Bab 11 Executive Information and Support Systems EISS
Menemukan informasi yang diperlukan oleh eksekutif adalah proses yang sangat sulit. Metode yang efektif misalnya seperti CSF dan BSP Business System Planning, khususnya jika mereka
diikuti dengan prototyping. Jika didesain dan dioperasikan dengan tepat, EIS memiliki banyak keuntungan, tetapi
kebanyakan dari mereka tak dapat ditentukan. Kemampuan yang penting dari EIS adalah drill down penyajian informasi sedetil mungkin. Hal
ini menjadikan eksekutif melihat detilnya dan detil dari detil itu sendiri. EIS menggunakan manajemen dengan pendekatan pengecualian management by exception.
Berpusat pada CSF, key performance indicators indikator kinerja kunci, dan highlight charts bagan hal-hal yang penting.
Berlawanan dengan MIS, EIS memiliki perspektif organisasional menyeluruh dan ia menggunakan data eksternal secara ekstensif.
Ada kecenderungan untuk mengintegrasikan EIS dan tool-tool DSS. EIS membutuhkan baik itu mainframe ataupun LAN.
Membangun EIS adalah tugas yang sulit. Menggunakan vendor atau konsultan adalah pendekatan yang memadai.
Kesuksesan EIS tergantung pada banyak faktor, mulai dari teknologi yang tepat sampai pada manajemen halanganhambatan di organisasi.
Analisis multidimensional dan presentasi adalah bagian penting dari EIS. Akses data ke informasi database oleh end-user, melalui enterprise perusahaan, adalah
bagian esensial dari EIS.
Sistem Pendukung Keputusan – Irfan Subakti
90
Bab 12 Knowledge and Data Engineering
BAB 12 KNOWLEDGE AND DATA ENGINEERING
Pendahuluan.
Data: kumpulan kode alfanumerik. Fakta: data yang terbukti kebenarannya.
Informasi: data yang memiliki nilai tambah. Knowledgepengetahuan: informasi yang terorganisir.
Data Engineering.
Untuk masalah-masalah yang terstruktur. Bisa langsung dikoneksikandidapat langsung dari data yang
diketahui. Sehingga disebut data engineering DE, rekayasa data.
Knowledge Engineering. Untuk masalah-masalah yang semi dan tak terstruktur.
Informasi yang diketahui tidak bisa langsung dikoneksikan ke tujuannya, sehingga membutuhkan knowledge.
Sehingga disebut knowledge engineering KE, rekayasa pengetahuan. Keduanya disebut dengan Knowledge and Data Engineering KDE.
Masalah terstruktur. Basis data BD sendiri sudah punya value nilai, sehingga dapat diekstraksi langsung.
Tapi pada kelas enterprise yang melibatkan data multidimensi, data normalisasi yang akan diproyeksikan ke data multimedia membutuhkan tools OLAP
Maka dari sini lahirlah Data Warehousing DW. Jadi DW lahir dari masalah-masalah yang terstruktur, bukan yang semi atau tak terstruktur.
Masalah semi dan tak terstruktur.
Knowledge memodelkan sebab akibat, maka membutuhkan proses inferencing. Tidak ada hubungan kuantitatif antara masukan dengan keputusan yang dihasilkan. Kalau
hubungan kualitatif pasti selalu ada hubungannya. Fokus pada basis pengetahuan.
Metodologi yang dikembangkan di atas knowledge ini disebut dengan knowledge engineering. Yang namanya engineering rekayasa optimasi.
Diagram.
Berikut ini disajikan diagram hubungan dari bidang-bidang di KDE:
DSS Decision Support System
Conseptual OLAP
On-Line Structured
Analytical Processing
Semi-structured ES
Expert System DM
IR ODS
DW Unstructured
Information Data Mining
Retrieval Operational Data Structure
Data Warehouse Pattern
Pattern Multidimensional Analysis - Denormalisation
Recognition Association
Text Sequential
Documents OLTP
OLTP OLTP
OLTP DB
Data Base On-Line
Transactional Operational
Processing Conseptual
Commercial Combinatoric
91
Sistem Pendukung Keputusan – Irfan Subakti
