yang berasal dari pasien (karakteristik demografis, klinis, sosial psikologis) dengan basis pengetahuan (knowledge base) untuk membantu klinisi dan atau pasien dalam membuat keputusan klinis. Pengguna SPKK adalah tenaga kesehatan yang terlibat dalam tata laksana klinis pasien di rumah sakit mulai dari dokter, perawat, bidan, fisioterapis dan lain-lain.
SPKK tidak harus bersifat elektronis. Kartu Menuju Sehat (KMS) pada dasarnya adalah suatu SPKK sederhana yang menyediakan fasilitas untuk memasukkan data balita secara lengkap mulai dari riwayat persalinan, imunisasi, riwayat minum ASI, berat badan serta grafik yang dilengkapi dengan kriteria status gizi serta panduan tentang bagaimana menginterpretasikan naik turunnya berat badan balita dan dapat digunakan baik oleh tenaga kesehatan maupun orang tua balita. Model SPKK manual lainnya adalah penerapan berbagai algoritma klinis untuk penanganan penyakit tertentu. Namun, dalam tulisan ini kita akan lebih banyak mengulas tentang SPKK yang berbasis komputer.
SPKK tersusun atas komponen sebagai berikut:
Database yaitu kumpulan data yang tersusun secara terstruktur dan dalam format elektronik yang mudah diolah oleh program komputer. Database ini menghimpun berbagai jenis data baik yang berasal dari pasien, obat (jenis, dosis, indikasi, kontraindikasi dll), dokter/perawat dll.
Knowledge base: merupakan kumpulan pengetahuan kedokteran yang merupakan sintesis dari berbagai literatur, protokol klinik (clinical guidelines), pendapat pakar maupun hasil penelitian lainnya yang sudah diterjemahkan dalam bahasa yang dapat dipahami oleh komputer.
Instrumen : adalah alat yang dapat mengumpulkan data klinis seperti: alat pemeriksaan laboratorium, EKG, radiologis dan lain-lain. Keberadaan instrumen dalam suatu SPKK tidak mutlak.
Mesin inferensial (inference engine) : merupakan program utama dalam suatu SPKK yang mengendalikan keseluruhan sistem, mulai dari menangkap informasi yang berasal dari pasien, mengkonsultasikannya dengan knowledge base dan memberikan hasil interpretasinya kepada pengguna.
Antar muka (user interface) : adalah tampilan program komputer yang memungkinkan pengguna berkonsultasi untuk memasukkan data, memilih menu hingga mendapatkan hasil baik berupa teks, grafis, sinyal, simbol dan bentuk interaktivitas lainnya. Interaktivitas dapat bersifat aktif-otomatis maupun pasif.
Jika mesin inferensial adalah program utama yang mengendalikan SPKK maka knowledge base adalah otaknya. Knowledge base dapat diibaratkan sebagai tiruan manusia (dokter) yang ditanamkan ke dalam komputer agar komputer dapat berpikir dan mengambil keputusan sebagaimana manusia(dokter) aslinya. Knowledge base biasanya dikembangkan menggunakan berbagai metode matematis (statistik) seperti Bayesian, neural network maupun aturan simbolis sederhana (IF-THEN). MYCIN, salah satu program SPKK yang JIKA :
jenis infeksinya adalah meningitis
tipe infeksinya adalah bakterial
pasien sedang mendapatkan terapi kortikosteroid
MAKA
Organisme yang mungkin menyebabkan infeksi adalah e.coli (0.4), klebsiella-pneumoniae(0.2), atau pseudomonas aeruginosa(0.1)
Dalam program tersebut, angka 1 menunjukkan derajat kepastian adalah 100% sebaliknya angka -1 menunjukkan derajat ketidakpastian sebesar 100 %. Angka tersebut merupakan hasil sintesis dari berbagai studi dan pendapat pakar. Terdapat juga SPKK yang knowledge basednya menggunakan metode Bayesian untuk manajemen klinis pneumonia seperti pada gambar 3.
Gambar 3. Contoh penghitungan risiko mortalitas pada penderita pneumonia yang menggunakan pendekatan statistik Bayesian.
Fungsi SPKK
Alasan mengapa SPKK disebut-sebut sebagai salah satu alternatif untuk mencegah medical error dan mendorong patient safety terletak pada potensi dan fungsinya. SPKK secara umum akan bermanfaat bagi dokter dalam pengambilan keputusan karena memiliki fungsi mulai dari alerting, assisting, critiquing, diagnosis hingga ke manajemen.
Alerting
Alert otomatis akan muncul dan memberikan data serta informasi kepada dokter secara cepat pada situasi kritis yang kadang membahayakan. Pada kondisi tersebut, informasi yang lengkap sangat penting dalam pengambilan keputusan, misalnya: nilai laboratorium abnormal, kecenderungan vital sign, kontraindikasi pengobatan maupun kegagalan prosedur tertentu. Sistem alert telah digunakan secara rutin dalam program HELP (Health Evaluation through Logical Processing) mampu menurunkan laju infeksi pasca operatif dari 13% ke 5.5% per hari dan menurunkan prosentase pemberian antibiotik berlebihan dari 35% ke 18%.
Interpretasi
Interpretasi merupakan asimilasi dari data klinis untuk memahami data pasien. Contoh sederhana adalah mesin penginterpretasi EKG, analisis gas datah maupun pemeriksaan radiologis.
Assisting (memberikan bantuan)
Adalah contoh SPKK yang bertujuan untuk mempermudah atau mempercepat aktivitas klinis. SPKK yang bersifat hibrid (campuran manual dan elektronik) akan memberikan hasil print out sintesis data pasien yang mengarahkan kepada tindakan manajemen selanjutnya. Pada sistem yang online,
Critiquing (memberikan kritik)
Jenis aplikasi ini akan memberikan kritik kepada pengguna untuk memverifikasi keputusan klinis yang telah dipilih. Berbagai contoh aplikasi SPKK jenis ini dapat bermanfaat untuk mencegah permintaan pemeriksaan klinis yang tidak tepat (seperti pada gambar 6), pemberian obat yang tidak sesuai dengan indikasi maupun penerapan protokol klinik.
Diagnosis
Merupakan contoh aplikasi SPKK yang paling populer dan banyak dipublikasikan sejak tahun 1970-an. Tujuan aplikasi ini adalah memberikan daftar probabilitas berbagai differential diagnosis berdasarkan data pasien yang diinputkan ke dalam komputer.
Manajemen
Pada dasarnya, aplikasi jenis ini bertujuan untuk meningkatkan/memperbaiki sistem manajemen klinis yang ada, mulai dari operasional rumah sakit, alokasi sumber daya (termasuk SDM) hingga ke assessment terhadap perubahan pola penyakit yang dirawat.
Perkembangan SPKK
Hingga saat ini, banyak sekali publikasi mengenai SPKK yang dapat ditemukan di jurnal internasional dengan berbagai kategori. Tabel 1 menyajikan tiga kategori utama SPKK, yaitu SPKK berspektrum luas, mengenah dan kecil dengan contoh aplikasinya masing-masing.
Namun, pengalaman di lapangan menunjukkan bahwa tidak semua aplikasi SPKK diterapkan dalam praktek sehari-hari. Pada waktu awal, gairah riset untuk pengembangan SPKK terpesona dengan kemampuan komputer untuk melakukan analisis secara cepat dan mengumpulkan data yang cukup besar. Sehingga tujuan pengembangan SPKK seakan-akan bertujuan untuk mengganti peran dokter (ingat pertarungan catur Gary Kasparov melawan Deep Blue).
Model konsultasi diagnosisk pada program INTERNIST-I pada tahun 1974 menempatkan dokter sebagai pihak yang tidak mampu melakukan diagnosis. Sehingga, dokter diminta untuk memasukkan semua informasi pasien, mulai dari riwayat penyakit, data laboratorium hingga temuan pemeriksaan fisik ke dalam program tersebut untuk mendapatkan hasilnya. Dokter hanya berperan sebagai observer yang pasif dan menjawab YES atau NO terhadap pertanyaan dari INTERNIST-I.
Meskipun dari sisi teknis, program INTERNIST-I memiliki kemampuan tinggi untuk mendiagonosis penyakit, tetapi di lapangan tidak ada dokter yang mau memfeed komputer dengan hasil temuannya. Di sisi lain, sangatlah wajar apabila banyak dokter yang menolak SPKK karena aplikasi ini cenderung membatasi otoritas seorang dokter. Namun di sisi lain, perkembangan teknologi informasi menunjukkan hasil yang cukup menggembirakan yang memungkinkan rumahsakit mengintegrasikan berbagai sumber data menggunakan perangkat keras yang semakin mini (komputer yang dikembangkan untuk SPKK pada tahun 1970-an ukurannya sebesar lemari) dan terintegrasi dengan jaringan (termasuk jalur nir kabel). Di Kanada, 50 persen dokter di bawah usia 35 tahun saat ini sudah menggunakan PDA dan aktif mendownload berbagai e-book tentang clinical guidelines yang terdapat di Internet.
Dalam analisisnya tentang perkembangan SPKK, Bates et al menyarankan 10 syarat agar SPKK diterapkan di lapangan, sebagai berikut:
Speed is everything
Anticipate needs and deliver in a real time
Fit into the user’s workflow
Little things can make a big difference
Recognize that physician will strongly resist stopping
Changing direction is easier than stopping
Simple interventions work best
Ask for additional information only when you really need it
Monitor impact, get feedback and respond
Manage and maintain your knowledge based systems
Sistem pendukung keputusan klinik yang spesifik akan terus berkembang dan meluas penggunaannya. Analisis EKG, interpretasi analisis gas darah, elektroforesis protein serta hitung jenis sel darah berkomputer merupakan beberapa contoh kecil keberhasilan SPK di bidang klinik.
Namun demikian, SPKK generik yang berskala besar masih dipertanyakan. Hal ini sangat tergantung kepada konstruksi dan pemeliharaan basis pengetahuan medis (medical knowledge base). Seperti kita, ketahui, sampai sekarang, sebagian besar rumah sakit di Indonesia masih berkutat dengan subsistem informasi keuangan (khususnya billing). Meskipun, beberapa rumah sakit sudah mengembangkan database rekam medis, tetapi masih terbatas pada pengumpulan data demografis dan diagnosis. Medical knowledge base memerlukan effort yang besar karena harus mengembangkan database klinis pasien (dengan mengumpulkan data diagnosis, simtom, faktor risiko, multimedia, laboratorium hingga ke genetis) serta sumber daya manusia yang konsisten dan terus menerus memelihara dan mengkaji perkembangan mutakhir yang terdapat dalam database pasien serta sumber-sumber literatur kedokteran mutakhir, seperti MEDLINE. Perkembangan pengetahuan terbaru selanjutnya diadaptasi menjadi basis literatur dan dikombinasikan dengan protokol klinik dan outcome terbaik dalam pelayanan klinik sebagai bahan makanan bagi SPKK agar tetap terjaga kekiniannya (gambar 7). Oleh karena itu, pengembangan SPKK jenis ini biasanya sesuai untuk rumah sakit tipe B pendidikan yang memiliki komitmen lebih jelas dalam aspek riset. Sebagian besar literatur yang menjelaskan keberhasilan SPKKpun juga berasal dari institusi besar, dengan jenis layanan tersier dan mayoritas penggunanya adalah residen.
Di sisi yang lain, mengembangkan SPKK generik untuk taraf menengah dan kecil, agar dapat digunakan oleh dokter praktek umum juga sangat dilematis. Kecuali, jika SPKK tersebut didesain dalam bentuk tertentu yang justru akan meningkatkan image dokter di mata pasien. Oleh karena itu, salah satu harapan agar semakin banyak dokter menggunakan SPKK adalah integrasi modul SPKK dengan perangkat yang handy yaitu personal digital assistant (PDA). Namun, hingga saat ini SPKK yang terdapat dalam bentuk PDA lebih banyak bertujuan membantu dokter dalam memilih jenis terapi. Akan tetapi, kemampuan PDA untuk menyimpan database dalam skala besar masih dalam perkembangan. Di rumah sakit besar, pemanfaatan PDA dapat difasilitasi dengan jaringan nir kabel yangmemungkinkan koneksi ke database pasien di rumah sakit.
SPKK memiliki prospek yang sangat baik di masa depan. Para peneliti serta publikasi mengenai SPKK menunjukkan pertumbuhan yang meyakinkan dengan jenis aplikasi SPKK yang semakin beragam. Di sisi lain perusahan komersial yang tertarik dengan SPKK juga semakin banyak. Namun, di sisi lain perlu diimbangi dengan assessment tentang cost effectiveness serta prosedur pengujian dan standar mutunya. Semua hal tersebut nantinya akan mendorong perkembangan SPKK baru yang produktif, teruji dan (yang penting lagi) digunakan dalam praktek klinis.
Sumber : http://www.combiphar.com/article.php?id_news=2625
Dari sisi konteks, pada dasarnya sebuah Sistem Pendukung Keputusan Klinik (SPKK) adalah SPK yang diterapkan untuk manajemen klinis. Secara definitif SPKK adalah aplikasi perangkat lunak yang mengintegrasikan informasi yang berasal dari pasien (karakteristik demografis, klinis, sosial psikologis) dengan basis pengetahuan (knowledge base) untuk membantu klinisi dan atau pasien dalam membuat keputusan klinis. Pengguna SPKK adalah tenaga kesehatan yang terlibat dalam tata laksana klinis pasien di rumah sakit mulai dari dokter, perawat, bidan, fisioterapis dan lain-lain.
SPKK tidak harus bersifat elektronis. Kartu Menuju Sehat (KMS) pada dasarnya adalah suatu SPKK sederhana yang menyediakan fasilitas untuk memasukkan data balita secara lengkap mulai dari riwayat persalinan, imunisasi, riwayat minum ASI, berat badan serta grafik yang dilengkapi dengan kriteria status gizi serta panduan tentang bagaimana menginterpretasikan naik turunnya berat badan balita dan dapat digunakan baik oleh tenaga kesehatan maupun orang tua balita. Model SPKK manual lainnya adalah penerapan berbagai algoritma klinis untuk penanganan penyakit tertentu. Namun, dalam tulisan ini kita akan lebih banyak mengulas tentang SPKK yang berbasis komputer.
SPKK tersusun atas komponen sebagai berikut:
Database yaitu kumpulan data yang tersusun secara terstruktur dan dalam format elektronik yang mudah diolah oleh program komputer. Database ini menghimpun berbagai jenis data baik yang berasal dari pasien, obat (jenis, dosis, indikasi, kontraindikasi dll), dokter/perawat dll.
Knowledge base: merupakan kumpulan pengetahuan kedokteran yang merupakan sintesis dari berbagai literatur, protokol klinik (clinical guidelines), pendapat pakar maupun hasil penelitian lainnya yang sudah diterjemahkan dalam bahasa yang dapat dipahami oleh komputer.
Instrumen : adalah alat yang dapat mengumpulkan data klinis seperti: alat pemeriksaan laboratorium, EKG, radiologis dan lain-lain. Keberadaan instrumen dalam suatu SPKK tidak mutlak.
Mesin inferensial (inference engine) : merupakan program utama dalam suatu SPKK yang mengendalikan keseluruhan sistem, mulai dari menangkap informasi yang berasal dari pasien, mengkonsultasikannya dengan knowledge base dan memberikan hasil interpretasinya kepada pengguna.
Antar muka (user interface) : adalah tampilan program komputer yang memungkinkan pengguna berkonsultasi untuk memasukkan data, memilih menu hingga mendapatkan hasil baik berupa teks, grafis, sinyal, simbol dan bentuk interaktivitas lainnya. Interaktivitas dapat bersifat aktif-otomatis maupun pasif.
Jika mesin inferensial adalah program utama yang mengendalikan SPKK maka knowledge base adalah otaknya. Knowledge base dapat diibaratkan sebagai tiruan manusia (dokter) yang ditanamkan ke dalam komputer agar komputer dapat berpikir dan mengambil keputusan sebagaimana manusia(dokter) aslinya. Knowledge base biasanya dikembangkan menggunakan berbagai metode matematis (statistik) seperti Bayesian, neural network maupun aturan simbolis sederhana (IF-THEN). MYCIN, salah satu program SPKK yang JIKA :
jenis infeksinya adalah meningitis
tipe infeksinya adalah bakterial
pasien sedang mendapatkan terapi kortikosteroid
MAKA
Organisme yang mungkin menyebabkan infeksi adalah e.coli (0.4), klebsiella-pneumoniae(0.2), atau pseudomonas aeruginosa(0.1)
Dalam program tersebut, angka 1 menunjukkan derajat kepastian adalah 100% sebaliknya angka -1 menunjukkan derajat ketidakpastian sebesar 100 %. Angka tersebut merupakan hasil sintesis dari berbagai studi dan pendapat pakar. Terdapat juga SPKK yang knowledge basednya menggunakan metode Bayesian untuk manajemen klinis pneumonia seperti pada gambar 3.
Gambar 3. Contoh penghitungan risiko mortalitas pada penderita pneumonia yang menggunakan pendekatan statistik Bayesian.
Fungsi SPKK
Alasan mengapa SPKK disebut-sebut sebagai salah satu alternatif untuk mencegah medical error dan mendorong patient safety terletak pada potensi dan fungsinya. SPKK secara umum akan bermanfaat bagi dokter dalam pengambilan keputusan karena memiliki fungsi mulai dari alerting, assisting, critiquing, diagnosis hingga ke manajemen.
Alerting
Alert otomatis akan muncul dan memberikan data serta informasi kepada dokter secara cepat pada situasi kritis yang kadang membahayakan. Pada kondisi tersebut, informasi yang lengkap sangat penting dalam pengambilan keputusan, misalnya: nilai laboratorium abnormal, kecenderungan vital sign, kontraindikasi pengobatan maupun kegagalan prosedur tertentu. Sistem alert telah digunakan secara rutin dalam program HELP (Health Evaluation through Logical Processing) mampu menurunkan laju infeksi pasca operatif dari 13% ke 5.5% per hari dan menurunkan prosentase pemberian antibiotik berlebihan dari 35% ke 18%.
Interpretasi
Interpretasi merupakan asimilasi dari data klinis untuk memahami data pasien. Contoh sederhana adalah mesin penginterpretasi EKG, analisis gas datah maupun pemeriksaan radiologis.
Assisting (memberikan bantuan)
Adalah contoh SPKK yang bertujuan untuk mempermudah atau mempercepat aktivitas klinis. SPKK yang bersifat hibrid (campuran manual dan elektronik) akan memberikan hasil print out sintesis data pasien yang mengarahkan kepada tindakan manajemen selanjutnya. Pada sistem yang online,
Critiquing (memberikan kritik)
Jenis aplikasi ini akan memberikan kritik kepada pengguna untuk memverifikasi keputusan klinis yang telah dipilih. Berbagai contoh aplikasi SPKK jenis ini dapat bermanfaat untuk mencegah permintaan pemeriksaan klinis yang tidak tepat (seperti pada gambar 6), pemberian obat yang tidak sesuai dengan indikasi maupun penerapan protokol klinik.
Diagnosis
Merupakan contoh aplikasi SPKK yang paling populer dan banyak dipublikasikan sejak tahun 1970-an. Tujuan aplikasi ini adalah memberikan daftar probabilitas berbagai differential diagnosis berdasarkan data pasien yang diinputkan ke dalam komputer.
Manajemen
Pada dasarnya, aplikasi jenis ini bertujuan untuk meningkatkan/memperbaiki sistem manajemen klinis yang ada, mulai dari operasional rumah sakit, alokasi sumber daya (termasuk SDM) hingga ke assessment terhadap perubahan pola penyakit yang dirawat.
Perkembangan SPKK
Hingga saat ini, banyak sekali publikasi mengenai SPKK yang dapat ditemukan di jurnal internasional dengan berbagai kategori. Tabel 1 menyajikan tiga kategori utama SPKK, yaitu SPKK berspektrum luas, mengenah dan kecil dengan contoh aplikasinya masing-masing.
Namun, pengalaman di lapangan menunjukkan bahwa tidak semua aplikasi SPKK diterapkan dalam praktek sehari-hari. Pada waktu awal, gairah riset untuk pengembangan SPKK terpesona dengan kemampuan komputer untuk melakukan analisis secara cepat dan mengumpulkan data yang cukup besar. Sehingga tujuan pengembangan SPKK seakan-akan bertujuan untuk mengganti peran dokter (ingat pertarungan catur Gary Kasparov melawan Deep Blue).
Model konsultasi diagnosisk pada program INTERNIST-I pada tahun 1974 menempatkan dokter sebagai pihak yang tidak mampu melakukan diagnosis. Sehingga, dokter diminta untuk memasukkan semua informasi pasien, mulai dari riwayat penyakit, data laboratorium hingga temuan pemeriksaan fisik ke dalam program tersebut untuk mendapatkan hasilnya. Dokter hanya berperan sebagai observer yang pasif dan menjawab YES atau NO terhadap pertanyaan dari INTERNIST-I.
Meskipun dari sisi teknis, program INTERNIST-I memiliki kemampuan tinggi untuk mendiagonosis penyakit, tetapi di lapangan tidak ada dokter yang mau memfeed komputer dengan hasil temuannya. Di sisi lain, sangatlah wajar apabila banyak dokter yang menolak SPKK karena aplikasi ini cenderung membatasi otoritas seorang dokter. Namun di sisi lain, perkembangan teknologi informasi menunjukkan hasil yang cukup menggembirakan yang memungkinkan rumahsakit mengintegrasikan berbagai sumber data menggunakan perangkat keras yang semakin mini (komputer yang dikembangkan untuk SPKK pada tahun 1970-an ukurannya sebesar lemari) dan terintegrasi dengan jaringan (termasuk jalur nir kabel). Di Kanada, 50 persen dokter di bawah usia 35 tahun saat ini sudah menggunakan PDA dan aktif mendownload berbagai e-book tentang clinical guidelines yang terdapat di Internet.
Dalam analisisnya tentang perkembangan SPKK, Bates et al menyarankan 10 syarat agar SPKK diterapkan di lapangan, sebagai berikut:
Speed is everything
Anticipate needs and deliver in a real time
Fit into the user’s workflow
Little things can make a big difference
Recognize that physician will strongly resist stopping
Changing direction is easier than stopping
Simple interventions work best
Ask for additional information only when you really need it
Monitor impact, get feedback and respond
Manage and maintain your knowledge based systems
Sistem pendukung keputusan klinik yang spesifik akan terus berkembang dan meluas penggunaannya. Analisis EKG, interpretasi analisis gas darah, elektroforesis protein serta hitung jenis sel darah berkomputer merupakan beberapa contoh kecil keberhasilan SPK di bidang klinik.
Namun demikian, SPKK generik yang berskala besar masih dipertanyakan. Hal ini sangat tergantung kepada konstruksi dan pemeliharaan basis pengetahuan medis (medical knowledge base). Seperti kita, ketahui, sampai sekarang, sebagian besar rumah sakit di Indonesia masih berkutat dengan subsistem informasi keuangan (khususnya billing). Meskipun, beberapa rumah sakit sudah mengembangkan database rekam medis, tetapi masih terbatas pada pengumpulan data demografis dan diagnosis. Medical knowledge base memerlukan effort yang besar karena harus mengembangkan database klinis pasien (dengan mengumpulkan data diagnosis, simtom, faktor risiko, multimedia, laboratorium hingga ke genetis) serta sumber daya manusia yang konsisten dan terus menerus memelihara dan mengkaji perkembangan mutakhir yang terdapat dalam database pasien serta sumber-sumber literatur kedokteran mutakhir, seperti MEDLINE. Perkembangan pengetahuan terbaru selanjutnya diadaptasi menjadi basis literatur dan dikombinasikan dengan protokol klinik dan outcome terbaik dalam pelayanan klinik sebagai bahan makanan bagi SPKK agar tetap terjaga kekiniannya (gambar 7). Oleh karena itu, pengembangan SPKK jenis ini biasanya sesuai untuk rumah sakit tipe B pendidikan yang memiliki komitmen lebih jelas dalam aspek riset. Sebagian besar literatur yang menjelaskan keberhasilan SPKKpun juga berasal dari institusi besar, dengan jenis layanan tersier dan mayoritas penggunanya adalah residen.
Di sisi yang lain, mengembangkan SPKK generik untuk taraf menengah dan kecil, agar dapat digunakan oleh dokter praktek umum juga sangat dilematis. Kecuali, jika SPKK tersebut didesain dalam bentuk tertentu yang justru akan meningkatkan image dokter di mata pasien. Oleh karena itu, salah satu harapan agar semakin banyak dokter menggunakan SPKK adalah integrasi modul SPKK dengan perangkat yang handy yaitu personal digital assistant (PDA). Namun, hingga saat ini SPKK yang terdapat dalam bentuk PDA lebih banyak bertujuan membantu dokter dalam memilih jenis terapi. Akan tetapi, kemampuan PDA untuk menyimpan database dalam skala besar masih dalam perkembangan. Di rumah sakit besar, pemanfaatan PDA dapat difasilitasi dengan jaringan nir kabel yangmemungkinkan koneksi ke database pasien di rumah sakit.
SPKK memiliki prospek yang sangat baik di masa depan. Para peneliti serta publikasi mengenai SPKK menunjukkan pertumbuhan yang meyakinkan dengan jenis aplikasi SPKK yang semakin beragam. Di sisi lain perusahan komersial yang tertarik dengan SPKK juga semakin banyak. Namun, di sisi lain perlu diimbangi dengan assessment tentang cost effectiveness serta prosedur pengujian dan standar mutunya. Semua hal tersebut nantinya akan mendorong perkembangan SPKK baru yang produktif, teruji dan (yang penting lagi) digunakan dalam praktek klinis.
Sumber : http://www.combiphar.com/article.php?id_news=2625
Decision Support System Part II
Characteristics and Capabilities of DSS
Because there is no exact definition of DSS, there is obviously no agreement on the standard characteristics and capabilities of DSS. Turban, E.,Aronson, J.E., and Liang, T.P.
constitute an ideal set of characteristics and capabilities of DSS.
The key DSS characteristics and capabilities are as follows:
Support for decision makers in semistructured and unstructured problems.
Support managers at all levels.
Support individuals and groups.
Support for interdependent or sequential decisions.
Support intelligence, design, choice, and implementation.
Support variety of decision processes and styles.
DSS should be adaptable and flexible.
DSS should be interactive and provide ease of use.
Effectiveness balanced with efficiency (benefit must exceed cost).
Complete control by decision-makers.
Ease of development by (modification to suit needs and changing environment) end users.
Support modeling and analysis.
Data access.
Standalone, integration and Web-based.
Taxonomies
As with the definition, there is no universally accepted taxonomy of DSS either.
Different authors propose different classifications. Using the relationship with the user as the criterion, Haettenschwiler differentiates passive, active, and cooperative DSS.
A passive DSS is a system that aids the process of decision making, but that cannot bring out explicit decision suggestions or solutions. An active DSS can bring out such decision suggestions or solutions. A cooperative DSS allows the decision maker (or its advisor) to modify, complete, or refine the decision suggestions provided by the system, before sending them back to the system for validation. The system again improves, completes, and refines the suggestions of the decision maker and sends them back to her for validation. The whole process then starts again, until a consolidated solution is generated.
Using the mode of assistance as the criterion, Power differentiates communication-driven DSS, data-driven DSS, document-driven DSS, knowledge-driven DSS, and model-driven DSS.
A model-driven DSS emphasizes access to and manipulation of a statistical, financial, optimization, or simulation model. Model-driven DSS use data and parameters provided by users to assist decision makers in analyzing a situation; they are not necessarily data intensive. Dicodess is an example of an open source model-driven DSS generator.
A communication-driven DSS supports more than one person working on a shared task; examples include integrated tools like Microsoft's NetMeeting or Groove
A data-driven DSS or data-oriented DSS emphasizes access to and manipulation of a time series of internal company data and, sometimes, external data.
A document-driven DSS manages, retrieves and manipulates unstructured information in a variety of electronic formats.
A knowledge-driven DSS provides specialized problem solving expertise stored as facts, rules, procedures, or in similar structures.
Using scope as the criterion, Power differentiates enterprise-wide DSS and desktop DSS.
An enterprise-wide DSS is linked to large data warehouses and serves many managers in the company. A desktop, single-user DSS is a small system that runs on an individual manager's PC.
Architectures
This article may require cleanup to meet Wikipedia's quality standards.Please improve this article if you can. (December 2007)
Once again, different authors identify different components in a DSS.
For example, Sprague and Carlson identify three fundamental components of DSS:
(a) the database management system (DBMS),
(b) the model-base management system (MBMS),
(c) the dialog generation and management system (DGMS).
describe these three components in more detail:
The Data Management Component stores information (which can be further subdivided into that derived from an organization's traditional data repositories, from external sources such as the Internet, or from the personal insights and experiences of individual users); the Model Management Component handles representations of events, facts, or situations (using various kinds of models, two examples being optimization models and goal-seeking models);
and the User Interface Management Component is, of course, the component that allows a user to interact with the system.
According to Power, academics and practitioners have discussed building DSS in terms of four major components:
(a) the user interface,
(b) the database,
(c) the model and analytical tools, and
(d) the DSS architecture and network.
identifies five components of DSS:
(a) users with different roles or functions in the decision making process (decision maker, advisors, domain experts, system experts, data collectors),
(b) a specific and definable decision context,
(c) a target system describing the majority of the preferences,
(d) a knowledge base made of external data sources, knowledge databases, working databases, data warehouses and meta-databases, mathematical models and methods, procedures, inference and search engines, administrative programs, and reporting systems, and
(e) a working environment for the preparation, analysis, and documentation of decision alternatives.
proposes a generalized architecture made of five distinct parts:
(a) the data management system,
(b) the model management system,
(c) the knowledge engine,
(d) the user interface, and
(e) the user(s).
Development Frameworks
DSS systems are not entirely different from other systems and require a structured approach. A framework was provided by Sprague and Watson (1993).
The framework has three main levels
1. Technology levels
2. People involved
3. The developmental approach
Technology Levels
Sprague has suggested that there are three levels of hardware and software that has been proposed for DSS.
a) Level 1 – Specific DSS
This is the actual application that will be used to by the user. This is the part of the application that allows the decision maker to make decisions in a particular problem area. The user can act upon that particular problem.
b) Level 2 – DSS Generator
This level contains Hardware/software environment that allows people to easily develop specific DSS applications.
This level makes use of case tools or systems like Crystal
c) Level 3 – DSS Tools
Contains lower level hardware/software. DSS generators including special languages, function libraries and linking modules
People Involved
Sprague suggests there are 5 roles involved in a typical DSS development cycle.
a) The end user.
b) An intermediary.
c) DSS developer
d) Technical supporter
e) Systems Expert
Developmental
The developmental approach for a DSS system should be strongly iterative. This will allow for the application to be changed and redesigned at various intervals. The initial problem is used to design the system on and then tested and revised to ensure the desired outcome is achieved.
Classifying DSS
There are several ways to classify DSS applications. Not every DSS fits neatly into one category, but a mix of two or more architecture in one.
Holsapple and Whinston classify DSS into the following six frameworks: Text-oriented DSS, Database-oriented DSS, Spreadsheet-oriented DSS, Solver-oriented DSS, Rule-oriented DSS, and Compound DSS.
A compound DSS is the most popular classification for a DSS. It is a hybrid system that includes two or more of the five basic structures described by Holsapple and Whinston.
The support given by DSS can be separated into three distinct, interrelated categories :
Personal Support, Group Support, and Organizational Support.
Additionally, the build up of a DSS is also classified into a few characteristics
1) inputs: this is used so the DSS can have factors, numbers, and characteristics to analyze.
2) user knowledge and expertise: This allows the system to decide how much it is relied on, and exactly what inputs must be analyzed with or without the user.
3) outputs: This is used so the user of the system can analyze the decisions that may be made and then potentially
4) make a decision: This decision making is made by the DSS, however, it is ultimately made by the user in order to decide on which criteria it should use.
DSSs which perform selected cognitive decision-making functions and are based on artificial intelligence or intelligent agents technologies are called Intelligent Decision Support Systems (IDSS).
Applications DSS
As mentioned above, there are theoretical possibilities of building such systems in any knowledge domain.
Some of the examples is Clinical decision support system for medical diagnosis. Other examples include a bank loan officer verifying the credit of a loan applicant or an engineering firm that has bids on several projects and wants to know if they can be competitive with their costs.
DSS is extensively used in business and management.
Executive dashboard and other business performance software allow faster decision making, identification of negative trends, and better allocation of business resources.
A growing area of DSS application, concepts, principles, and techniques is in agricultural production, marketing for sustainable development. For example, the DSSAT4 package, developed through financial support of USAID during the 80's and 90's, has allowed rapid assessment of several agricultural production systems around the world to facilitate decision-making at the farm and policy levels. There are, however, many constraints to the successful adoption on DSS in agriculture.
A specific example concerns the Canadian National Railway system, which tests its equipment on a regular basis using a decision support system. A problem faced by any railroad is worn-out or defective rails, which can result in hundreds of derailments per year. Under a DSS, CN managed to decrease the incidence of derailments at the same time other companies were experiencing an increase.
DSS has many applications that have already been spoken about. However, it can be used in any field where organization is necessary. Additionally, a DSS can be designed to help make decisions on the stock market, or deciding which area or segment to market a product toward.
Benefits of DSS
Improving Personal Efficiency
Expediting Problem Solving
Facilitating Interpersonal Communication
Promoting Learning or Training
Increasing Organizational Control
Because there is no exact definition of DSS, there is obviously no agreement on the standard characteristics and capabilities of DSS. Turban, E.,Aronson, J.E., and Liang, T.P.
constitute an ideal set of characteristics and capabilities of DSS.
The key DSS characteristics and capabilities are as follows:
Support for decision makers in semistructured and unstructured problems.
Support managers at all levels.
Support individuals and groups.
Support for interdependent or sequential decisions.
Support intelligence, design, choice, and implementation.
Support variety of decision processes and styles.
DSS should be adaptable and flexible.
DSS should be interactive and provide ease of use.
Effectiveness balanced with efficiency (benefit must exceed cost).
Complete control by decision-makers.
Ease of development by (modification to suit needs and changing environment) end users.
Support modeling and analysis.
Data access.
Standalone, integration and Web-based.
Taxonomies
As with the definition, there is no universally accepted taxonomy of DSS either.
Different authors propose different classifications. Using the relationship with the user as the criterion, Haettenschwiler differentiates passive, active, and cooperative DSS.
A passive DSS is a system that aids the process of decision making, but that cannot bring out explicit decision suggestions or solutions. An active DSS can bring out such decision suggestions or solutions. A cooperative DSS allows the decision maker (or its advisor) to modify, complete, or refine the decision suggestions provided by the system, before sending them back to the system for validation. The system again improves, completes, and refines the suggestions of the decision maker and sends them back to her for validation. The whole process then starts again, until a consolidated solution is generated.
Using the mode of assistance as the criterion, Power differentiates communication-driven DSS, data-driven DSS, document-driven DSS, knowledge-driven DSS, and model-driven DSS.
A model-driven DSS emphasizes access to and manipulation of a statistical, financial, optimization, or simulation model. Model-driven DSS use data and parameters provided by users to assist decision makers in analyzing a situation; they are not necessarily data intensive. Dicodess is an example of an open source model-driven DSS generator.
A communication-driven DSS supports more than one person working on a shared task; examples include integrated tools like Microsoft's NetMeeting or Groove
A data-driven DSS or data-oriented DSS emphasizes access to and manipulation of a time series of internal company data and, sometimes, external data.
A document-driven DSS manages, retrieves and manipulates unstructured information in a variety of electronic formats.
A knowledge-driven DSS provides specialized problem solving expertise stored as facts, rules, procedures, or in similar structures.
Using scope as the criterion, Power differentiates enterprise-wide DSS and desktop DSS.
An enterprise-wide DSS is linked to large data warehouses and serves many managers in the company. A desktop, single-user DSS is a small system that runs on an individual manager's PC.
Architectures
This article may require cleanup to meet Wikipedia's quality standards.Please improve this article if you can. (December 2007)
Once again, different authors identify different components in a DSS.
For example, Sprague and Carlson identify three fundamental components of DSS:
(a) the database management system (DBMS),
(b) the model-base management system (MBMS),
(c) the dialog generation and management system (DGMS).
describe these three components in more detail:
The Data Management Component stores information (which can be further subdivided into that derived from an organization's traditional data repositories, from external sources such as the Internet, or from the personal insights and experiences of individual users); the Model Management Component handles representations of events, facts, or situations (using various kinds of models, two examples being optimization models and goal-seeking models);
and the User Interface Management Component is, of course, the component that allows a user to interact with the system.
According to Power, academics and practitioners have discussed building DSS in terms of four major components:
(a) the user interface,
(b) the database,
(c) the model and analytical tools, and
(d) the DSS architecture and network.
identifies five components of DSS:
(a) users with different roles or functions in the decision making process (decision maker, advisors, domain experts, system experts, data collectors),
(b) a specific and definable decision context,
(c) a target system describing the majority of the preferences,
(d) a knowledge base made of external data sources, knowledge databases, working databases, data warehouses and meta-databases, mathematical models and methods, procedures, inference and search engines, administrative programs, and reporting systems, and
(e) a working environment for the preparation, analysis, and documentation of decision alternatives.
proposes a generalized architecture made of five distinct parts:
(a) the data management system,
(b) the model management system,
(c) the knowledge engine,
(d) the user interface, and
(e) the user(s).
Development Frameworks
DSS systems are not entirely different from other systems and require a structured approach. A framework was provided by Sprague and Watson (1993).
The framework has three main levels
1. Technology levels
2. People involved
3. The developmental approach
Technology Levels
Sprague has suggested that there are three levels of hardware and software that has been proposed for DSS.
a) Level 1 – Specific DSS
This is the actual application that will be used to by the user. This is the part of the application that allows the decision maker to make decisions in a particular problem area. The user can act upon that particular problem.
b) Level 2 – DSS Generator
This level contains Hardware/software environment that allows people to easily develop specific DSS applications.
This level makes use of case tools or systems like Crystal
c) Level 3 – DSS Tools
Contains lower level hardware/software. DSS generators including special languages, function libraries and linking modules
People Involved
Sprague suggests there are 5 roles involved in a typical DSS development cycle.
a) The end user.
b) An intermediary.
c) DSS developer
d) Technical supporter
e) Systems Expert
Developmental
The developmental approach for a DSS system should be strongly iterative. This will allow for the application to be changed and redesigned at various intervals. The initial problem is used to design the system on and then tested and revised to ensure the desired outcome is achieved.
Classifying DSS
There are several ways to classify DSS applications. Not every DSS fits neatly into one category, but a mix of two or more architecture in one.
Holsapple and Whinston classify DSS into the following six frameworks: Text-oriented DSS, Database-oriented DSS, Spreadsheet-oriented DSS, Solver-oriented DSS, Rule-oriented DSS, and Compound DSS.
A compound DSS is the most popular classification for a DSS. It is a hybrid system that includes two or more of the five basic structures described by Holsapple and Whinston.
The support given by DSS can be separated into three distinct, interrelated categories :
Personal Support, Group Support, and Organizational Support.
Additionally, the build up of a DSS is also classified into a few characteristics
1) inputs: this is used so the DSS can have factors, numbers, and characteristics to analyze.
2) user knowledge and expertise: This allows the system to decide how much it is relied on, and exactly what inputs must be analyzed with or without the user.
3) outputs: This is used so the user of the system can analyze the decisions that may be made and then potentially
4) make a decision: This decision making is made by the DSS, however, it is ultimately made by the user in order to decide on which criteria it should use.
DSSs which perform selected cognitive decision-making functions and are based on artificial intelligence or intelligent agents technologies are called Intelligent Decision Support Systems (IDSS).
Applications DSS
As mentioned above, there are theoretical possibilities of building such systems in any knowledge domain.
Some of the examples is Clinical decision support system for medical diagnosis. Other examples include a bank loan officer verifying the credit of a loan applicant or an engineering firm that has bids on several projects and wants to know if they can be competitive with their costs.
DSS is extensively used in business and management.
Executive dashboard and other business performance software allow faster decision making, identification of negative trends, and better allocation of business resources.
A growing area of DSS application, concepts, principles, and techniques is in agricultural production, marketing for sustainable development. For example, the DSSAT4 package, developed through financial support of USAID during the 80's and 90's, has allowed rapid assessment of several agricultural production systems around the world to facilitate decision-making at the farm and policy levels. There are, however, many constraints to the successful adoption on DSS in agriculture.
A specific example concerns the Canadian National Railway system, which tests its equipment on a regular basis using a decision support system. A problem faced by any railroad is worn-out or defective rails, which can result in hundreds of derailments per year. Under a DSS, CN managed to decrease the incidence of derailments at the same time other companies were experiencing an increase.
DSS has many applications that have already been spoken about. However, it can be used in any field where organization is necessary. Additionally, a DSS can be designed to help make decisions on the stock market, or deciding which area or segment to market a product toward.
Benefits of DSS
Improving Personal Efficiency
Expediting Problem Solving
Facilitating Interpersonal Communication
Promoting Learning or Training
Increasing Organizational Control
Decision Support System
Decision support systems are a class of computer-based information systems including knowledge based systems that support decision making activities.
Definitions
Because there are many approaches to decision-making and because of the wide range of domains in which decisions are made, the concept of decision support system (DSS) is very broad. A DSS can take many different forms. In general, we can say that a DSS is a computerized system used for supporting rather than automating decisions. A decision is a choice between alternatives based on estimates of the values of those alternatives. Supporting a decision means helping people working alone or in a group gather intelligence, generate alternatives and make choices. Supporting the choice making process involves supporting the estimation, the evaluation and/or the comparison of alternatives. In practice, references to DSS are usually references to computer applications that perform such a supporting role.
The term decision support system has been used in many different ways (Alter 1980, Power, 2002) and has been defined in various ways depending upon the author's point of view.
Finlay and others define a DSS rather broadly as "a computer-based system that aids the process of decision making." Turban defines it more specifically as "an interactive, flexible, and adaptable computer-based information system, especially developed for supporting the solution of a non-structured management problem for improved decision making.
It utilizes data, provides an easy-to-use interface, and allows for the decision maker's own insights."
Other definitions fall between these two extremes. For Little, a DSS is a "model-based set of procedures for processing data and judgments to assist a manager in his decision-making." For KeenA, a DSS couples the intellectual resources of individuals with the capabilities of the computer to improve the quality of decisions ("DSS are computer-based support for management decision makers who are dealing with semi-structured problems").
Moore and Chang define DSS as extendible systems capable of supporting ad hoc data analysis and decision modeling, oriented toward future planning, and used at irregular, unplanned intervals. For Sprague and Carlson, DSS are "interactive computer-based systems that help decision makers utilize data and models to solve unstructured problems." In contrast, Keen claims that it is impossible to give a precise definition including all the facets of the DSS ("there can be no definition of decision support systems, only of decision support").
Nevertheless, according to Power, the term decision support system remains a useful and inclusive term for many types of information systems that support decision making. He humorously adds that every time a computerized system is not an on-line transaction processing system (OLTP), someone will be tempted to call it a DSS. As you can see, there is no universally accepted definition of DSS.
A brief history
In the absence of an all-inclusive definition, we focus on the history of DSS (see also Power0. According to Keen, the concept of decision support has evolved from two main areas of research: the theoretical studies of organizational decision making done at the Carnegie Institute of Technology during the late 1950s and early 1960s, and the technical work on interactive computer systems, mainly carried out at the Massachusetts Institute of Technology in the 1960s.
It is considered that the concept of DSS became an area of research of its own in the middle of the 1970s, before gaining in intensity during the 1980s. In the middle and late 1980s, executive information systems (EIS), group decision support systems (GDSS), and organizational decision support systems (ODSS) evolved from the single user and model-oriented DSS. Beginning in about 1990, data warehousing and on-line analytical processing (OLAP) began broadening the realm of DSS. As the turn of the millennium approached, new Web-based analytical applications were introduced.
It is clear that DSS belong to an environment with multidisciplinary foundations, including (but not exclusively) database research, artificial intelligence, human-computer interaction, simulation methods, software engineering, and telecommunications.
DSS also have a weak connection to the user interface paradigm of hypertext. Both the University of Vermont PROMIS system (for medical decision making) and the Carnegie Mellon ZOG/KMS system (for military and business decision making) were decision support systems which also were major breakthroughs in user interface research. Furthermore, although hypertext researchers have generally been concerned with information overload, certain researchers, notably Douglas Engelbart, have been focused on decision makers in particular.
Sumber : http://en.wikipedia.org/wiki/Decision_support_system
Definitions
Because there are many approaches to decision-making and because of the wide range of domains in which decisions are made, the concept of decision support system (DSS) is very broad. A DSS can take many different forms. In general, we can say that a DSS is a computerized system used for supporting rather than automating decisions. A decision is a choice between alternatives based on estimates of the values of those alternatives. Supporting a decision means helping people working alone or in a group gather intelligence, generate alternatives and make choices. Supporting the choice making process involves supporting the estimation, the evaluation and/or the comparison of alternatives. In practice, references to DSS are usually references to computer applications that perform such a supporting role.
The term decision support system has been used in many different ways (Alter 1980, Power, 2002) and has been defined in various ways depending upon the author's point of view.
Finlay and others define a DSS rather broadly as "a computer-based system that aids the process of decision making." Turban defines it more specifically as "an interactive, flexible, and adaptable computer-based information system, especially developed for supporting the solution of a non-structured management problem for improved decision making.
It utilizes data, provides an easy-to-use interface, and allows for the decision maker's own insights."
Other definitions fall between these two extremes. For Little, a DSS is a "model-based set of procedures for processing data and judgments to assist a manager in his decision-making." For KeenA, a DSS couples the intellectual resources of individuals with the capabilities of the computer to improve the quality of decisions ("DSS are computer-based support for management decision makers who are dealing with semi-structured problems").
Moore and Chang define DSS as extendible systems capable of supporting ad hoc data analysis and decision modeling, oriented toward future planning, and used at irregular, unplanned intervals. For Sprague and Carlson, DSS are "interactive computer-based systems that help decision makers utilize data and models to solve unstructured problems." In contrast, Keen claims that it is impossible to give a precise definition including all the facets of the DSS ("there can be no definition of decision support systems, only of decision support").
Nevertheless, according to Power, the term decision support system remains a useful and inclusive term for many types of information systems that support decision making. He humorously adds that every time a computerized system is not an on-line transaction processing system (OLTP), someone will be tempted to call it a DSS. As you can see, there is no universally accepted definition of DSS.
A brief history
In the absence of an all-inclusive definition, we focus on the history of DSS (see also Power0. According to Keen, the concept of decision support has evolved from two main areas of research: the theoretical studies of organizational decision making done at the Carnegie Institute of Technology during the late 1950s and early 1960s, and the technical work on interactive computer systems, mainly carried out at the Massachusetts Institute of Technology in the 1960s.
It is considered that the concept of DSS became an area of research of its own in the middle of the 1970s, before gaining in intensity during the 1980s. In the middle and late 1980s, executive information systems (EIS), group decision support systems (GDSS), and organizational decision support systems (ODSS) evolved from the single user and model-oriented DSS. Beginning in about 1990, data warehousing and on-line analytical processing (OLAP) began broadening the realm of DSS. As the turn of the millennium approached, new Web-based analytical applications were introduced.
It is clear that DSS belong to an environment with multidisciplinary foundations, including (but not exclusively) database research, artificial intelligence, human-computer interaction, simulation methods, software engineering, and telecommunications.
DSS also have a weak connection to the user interface paradigm of hypertext. Both the University of Vermont PROMIS system (for medical decision making) and the Carnegie Mellon ZOG/KMS system (for military and business decision making) were decision support systems which also were major breakthroughs in user interface research. Furthermore, although hypertext researchers have generally been concerned with information overload, certain researchers, notably Douglas Engelbart, have been focused on decision makers in particular.
Sumber : http://en.wikipedia.org/wiki/Decision_support_system
Sistem Informasi Akuntansi
Sistem Informasi Akuntansi (SIA)
adalah sebuah Sistem Informasi yang menangani segala sesuatu yang berkenaan dengan Akuntansi. Akuntansi sendiri sebenarnya adalah sebuah Sistem Informasi. Fungsi penting yang dibentuk SIA pada sebuah organisasi antara lain :
Mengumpulkan dan menyimpan data tentang aktivitas dan transaksi.
Memproses data menjadi into informasi yang dapat digunakan dalam proses pengambilan keputusan.
Melakukan kontrol secara tepat terhadap aset organisasi.
Cara Kerja SIA
Untuk memahami bagaimana SIA bekerja, perlu untuk menjawab beberapa pertanyaan sebagai berikut :
Bagaimana mengoleksi data yang berkaitan dengan aktivitas dan transaksi organisasi?
Bagaimana mentransformasi data kedalam informasi sehingga manajemen dapat menggunakan untuk menjalankan organisasi?
Bagaimana menjamin ketersediaan, keandalan, keakuratan informasi ?
Bagaimana menjamin ketersediaan, keandalan, keakuratan informasi ?
Manfaat SIA
Sebuah SIA menambah nilai dengan cara:
Menyediakan informasi yang akurat dan tepat waktu sehingga dapat melakukan aktivitas utama pada value chain secara efektif dan efisien.
Meningkatkan kualitas dan mengurangi biaya produk dan jasa yang dihasilkan
Meningkatkan efisiensi
Meningkatkan kemampuan dalam pengambilan keputusan
Meningkatkan sharing knowledge
menambah efisiensi kerja pada bagian keuangan
Diperoleh dari "http://id.wikipedia.org/wiki/Sistem_informasi_akuntansi"
adalah sebuah Sistem Informasi yang menangani segala sesuatu yang berkenaan dengan Akuntansi. Akuntansi sendiri sebenarnya adalah sebuah Sistem Informasi. Fungsi penting yang dibentuk SIA pada sebuah organisasi antara lain :
Mengumpulkan dan menyimpan data tentang aktivitas dan transaksi.
Memproses data menjadi into informasi yang dapat digunakan dalam proses pengambilan keputusan.
Melakukan kontrol secara tepat terhadap aset organisasi.
Cara Kerja SIA
Untuk memahami bagaimana SIA bekerja, perlu untuk menjawab beberapa pertanyaan sebagai berikut :
Bagaimana mengoleksi data yang berkaitan dengan aktivitas dan transaksi organisasi?
Bagaimana mentransformasi data kedalam informasi sehingga manajemen dapat menggunakan untuk menjalankan organisasi?
Bagaimana menjamin ketersediaan, keandalan, keakuratan informasi ?
Bagaimana menjamin ketersediaan, keandalan, keakuratan informasi ?
Manfaat SIA
Sebuah SIA menambah nilai dengan cara:
Menyediakan informasi yang akurat dan tepat waktu sehingga dapat melakukan aktivitas utama pada value chain secara efektif dan efisien.
Meningkatkan kualitas dan mengurangi biaya produk dan jasa yang dihasilkan
Meningkatkan efisiensi
Meningkatkan kemampuan dalam pengambilan keputusan
Meningkatkan sharing knowledge
menambah efisiensi kerja pada bagian keuangan
Diperoleh dari "http://id.wikipedia.org/wiki/Sistem_informasi_akuntansi"
Management Infomation System
Management Information Systems (MIS), sometimes referred to as Information Management and Systems, is the discipline covering the application of people, technologies, and procedures —
collectively called information systems to solving business problems.
Management Information Systems are distinct from regular information systems in that they are used to analyze other information systems applied in operational activities in the organization.
Academically, the term is commonly used to refer to the group of information management methods tied to the automation or support of human decision making, e.g. Decision Support Systems, Expert systems, and Executive information systems.
Background
In their infancy, business computers were used for the practical business of computing the payroll and keeping track of accounts payable and receivable. As applications were developed that provided managers with information about sales, inventories, and other data that would help in managing the enterprise, the term "MIS" arose to describe these kinds of applications. Today, the term is used broadly in a number of contexts and includes (but is not limited to): decision support systems, resource and people management applications, project management, and database retrieval application
Definition
'MIS' is a planned system of collecting, processing, storing and disseminating data in the form of information needed to carry out the functions of management. According to Phillip Kotler "A marketing information system consists of people, equipment, and procedures to gather, sort, analyse, evaluate, and distribute needed, timely, and accurate information to marketing decision makers." (Kotler, Phillip and Keller, Kevin Lane; Marketing Management, Pearson Education, 12 Ed, 2006)
The terms MIS and information system are often confused.
Information systems include systems that are not intended for decision making.
MIS is sometimes referred to, in a restrictive sense, as information technology management. That area of study should not be confused with computer science. IT service management is a practitioner-focused discipline. MIS has also some differences with Enterprise Resource Planning (ERP) as ERP incorporates elements that are not necessarily focused on decision support.
Professor Allen S. Lee states that "...research in the information systems field examines more than the technological system, or just the social system, or even the two side by side; in addition, it investigates the phenomena that emerge when the two interact." [2].
Source : http://en.wikipedia.org/wiki/Management_information_system
collectively called information systems to solving business problems.
Management Information Systems are distinct from regular information systems in that they are used to analyze other information systems applied in operational activities in the organization.
Academically, the term is commonly used to refer to the group of information management methods tied to the automation or support of human decision making, e.g. Decision Support Systems, Expert systems, and Executive information systems.
Background
In their infancy, business computers were used for the practical business of computing the payroll and keeping track of accounts payable and receivable. As applications were developed that provided managers with information about sales, inventories, and other data that would help in managing the enterprise, the term "MIS" arose to describe these kinds of applications. Today, the term is used broadly in a number of contexts and includes (but is not limited to): decision support systems, resource and people management applications, project management, and database retrieval application
Definition
'MIS' is a planned system of collecting, processing, storing and disseminating data in the form of information needed to carry out the functions of management. According to Phillip Kotler "A marketing information system consists of people, equipment, and procedures to gather, sort, analyse, evaluate, and distribute needed, timely, and accurate information to marketing decision makers." (Kotler, Phillip and Keller, Kevin Lane; Marketing Management, Pearson Education, 12 Ed, 2006)
The terms MIS and information system are often confused.
Information systems include systems that are not intended for decision making.
MIS is sometimes referred to, in a restrictive sense, as information technology management. That area of study should not be confused with computer science. IT service management is a practitioner-focused discipline. MIS has also some differences with Enterprise Resource Planning (ERP) as ERP incorporates elements that are not necessarily focused on decision support.
Professor Allen S. Lee states that "...research in the information systems field examines more than the technological system, or just the social system, or even the two side by side; in addition, it investigates the phenomena that emerge when the two interact." [2].
Source : http://en.wikipedia.org/wiki/Management_information_system
Kajian Mengenai Sistem Informasi Manajemen
UNSUR-UNSUR SISTEM INFORMASI SEDERHANA
Semua sistem informasi mempunyai tiga kegiatan utama, yaitu menerima data sebagai masukan (input), kemudian memprosesnya dengan melakukan penghitungan, penggabungan unsur data, pemutakhiran dan lain-lain, akhirnya memperoleh informasi sebagai keluarannya (output).
DATA : fakta-fakta atau sesuatu yang dianggap (belum mempunyai arti)
INFORMASI : data yang telah diproses atau data yang memiliki arti.
Perubahan data menjadi informasi dilakukan oleh pengolah informasi. Pengolah informasi dapat meliputi elemen-elemen komputer, non-komputer atau kombinasi keduanya.
SISTEM INFORMASI UNTUK MANAJER
Informasi yang diberikan kepada manajer digunakan untuk mengendalikan operasi, strategi, perencanaan jangka panjang & pendek, pengendalian manajemen dan pemecahan masalah khusus.
Dalam sistem yang dikomputerisasikan, program secara terus-menerus memantau transaksi pemasukan yang diproses atau yang baru di proses guna pengindetifikasian dan secara otomatis melaporkan lingkungan perkecualian yang memperoleh perhatian manajemen.
Semakin tinggi lapisan manajemen akan semakin cenderung menggunakan informasi yang berasal dari luar untuk tujuan pengendalian manajemen. Perbandingan kinerja organisasi dengan statistika ringkasan dari pesaing atau industri rata-rata jelas sangat penting artinya.
SISTEM INFORMASI INTELIJEN
Sistem informasi intelijen secara otomatis bertugas mencari dan menganalisis informasi tentang lingkungan sosial, politik, hukum, peraturan perundangan dan ekonomi dari satu atau lebih negara disamping juga tentang kesehatan dan prospek masa depan industri dimana perusahaan bersangkutan merupakan bagian didalamnya serta juga tentang pesaingnya.
Sistem informasi intelijen akan memberikan informasi perencanaan yang para manajer tidak menerima dari sumber lain.
Sumber informasi intelijen :
-Lembaga pemerintah.
-Asosiasi perdagangan industri
-Perusahaan riset pasar swasta
-Media massa
-Kajian khusus yang dilakukan organisasi
-Informasi yang diperoleh akan digunakan untuk memahami strategi pesaing, pergeseran halus dalam selera konsumen.
Unsur pokok dalam informasi intelijen :
-Profil keperluan informasi dari manajer
-Sistem penggalian informasi manajemen
-Sistem pengkodean dan penyimpanan.
-Sistem analisis data
-Kajian khusus
-Sistem pelaporan
-Pedoman penghapusan data.
Sistem intelijen dapat memberikan banyak keuntungan bagi suatu perusahaan atau lembaga. Sekarang ini tidak hanya perusahaan besar yang memiliki sistem intelijen banyak perusahaan kecil yang juga mempunyai.
INTEGRASI SISTEM INFORMASI
Integrasi : adanya saling keterkaitan antar sub sistem sehingga data dari satu sistem secara rutin dapat melintas, menuju atau diambil oleh satu atau lebih sistem yang lain.
Pengintegrasian sistem informasi merupakan salah satu konsep kunci dari SIM.
Berbagai sistem dapat saling berhubungan satu sama lain dengan berbagai cara yang sesuai keperluannya.
Integrasi sistem informasi dapat bersifat hirarkis yaitu pada tingkat transaksi akan memberikan masukan data kepada sistem tingkat manajerial atau sering pula dalam arah sebaliknya. Interaksi hirarkis adalah paling banyak diidentifikasikan dan diitegrasikan karena manajer mengetahui bahwa informasi harus diringkaskan menurut jalur hirarki disamping sistem yang bersangkutan ada di bawah satu garis komando dan karena manajer dalam bidang fungsional akan lebih banyak mengetahui data apa yang ada dalam sistemnya.
Keuntungan dari integrasi :
-Membaiknya arus informasi di dalam sebuah organisasi.
-Mendorong manajer untuk membagikan informasi yang dihasilkan oleh departemennya agar secara rutin mengalir ke sistem yang lain yang memerlukan.
EVOLUSI SISTEM INFORMASI BERBASIS KOMPUTER
A. Fokus awal pada data
Selama paruh pertama abad 20, perusahaan pada umumnya mengabaikan kebutuha n informasi para manajer. Pada fase ini penggunaan komputer hanya terbatas pada aplikasi akuntansi.
Nama aplikasi akuntasnsi berbasis komputer pada awalnya adalah pengolahan data elektronik (EDP) kemudian berubah menjadi Data prosesing (DP) dan Sistem Informasi Akuntansi (SIA) .
B. Fokus baru pada informasi
Tahun 1964 diperkenalkan satu generasi baru alat penghitung yang mempengaruhi cara penggunaan komputer. Konsep penggunaan komputer sebagai SIM dipromosikan oleh pembuat komputer untuk mendukung peralatan baru tsb. Konsep SIM menyadari bahwa aplikasi komputer harus diterapkan untuk tujuan utama menghasilkan informasi manajemen. Konsep ini segera diterima oleh perusahaan besar.
C. Fokus revisi pada pendukung keputusan.
Sistem pendukung keputusan (Decision support system)
= sistem penghasil informasi yang ditujukan pada suatu masalah tertentu yang harus dipecahkan oleh manajer dan keputusan yang harus dibuat manajer.
Manajer tsb. Berada di bagian manapun dalam organisasi pada tingkat manapun dan dalam area bisnis apapun. DSS dimaksudkan untuk mendukung kerja satu manajer secara khusus.
Spesifikasi DSS :
-Berfokus pada proses keputusan daripada proses transaksi
-Dirancang dengan mudah, sederhana, dapat diterapkan dengan cepat dan mudah diubah.
-Dirancang dan dioperasikan oleh manajer
-Mampu memberikan informasi yang berguna bagi analisis kegiatan manajerial.
-Berkaitan dengan hanya bagian kecil dari masalah besar
-Memiliki logika yang serupa dengan cara manajer menganilis situasi yang sama.
-Memiliki basis data berisi informasi yang disarikan dari file dan informasi lain organisasi yang berasal dari lingkungan eksternal.
-Memungkinkan manajer untuk menguji hasil yang mungkin dari serangkaian alternatif.
D. Fokus pada Komunikasi
Pada waktu DSS berkembang , perhatian juga difokuskan pada otomatisasi kantor (office automation/OA) OA memudahkan komunikasi dan meningkatkan produktivitas diantara para manajer dan pekerja kantor melalui penggunaan alat elektronik.
OA telah berkembang meliputi beragam aplikasi seperti konferensi jarak jauh, voice mail, e-mail, electronik calendaring, facsimile transmission.
E. Fokus potensial pada konsultasi
Komputer dapat diprogram untuk melaksanakan sebagian penalaran logis yang sama seperti manusia, suatu aplikasi yang dinamakan kecerdasan buatan (artificial intelligence).
KEMAMPUAN SEBUAH SISTEM INFORMASI MANAJEMEN
Pengetahuan tentang potensi kemampuan sistem informasi yang dikomputerisasi akan memungkinkan seorang manajer secara sistematis menganalisis masing-masing tugas organisasi dan menyesuaikannya dengan kemampuan komputer.
SIM secara khusus memiliki beberapa kemampuan teknis sesuai yang direncanakan baginya. Secara kolektif kemampuan ini menyangkal pernyataan bahwa komputer hanyalah mesin penjumlah atau kalkulator yang berkapasitas tinggi, sebenarnya komputer tidak dapat mengerjakan sesuatu ia hanya mengerjakan lebih cepat. Sistem informasi komputer dapat memiliki sejumlah kemampuan jauh diatas sistem non komputer. Dan kemampuan ini telah merevolusikan proses manajemen yang menggunakan informasi yang dihasilkan oleh sistem yang telah ada.
Beberapa kemampuan teknis terpenting dalam sistem komputer :
-Pemrosesan data batch
-Pemrosesan data tunggal
-Pemrosesan on-line, real time
-Komunikasi data dan switching pesan
-Pemasukan data jarak jauh dan up date file
-Pencarian records dan analisis
-Pencarian file
-Algoritme dan model keputusan
-Otomatisasi kantor.
KEMAMPUAN PELAPORAN
Semua sistem informasi memiliki kemampuan pelaporan dan laporan harus dirancang agar sesuai dengan bentuk tertentu.
Prinsip pelaporan :
-Laporan harus menonjolkan informasi terpenting
-Harus seringkas mungkin
-Harus disediakan dukungan
-Sistem pelaporan manajemen biasanya dalam transisi
-Setiap laporan harus berformat keputusan
-Terstruktur untuk melaporkan suatu kinerja
Jenis-jenis laporan :
1. Laporan periodik
Laporan yang secara rutin dikerjakan
2. Laporan indikator kunci
Merupakan variasi laporan periodik, laporan ini secara khusus memberikan beberapa statistik kritis kegiatan operasi harian kepada manajer.
Laporan siap panggil
Jenis laporan yang ditetapkan oleh manajer agar tersedia sebelum berakhirnya satu periode, mungkin karena masalah operasi yang tidak diharapkan atau adanya ancaman.
Laporan khusus
Laporan ini sering disebut juga laporan ad-hoc adalah jenis laporan lain dari jenois laporan tidak terjadwal yang dapat diminta oleh manajer.
Laporan perkecualian
Yaitu laporan yang berisi hanya informasi yang dibutuhkan oleh manajer.
INTERFACE ANTARA MANAJER DAN MESIN.
= titik kontak dimana sistem komputer memberikan informasi kepada manajer atau dimana manajer memberikan data kepada sistem komputer.
Bentuk komunikasi antara manajer dan komputer :
-Pengembangan program komputer
-Dialog atau menyelami file
-Mengakses data
-Memasukkan input
Seiring dengan perkembangan lingkungan bisnis yang rumit dan lingkungan yang dinamis tuntutan terhadap keberadaan Sistem informasi manajemen adalah menjadi kebutuhan.
Sistem informasi manajemen adalah serangkaian sub sistem informasi yang menyeluruh dan terkoordinasi secara rasional dan yang mentransformasikan data menjadi informasi dengan berbagai cara sehingga dapat meningkatkan produktifitas selain juga harus disesuaikan dengan gaya dan watak para manajernya.
Ada beberapa faktor yang menjadi penyebab gagalnya membangun SIM, antara lain :
· Kurang organisasi yang wajar
· Kurangnya perencanaan yang memadai
· Kurang personil yang handal
· Kurangnya partisipasi manajemen dalam bentuk keikutsertaan para manajer dalam merancang sistem, mengendalikan upaya pengembangan sistem dan memotivasi seluruh personil yang terlibat.
Kemampuan teknis sistem komputer :
Pemrosesan data batch
Pemrosesan data tunggal
Pemrosesan on-line, real time
Komunikasi data dan switching pesan
Pemasukan data jarak jauh dan up date file
Pencarian records dan analisis
Pencarian file
Algoritme dan model keputusan
Otomatisasi kantor.
Sumber : google.com, http://oktadymalik.multiply.com/journal/item/43
Semua sistem informasi mempunyai tiga kegiatan utama, yaitu menerima data sebagai masukan (input), kemudian memprosesnya dengan melakukan penghitungan, penggabungan unsur data, pemutakhiran dan lain-lain, akhirnya memperoleh informasi sebagai keluarannya (output).
DATA : fakta-fakta atau sesuatu yang dianggap (belum mempunyai arti)
INFORMASI : data yang telah diproses atau data yang memiliki arti.
Perubahan data menjadi informasi dilakukan oleh pengolah informasi. Pengolah informasi dapat meliputi elemen-elemen komputer, non-komputer atau kombinasi keduanya.
SISTEM INFORMASI UNTUK MANAJER
Informasi yang diberikan kepada manajer digunakan untuk mengendalikan operasi, strategi, perencanaan jangka panjang & pendek, pengendalian manajemen dan pemecahan masalah khusus.
Dalam sistem yang dikomputerisasikan, program secara terus-menerus memantau transaksi pemasukan yang diproses atau yang baru di proses guna pengindetifikasian dan secara otomatis melaporkan lingkungan perkecualian yang memperoleh perhatian manajemen.
Semakin tinggi lapisan manajemen akan semakin cenderung menggunakan informasi yang berasal dari luar untuk tujuan pengendalian manajemen. Perbandingan kinerja organisasi dengan statistika ringkasan dari pesaing atau industri rata-rata jelas sangat penting artinya.
SISTEM INFORMASI INTELIJEN
Sistem informasi intelijen secara otomatis bertugas mencari dan menganalisis informasi tentang lingkungan sosial, politik, hukum, peraturan perundangan dan ekonomi dari satu atau lebih negara disamping juga tentang kesehatan dan prospek masa depan industri dimana perusahaan bersangkutan merupakan bagian didalamnya serta juga tentang pesaingnya.
Sistem informasi intelijen akan memberikan informasi perencanaan yang para manajer tidak menerima dari sumber lain.
Sumber informasi intelijen :
-Lembaga pemerintah.
-Asosiasi perdagangan industri
-Perusahaan riset pasar swasta
-Media massa
-Kajian khusus yang dilakukan organisasi
-Informasi yang diperoleh akan digunakan untuk memahami strategi pesaing, pergeseran halus dalam selera konsumen.
Unsur pokok dalam informasi intelijen :
-Profil keperluan informasi dari manajer
-Sistem penggalian informasi manajemen
-Sistem pengkodean dan penyimpanan.
-Sistem analisis data
-Kajian khusus
-Sistem pelaporan
-Pedoman penghapusan data.
Sistem intelijen dapat memberikan banyak keuntungan bagi suatu perusahaan atau lembaga. Sekarang ini tidak hanya perusahaan besar yang memiliki sistem intelijen banyak perusahaan kecil yang juga mempunyai.
INTEGRASI SISTEM INFORMASI
Integrasi : adanya saling keterkaitan antar sub sistem sehingga data dari satu sistem secara rutin dapat melintas, menuju atau diambil oleh satu atau lebih sistem yang lain.
Pengintegrasian sistem informasi merupakan salah satu konsep kunci dari SIM.
Berbagai sistem dapat saling berhubungan satu sama lain dengan berbagai cara yang sesuai keperluannya.
Integrasi sistem informasi dapat bersifat hirarkis yaitu pada tingkat transaksi akan memberikan masukan data kepada sistem tingkat manajerial atau sering pula dalam arah sebaliknya. Interaksi hirarkis adalah paling banyak diidentifikasikan dan diitegrasikan karena manajer mengetahui bahwa informasi harus diringkaskan menurut jalur hirarki disamping sistem yang bersangkutan ada di bawah satu garis komando dan karena manajer dalam bidang fungsional akan lebih banyak mengetahui data apa yang ada dalam sistemnya.
Keuntungan dari integrasi :
-Membaiknya arus informasi di dalam sebuah organisasi.
-Mendorong manajer untuk membagikan informasi yang dihasilkan oleh departemennya agar secara rutin mengalir ke sistem yang lain yang memerlukan.
EVOLUSI SISTEM INFORMASI BERBASIS KOMPUTER
A. Fokus awal pada data
Selama paruh pertama abad 20, perusahaan pada umumnya mengabaikan kebutuha n informasi para manajer. Pada fase ini penggunaan komputer hanya terbatas pada aplikasi akuntansi.
Nama aplikasi akuntasnsi berbasis komputer pada awalnya adalah pengolahan data elektronik (EDP) kemudian berubah menjadi Data prosesing (DP) dan Sistem Informasi Akuntansi (SIA) .
B. Fokus baru pada informasi
Tahun 1964 diperkenalkan satu generasi baru alat penghitung yang mempengaruhi cara penggunaan komputer. Konsep penggunaan komputer sebagai SIM dipromosikan oleh pembuat komputer untuk mendukung peralatan baru tsb. Konsep SIM menyadari bahwa aplikasi komputer harus diterapkan untuk tujuan utama menghasilkan informasi manajemen. Konsep ini segera diterima oleh perusahaan besar.
C. Fokus revisi pada pendukung keputusan.
Sistem pendukung keputusan (Decision support system)
= sistem penghasil informasi yang ditujukan pada suatu masalah tertentu yang harus dipecahkan oleh manajer dan keputusan yang harus dibuat manajer.
Manajer tsb. Berada di bagian manapun dalam organisasi pada tingkat manapun dan dalam area bisnis apapun. DSS dimaksudkan untuk mendukung kerja satu manajer secara khusus.
Spesifikasi DSS :
-Berfokus pada proses keputusan daripada proses transaksi
-Dirancang dengan mudah, sederhana, dapat diterapkan dengan cepat dan mudah diubah.
-Dirancang dan dioperasikan oleh manajer
-Mampu memberikan informasi yang berguna bagi analisis kegiatan manajerial.
-Berkaitan dengan hanya bagian kecil dari masalah besar
-Memiliki logika yang serupa dengan cara manajer menganilis situasi yang sama.
-Memiliki basis data berisi informasi yang disarikan dari file dan informasi lain organisasi yang berasal dari lingkungan eksternal.
-Memungkinkan manajer untuk menguji hasil yang mungkin dari serangkaian alternatif.
D. Fokus pada Komunikasi
Pada waktu DSS berkembang , perhatian juga difokuskan pada otomatisasi kantor (office automation/OA) OA memudahkan komunikasi dan meningkatkan produktivitas diantara para manajer dan pekerja kantor melalui penggunaan alat elektronik.
OA telah berkembang meliputi beragam aplikasi seperti konferensi jarak jauh, voice mail, e-mail, electronik calendaring, facsimile transmission.
E. Fokus potensial pada konsultasi
Komputer dapat diprogram untuk melaksanakan sebagian penalaran logis yang sama seperti manusia, suatu aplikasi yang dinamakan kecerdasan buatan (artificial intelligence).
KEMAMPUAN SEBUAH SISTEM INFORMASI MANAJEMEN
Pengetahuan tentang potensi kemampuan sistem informasi yang dikomputerisasi akan memungkinkan seorang manajer secara sistematis menganalisis masing-masing tugas organisasi dan menyesuaikannya dengan kemampuan komputer.
SIM secara khusus memiliki beberapa kemampuan teknis sesuai yang direncanakan baginya. Secara kolektif kemampuan ini menyangkal pernyataan bahwa komputer hanyalah mesin penjumlah atau kalkulator yang berkapasitas tinggi, sebenarnya komputer tidak dapat mengerjakan sesuatu ia hanya mengerjakan lebih cepat. Sistem informasi komputer dapat memiliki sejumlah kemampuan jauh diatas sistem non komputer. Dan kemampuan ini telah merevolusikan proses manajemen yang menggunakan informasi yang dihasilkan oleh sistem yang telah ada.
Beberapa kemampuan teknis terpenting dalam sistem komputer :
-Pemrosesan data batch
-Pemrosesan data tunggal
-Pemrosesan on-line, real time
-Komunikasi data dan switching pesan
-Pemasukan data jarak jauh dan up date file
-Pencarian records dan analisis
-Pencarian file
-Algoritme dan model keputusan
-Otomatisasi kantor.
KEMAMPUAN PELAPORAN
Semua sistem informasi memiliki kemampuan pelaporan dan laporan harus dirancang agar sesuai dengan bentuk tertentu.
Prinsip pelaporan :
-Laporan harus menonjolkan informasi terpenting
-Harus seringkas mungkin
-Harus disediakan dukungan
-Sistem pelaporan manajemen biasanya dalam transisi
-Setiap laporan harus berformat keputusan
-Terstruktur untuk melaporkan suatu kinerja
Jenis-jenis laporan :
1. Laporan periodik
Laporan yang secara rutin dikerjakan
2. Laporan indikator kunci
Merupakan variasi laporan periodik, laporan ini secara khusus memberikan beberapa statistik kritis kegiatan operasi harian kepada manajer.
Laporan siap panggil
Jenis laporan yang ditetapkan oleh manajer agar tersedia sebelum berakhirnya satu periode, mungkin karena masalah operasi yang tidak diharapkan atau adanya ancaman.
Laporan khusus
Laporan ini sering disebut juga laporan ad-hoc adalah jenis laporan lain dari jenois laporan tidak terjadwal yang dapat diminta oleh manajer.
Laporan perkecualian
Yaitu laporan yang berisi hanya informasi yang dibutuhkan oleh manajer.
INTERFACE ANTARA MANAJER DAN MESIN.
= titik kontak dimana sistem komputer memberikan informasi kepada manajer atau dimana manajer memberikan data kepada sistem komputer.
Bentuk komunikasi antara manajer dan komputer :
-Pengembangan program komputer
-Dialog atau menyelami file
-Mengakses data
-Memasukkan input
Seiring dengan perkembangan lingkungan bisnis yang rumit dan lingkungan yang dinamis tuntutan terhadap keberadaan Sistem informasi manajemen adalah menjadi kebutuhan.
Sistem informasi manajemen adalah serangkaian sub sistem informasi yang menyeluruh dan terkoordinasi secara rasional dan yang mentransformasikan data menjadi informasi dengan berbagai cara sehingga dapat meningkatkan produktifitas selain juga harus disesuaikan dengan gaya dan watak para manajernya.
Ada beberapa faktor yang menjadi penyebab gagalnya membangun SIM, antara lain :
· Kurang organisasi yang wajar
· Kurangnya perencanaan yang memadai
· Kurang personil yang handal
· Kurangnya partisipasi manajemen dalam bentuk keikutsertaan para manajer dalam merancang sistem, mengendalikan upaya pengembangan sistem dan memotivasi seluruh personil yang terlibat.
Kemampuan teknis sistem komputer :
Pemrosesan data batch
Pemrosesan data tunggal
Pemrosesan on-line, real time
Komunikasi data dan switching pesan
Pemasukan data jarak jauh dan up date file
Pencarian records dan analisis
Pencarian file
Algoritme dan model keputusan
Otomatisasi kantor.
Sumber : google.com, http://oktadymalik.multiply.com/journal/item/43
Langganan:
Komentar (Atom)
