Month: September 2019

1. Mengidentifikasi complex systems pada kehidupan sehari-hari yang dapat dikelola dari system computer (ex. Information system, DSS, ERP, etc)

A. Sistem Informasi

Sistem Informasi (SI) adalah kombinasi dari teknologi informasi dan aktivitas orang yang menggunakan teknologi itu untuk mendukung operasi dan manajemen. Dalam arti yang sangat luas, istilah sistem informasi yang sering digunakan merujuk kepada interaksi antara orang, proses algoritmik, data, dan teknologi. Dalam pengertian ini, istilah ini digunakan untuk merujuk tidak hanya pada penggunaan organisasi teknoligi informasi dan komunikasi (TIK), tetapi juga untuk cara di mana orang berinteraksi dengan teknologi ini dalam mendukung proses bisnis.

Contoh penerapannya yaitu seperti TPS. TPS adalah sistem informasi yang terkomputerisasi yang dikembangkan untuk memproses data dalam jumlah besar untuk transaksi bisnis rutin seperti daftar gaji dan inventarisasi. TPS berfungsi pada level organisasi yang memungkinkan organisasi bisa berinteraksi dengan lingkungan eksternal. Data yang dihasilkan oleh TPS dapat dilihat atau digunakanoleh manajer. Sistem ini bekerja pada level operasional. Input pada level ini adalah transaksi dan kejadian. Proses dalam sistem ini meliputi pengurutan data, melihat data, memperbaharui data. Sedangkan outputnya adalah laporan yang detail, daftar lengkap dan ringkasan.

B. Decision Support Systems

Sistem pendukung keputusan (Inggris: decision support systems disingkat DSS) adalah bagian dari system informasi berbasis komputer (termasuk sistem berbasis pengetahuan (manajemen pengetahuan) yang dipakai untuk mendukung pengambilan keputusan dalam suatu organisasi atau perusahaan. Dapat juga dikatakan sebagai sistem komputer yang mengolah data menjadi informasi untuk mengambil keputusan dari masalah semi-terstruktur yang spesifik.

Contoh penggunaannya, DSS untuk proses kenaikan jabatan dan perencanaan karir pada PT. X . Salah satu contoh yang akan disorot dalam hal ini adalah cara pemilihan karyawan yang sesuai dengan kriteria yang ada pada suatu jabatan tertentu. Oleh karena itu diperlukan suatu sistem pendukung keputusan untuk proses profile matching dan analisis gap yang dibuat berdasarkan data dan norma-norma SDM yang terdapat di PT. X. Proses Profile Matching dilakukan untuk menentukan rekomendasi karyawan dalam Sistem Kenaikan Jabatan dan Perencanaan Karir berdasar pada 3 aspek yaitu Kapasitas Intelektual, Sikap Kerja dan Perilaku. Hasil dari proses ini berupa ranking karyawan sebagai rekomendasi bagi pengambil keputusan untuk memilih karyawan yang cocok pada jabatan yang kosong tersebut. Dari hasil implementasi sistem, disimpulkan bahwa dengan penggunaan software ini dapat membantu proses pengambilan keputusan terhadap profile matching proses kenaikan jabatan dan perencanaan karir di PT. X.

C. Enterprise Resource Planning

Perencanaan sumber daya perusahaan, atau sering disingkat ERP dari istilah bahasa inggrisnya, enterprise resource planning, adalah system informasi yang diperuntukkan bagi perusahan manufaktur maupun jasa yang berperan mengintegrasikan dan mengotomasikan proses bisnis yang berhubungan dengan aspek operasi, produksi maupun distribusi di perusahaan bersangkutan. ERP adalah konsep untuk merencanakan dan mengelola sumber daya perusahaan yang mencakup dana, permesinan, SDM, waktu, bahan, dan kapasitas.

Secara umum, berikut ini adalah beberapa manfaat menggunakan ERP (Enterprise Resource Planning) di perusahaan:

• Sistem ERP akan menyederhanakan proses mengendalikan dan memantau proses bisnis. Selain itu, ERP akan memberikan wawasan luas bagi para pembuat keputusan dan membantu mereka membuat prediksi dan membuat keputusan yang lebih baik.
• Fungsi otomatisasi yang dimiliki oleh ERP akan memastikan aliran informasi dapat disalurkan dengan benar. Dengan begitu, proses bisnis bisa berjalan lebih sederhana dan responsif.
• Sistem ERP dapat menyatukan banyak unit dalam ekosistem perusahaan. Dengan begitu, ekosistem perusahaan dapat terintegrasi dengan baik.
• Dengan adanya sistem ERP, perusahaan berkembang dapat beradaptasi dan lebih fleksibel dengan semua kebutuhan mereka di masa depan.

2. Membandingkan 4 tipe dari problem context (Cynefin Framework)

A. Simple

Problem ini didefinisikan sebagai problem yang hubungan antara penyebab dan akibatnya sangat jelas dan erat. Sehingga semua orang juga tahu. Sumber pengetahuan ada di mana-mana dan bisa dilakukan siapa saja.

Untuk mengatasinya tidak memerlukan analisa dan pemikiran yang rumit. Pendekatan yang dilakukan adalah Sense->Categorize->Respond. Artinya melihat situasinya bagaimana, kemudian mengidentifikasi akar masalahnya termasuk kategori apa, kemudian langsung merespon/mencabut akar masalahnya.

Dengan adanya kategori atau kelompok penyebab/akar masalah yang sudah jelas tersebut, maka untuk jenis problem yang simple sudah ada sekumpulan BEST PRACTICES.  Estimasi waktu yang dibutuhkan juga mudah sekali dikalkulasi. Apakah ini akan selesai 1 jam, 1 hari atau 1 minggu.

Contoh: Handphone mati setelah 2 hari dipakai terus menerus. Tidak bisa melakukan panggilan telepon, tidak ada dial tone.

B. Complicated (Rumit)

Problem jenis ini didefinisikan sebagai problem yang hubungan antara penyebab dan akibatnya belum jelas. Sehingga untuk mengetahui penyebabnya, butuh pemeriksaan lebih lanjut, butuh analisa lebih lanjut. Penyebab/akar masalahnya bisa lebih dari satu kemungkinan dan bisa saling berkaitan. Sumber pengetahuan tersedia dan dapat diajarkan.

Karena membutuhkan pemeriksaan dan analisa, maka pendekatan yang dilakukan adalah Sense->Analyze->Respond. Lihat terlebih dahulu situasinya untuk mendefinisikan masalahnya, kemudian kita analisa apa saja kemungkinan yang menjadi penyebabnya, kemudian merespon atau mengambil tindakan yang diperlukan.

Untuk problem jenis ini, kita memiliki sekumpulan GOOD PRACTICES.

Estimasi waktu untuk problem jenis ini agak sukar dikalkulasi. Kita hanya bisa melakukan estimasi berdasarkan waktu maksimum yang pernah kita lakukan sebelumnya. Mungkin antara 1 hari atau 2 hari. Mungkin juga 1 minggu sampai 2 minggu.

Contoh: Koneksi internet Anda lambat ke situs-situs tertentu saja. Aplikasi Anda mengalami connection timeout.

D. Complex

Problem jenis ini didefinisikan sebagai problem yang hubungan antara penyebab dan akibatnya tidak jelas. Sehingga untuk mengatasinya membutuhkan perenungan, kontemplasi, bertapa, mencari petunjuk, meminta pencerahan. Sumber pengetahuan mungkin tersedia tapi sangat terbatas. Karena membutuhkan kontemplasi, pendekatan yang dilakukan adalah Probe->Sense->Respond. Jika ternyata berhasil, baru kita bisa lihat mengapa berhasil kemudian merespon/menunjukkan penemuan tersebut.

Estimasi waktu untuk problem jenis ini sangat sulit dikalkulasi. Kita tidak bisa mengira-ngira kapan problem tersebut akan berhasil diatasi.

Contoh: Membuat software baru. Mendesain pesawat. Menjalankan bisnis. Melakukan Riset.

D. Chaos (Kacau)

Problem jenis ini didefinisikan sebagai problem yang tidak memiliki hubungan antara penyebab dan akibat. Sehingga untuk mengatasinya bukan dengan berpikir atau kontemplasi. Tapi langsung bertindak tanpa banyak berpikir.

Pendekatan yang dilakukan adalah Act->Sense->Respond, yaitu kita bertindak dulu kemudian melihat situasinya baru bisa mengambil keputusan. Estimasi waktunya juga tidak akan bisa diukur.

Contoh: Server crash, database corrupt, disk failed, kebakaran, kerusuhan, mendirikan bisnis baru, penyerbuan, peperangan.

3. Mencari studi kasus dari strategi sebuah perusahaan  dengan pengelolaan big data analytics

A. Upaya mengoptimalkan big data

Meski dinilai banyak manfaatnya penerapan big data tidaklah muda, setidaknya butuh investasi dan teknologi yang mumpuni untuk membangun teknologi yang mumpuni. Di Traveloka misalnya, penerapan big data merupakan sebuah tantangan sehingga pihaknya perlu membangun sebuah tim yang solid baik untuk data engineering maupun software engineering. Orang-orang di dalamnya pun disebutkan orang-orang berprestasi seperti lulusan mahasiswa  unggulan yang berprestasi, alumni perusahaan Silicon Valley, dan beberapa ahli di berbagai bidang disiplin ilmu. Tak jauh beda, Pegipegi pun dikisahkan telah mengembangkan sebuah sistem terintegrasi yang mampu meng-handle data-data yang ada untuk selanjutnya diolah untuk mendapatkan wawasan yang bisa digunakan sebagai pertimbangan sebelum mengambil keputusan.

Apa yang dilakukan keduanya pun juga dilakukan oleh beberapa perusahaan level internasional yang berada di segmen travel. Disebutkan dalam sebuah artikel, AirBnb juga menerapkan big data yang dikombinasikan dengan sebuah algoritma yang mampu mencocokkan preferensi host dan tamu sehingga bisa mendapatkan hasil yang memuaskan bagi kedua belah pihak.

B. Hasil pemanfaatan data

Dari informasi yang didapat DailySocial, Traveloka dan Pegipegi sudah beberapa kali mengeluarkan fitur atau layanan yang berdasarkan data-data yang dimiliki. Fitur tersebut beragam. Untuk Traveloka, buah analisis data dihadirkan melalui fitur Notifikasi Harga yang saat ini bisa ditemukan di aplikasi Android dan iOS mereka. Fitur ini menyuguhkan hasil olahan ribuan data harga tiket pesawat setiap harinya untuk dihadirkan ke pelanggan.

Di sebuah Rumah Sakit pasti terdapat banyak sekali data rekam medis yang belum dimanfaatkan secara maksimal. Seringkali data rekam medis hanya menjadi data yang menumpuk dan tidak dilakukan penelusuran untuk menghasilkan pengetahuan yang berguna bagi Rumah Sakit.  Selain dapat menjadi sumber pengetahuan bagi Rumah Sakit, data tersebut juga dapat memberikan informasi tersembunyi yang dijadikan pengambilan keputusan yang efektif oleh para praktisi kesehatan. Ternyata sejumlah besar data rekam medis yang terdapat dalam Rumah Sakit memiliki banyak nilai yang jika di teliti atau digali lebih dalam lagi dapat memberikan hasil tidak hanya kepada para pasien melainkan juga dapat memberikan keuntungan juga pada pihak Rumah Sakit.

Setelah mengetahui bahwa data rekam medis masih dapat memberikan keuntungan tentunya banyak pihak yang ingin menggali lebih dalam lagi tentang hal tersebut dan bagaimana cara agar mereka dapat memperoleh hal yang lebih banyak lagi dari data rekam medis yang selama ini terdapat dalam Rumah Sakit. Dengan adanya kemajuan teknologi Rumah Sakit juga ikut serta membangun sistem dan juga berlomba-lomba untuk memajukan kemampuan teknologi yang ada didalam Rumah Sakit tersebut. Untuk memajukan teknologi dalam sistem Rumah Sakit ini tentunya diperlukan data-data. Data tersebut dapat diperoleh melalui data rekam medis yang sudah ada sebelumnya, nantinya data tersebut dapat di kelola menggunakan Data Mining.

• 

              Berdasarkan penelitian-penelitian yang telah dilakukan untuk memprediksi penyakit jantung, diperoleh hasil bahwa data mining menggunakan metode Decision Tree mempunyai hasil yang terbaik. Akan tetapi penerapan algoritma Decision Tree (C4.5) dalam prediksi penyakit jantung akurasinya masih belum mencapai level excellence sehingga akurasi metode algoritma Decision Tree  ditingkatkan dengan metode Adaboost dalam memecahkan masalah prediksi jantung.

              Ternyata terdapat perbedaan antara hasil penelitian prediksi penyakit jantung dengan menggunakan algoritma C4.5 dengan hasil penilitan yang menggunakan algoritma C4.5 berbasis Adaboost. Terbukti setelah melakukan penelitian Penerarpan Algoritma C4.5 Berbasis Adaboost  Untuk  Prediksi Penyakit Jantung, peneliti tersebut memperoleh hasil yang positif. Saat peneliti menggunakan data mining dengan algoritma C4.5 saja diperoleh hasil dengan akurasi sebesar 86,59% sedangkan untuk penelitian yang menggunakan algoritma C4.5 berbasis Adaboost memiliki nilai akurasi sebesar 92.24% dengan selisih akurasi 5,65%.

Syarfina Estiana Zahira | 1401174029 | MB-41-04

The Objective

Penerapan analitik big data dalam perawatan kesehatan memiliki dan membuahkan hal hal yang positif bagi dunia kesehatan. Big data mengacu pada informasi yang berjumlah besar yang dikonsolidasikan  dianalisis oleh teknologi tertentu dan diterapkan pada bidang kesehatan, ia akan menggunakan data kesehatan tertentu dari suatu populasi dan berpotensi membantu mencegah epidemi dan menyembuhkan penyakit.

Selain itu big data juga bisa berperan untuk mendapatkan data pribadi pasien dan akan mengurangi kesalahan pihak rumah sakit dalam memberikan obat. Hal ini biasanya terjadi karena pihak rumah sakit kekurangan data dari pasien tersebut, dengan adanya big data hal ini tidak akan terjadi.

Problem

Masalah klasik yang sering di hadapi banyak rumah sakit, yakni terlalu banyak staff atau terlalu sedikit staff yang ada, jika pihak rumah sakit mengenakan terlalu banyak pekerja, pihak rumah sakit tersebut akan beresiko mendapatkan biaya tambahan dan biaya tenaga kerja yang tidak perlu dan hal tersebut akan merugikan pihak rumah sakit. Sama hal nya dengan kekurangan pekerja atau terlalu sedikit  pekerja yang ada, otomatis hal tersebut akan mengurangi pelayanan rumah sakit terhadap pasien pasien yang ada, yang bisa berakibat fatal bagi pasien.

Jika rumah sakit tersebut memiliki big data tentu hal tersebut tidak akan terjadi, karena big data mampu mencegah hal ini dan jika hal ini terjadi big data mampu membantu memecahkan masalah ini. Setidaknya di beberapa rumah sakit di paris telah menggunakan data dari berbagai sumber untuk mendapatkan prediksi harian dan per jam berapa pasien yang diharapkan berada di setiap rumah sakit. Selain itu big data juga bermanfaat bagi perawat dan staff administrasi rumah sakit yang tidak terlatih dalam ilmu data.

Dengan big data peneliti medis dapat menggunakan sejumlah data yang besar pada rencana awal tingkat pemulihan untuk menemukan tingkat keberhasilan yang tinggi di dunia nyata dan untuk menambah peluang sembuh nya pasien yang mengidap kanker. Sebagai contoh, dengan adanya big data peneliti dapat memeriksa sampel tumor di biobank yang di hubungkan dengan catatan perawatan pasien yang di dapatkan melalui big data.

Solusi

Indonesia memiliki sebuah software bernama PAQUES, singkatan dari Parallel Query System, adalah sebuah Big Data Analytic Tool yang dapat memproses dan mengolah data dalam jumlah yang besar dari berbagai sumber dengan variasi data berbeda baik yang terstruktur ataupun tidak terstruktur. Keunggulan PAQUES sendiri adalah, PAQUES memiliki metodologi kerja yang di namai SECAV, yang terdiri dari search, extract, correlate, aggregate dan visualize. Selain itu PAQUES dapat melakukan melakukan single query yang memberikan berbagai manfaat di berbagai level organisasi yang membutuhkan analisa big data.