Senin, 04 Januari 2016

Pengantar Teknologi SIM 1

                                        Tugas Remedial Pengantar Teknologi SIM 1

Nama              : JUHARI
Npm                : 14213710
Kelas               : 3EA14

1.      Definisi Analisis Kinerja Sistem Teknologi Informasi 
Kinerja sistem informasi merupakan tolok ukur dari pencapaian keberhasilan perusahaan menggunakan sumber daya organisasi sesuai dengan tujuan perusahaan. Perusahaan memperoleh manfaat atas pengerjan sistem oleh pihak ke tiga (outsourcer), sehingga menghemat waktu dan menciptakan sistem pelayanan yang memuaskan.   
Sistem ialah interaksi dari elemen-elemen yang saling berkaitan bekerja sama untuk mencapai tujuan. Elemen-elemen tersebut ialah elemen sistem konvensional (data, manusia dan prosedur) dan elemen sistem modern (data,manusia, prosedur, hardware dan software).  
Sebuah sistem menerima masukan, memprosesnya, dan kemudian menghasilkan suatukeluaran. Sistem tersebut mampu bekerja karena komponen-komponen didalamnya saling berinteraksi untuk menghasilkan keluaran. Dalam melakukanprosesnya, kinerja sistem sangat dipengaruhi oleh kondisi lingkungan disekitarnya. 
Sistem informasi ialah interaksi antara data, manusia dan prosedur (yang didukung olehhardware dan software) untuk memberikan suatu penyelesaianberupa informasi yang dapat dipakai untuk mengambil suatu tindakankeputusan selanjutnya baik untuk jangka pendek, menengah atau panjangdalam sebuah organisasi. Dengan kata lain, sistem informasi juga adalah suatukumpulan dari komponen-komponen yang saling berinteraksi untukmengelola informasi pada suatu organisasi untuk mendukung kegiatan bisnisorganisasi. 
Penggunaan teknologi informasi pada suatu sistem informasi mulaiberkembang sekitar tahun 1960an. Pada periode tersebut, sistem informasiyang digunakan masih sangat terbatas. Hal ini disebabkan teknologi perangkatkeras maupun perangkat lunak masih sangat jauh jika dibandingkan dengankondisi sekarang. Tujuan utama sistem informasi pada saat itu adalah untukmelakukan otomatisasi proses bisnis yang berjalan pada organisasi. 
 2.      Metode Analisis Kinerja Sistem Teknologi Informasi
Analisis kinerja sistem informasi menggunakan metode balanced scorecard 
Balanced Scorecard merupakan sistem manajemen strategis yang menterjemahkan visi dan strategi suatu organisasi kedalam tujuan dan ukuran operational. Balanced Scorecard sebagai suatu sistem manajemen yang mengintegrasikan visi, strategi dan keempat perspektif diturunkan dari visi strategi. Balanced Scorecard menekankan bahwa semua ukuran financial dan non-financial harus menjadi bagian sistem informasi untuk para pekerja di semua tingkatan perusahaan. Perusahaan menggunakan fokus pengukuran scorecard untuk menghasilkan berbagai proses manajemen penting, yaitu: 
1.   Memperjelas dan menerjemahkan visi dan strategi
2.   Mengembangkan dan mengaitkan berbagai tujuan dan ukuran strategi
3.   Merencanakan, menetapkan sasaran dan menyelaraskan berbagai inisiatif strategis dan
4.      Meningkatkan umpan balik dan pembelajaran strategis.
            Pengukuran Terhadap keempat Perspektif Balanced Scorecard dapat dilakukan sebagai berikut : 
a.        Perspektif Kinerja Keuangan (Financial) : Kinerja keuangan memang menjadi titik perhatian, karena merupakan suatu iktisar dari konsekuensi ekonomi yang terjadi oleh keputusan dan tindakan ekonomi yang telah diambil. Rasio keuangan dapat dikelompokkan dalam rasio likuiditas, rasio leverage, rasio aktivitas dan rasio profitabilitas.
b.       Perspektif Pelanggan (Customer) : Kinerja ini dianggap penting dimasa sekarang karena mengingat semakin ketatnya persaingan dalam mempertahankan pangsa pasar lama dan merebut pangsa pasar baru. Seminar Nasional Teknologi Informasi & Komunikasi Terapan 2011 (Semantik 2011) ISBN 979-26-0255-0 Sebelum tolok ukur kinerja pelanggan ditetapkan, terlebih dahulu ditetapkan pangsa pasar yang akan menjadi target/ sasaran serta mengidentifikasi keinginan dan kebutuhan para (calon) pelanggan dalam segmen tersebut, sehingga tolok ukur yang digunakan dalam kategori ini dapat lebih terfokus. Tolok ukur kinerja pelanggan dibagi atas dua kelompok yaitu kelompok pengukuran inti dan kelompok penunjang. Kelompok pengukuran inti (core measurement groups), terdiri dari : Pangsa Pasar (Market Share), Tingkat Perolehan Pelanggan Baru (Customer Acquisition), Kemampuan Mempertahankan Pelanggan Lama (Customer Retention) dan Tingkat Kepuasan Pelanggan (Customer Satisfaction).
c.       Perspektif Proses Bisnis Internal ( Internal Business Processes) : Dalam pendekatan Balanced Scorecard, proses inovasi dimasukkan dalam proses internal bisnis Pendekatan Balanced Scorecard membagi pengukuran perspektif proses internal bisnis dalam 2 (dua), yaitu : proses inovasi dan proses operasi. Dalam proses inovasi perusahaan mengidentifikasi keinginan dan kebutuhan pasar baru, dan para customer masa kini dan masa mendatang dengan cara merancang dan mengembangkan produk baru yang sesuai dan mampu memenuhi kebutuhan konsumen sehingga kedua hal tersebut merupakan hasil yang sangat penting dan tidak terpisahkan. Sedangkan, pada proses operasi, perusahaan menjalankan aktivitas yang dilakukan mulai saat diterimanya order dari customer sampai dengan pada saat produk atau jasa tersebut dikirim atau diterima oleh pelanggan. Adapun tolok ukur dalam pengukuran dan proses pembuatan produk atau jasa adalah tingkat kerusakan pra-penjualan, dan pengerjaan ulang (rework) serta waktu ketepatan pengiriman barang.
d.      Perspektif Pembelajaran dan Pertumbuhan ( Learning and Growth ) : Tujuan perspektif ini adalah untuk mendorong perusahaan menjadi organisasi yang belajar (learning organization) sekaligus mendorong pertumbuhannya. Pendekatan Balanced Scorecard menekankan pentingnya investasi untuk masa depan, bukan hanya dalam area investasi tradisional. Dalam perspektif pertumbuhan dan pembelajaran yang akan diukur diantaranya adalah kemampuan karyawan. Tolok ukur yang digunakan antara lain kepuasan karyawan, retensi karyawan, dan produktivitas per karyawan. 
 3.      Standar-standar Analisis Kinerja Sistem Teknologi Informasi 

  • STANDAR SISTEM INFORMASI PADA PERUSAHAAN OUTSOURCER

a. Siklus Kehidupan Sistem Informasi Melalui Outsourcing 
Mengembangkan jasa professional untuk perusahaan outsourcer sistem informasi adalah hal yang berkesinambungan. Tanggung jawab manajemen perusahaan outourcer adalah juga terletak pada bagaimana suatu proyek dimulai, diaplikasikan, dikembangkan sampai penggantian teknologi informasi dalam rentang jangka waktu tertentu yang dikenal sebagai siklus kehidupan pengembangan sistem outsourcing. Konsep siklus kehidupan pada dasarnya digunakan untuk menguraikan suatu generasi organisme dalam system biologis. Hal yang esensial, istilah siklus kehidupan merupakan gambaran semua aktivitas dimana suatu subjek terlibat dari lahir sampai mati. Konsep siklus kehidupan juga diaplikasikan ke dalam area manajemen proye. Lebih lanjut menurut Schwalbe, siklus kehidupan outsourcing sistem informasi merupakan suatu kumpulan fase-fase proyek seperti perkembangan, implementasi dan close-out. Ada 2 fase utama, yaitu fase aktivitas perencanaan dan fase focus pada pengantaran kerja actual dari manajemen proyek. 
b.      Standar ISO Berkaitan dengan Manajemen Resiko Sistem Informasi 
ISO 9004 merupakan standar manajemen kualitas. ISO 9004 diterapkan di semua tipe organisasi yang tidak melihat mengenai ukurannya tetapi apa sebenarnya yang dilakukan. Oleh karena itu, ini dapat membantu organisasi jasa dan produk mencapai standar kualitas yang diakui dan dihormati di seluruh dunia. Dalam IS0 9004 section 4.1 disebutkan mengenai pendekatan manajemen kualitas yang perlu diperhatikan oleh perusahaan berdasarkan pada 2 tujuan utama, yaitu : membangun sistem manajemen kualitas (quality management systems) yang berdasarkan pada prinsip manajemen kualitas menurut ISO dan menggunakan sistem manajemen kualitas tersebut untuk meyakinkan bahwa sumber daya dapat digunakan secara efisien. Adapun prinsip manajemen kualitas menurut ISO adalah : 
1.      Focus pada pelanggan perusahaan,
2.      Menghormati harapan-harapan pihak ketiga, menyediakan kepemimpinan yang baik melibatkan pendekatan manajemen proses.
3.      Perbaikan berkelanjutan,
4.      Peroleh fakta sebelum anda memutuskan dan
5.      Bekerja dengan para supplier. 
4.      Metode pengumpulan data analisis :
  • Knowledge base
KDD (Knowledge Discovery in Database) merupakan keseluruhan proses konversi data mentah menjadi pengetahuan yang bermanfaat yang terdiri dari serangkaian tahap transformasi meliputi data preprocessing dan postprocessing.Berdasarkan gambar di atas proses KDD secara garis besar dapat dijelaskan sebagai berikut: 
a. Data Selection 
Pemilihan (selection) data dari sekumpulan data operasional perlu dilakukan sebelum tahap penggalian informasi dalam KDD dimulai. Data hasil seleksi yang akan digunakan untuk proses data mining, disimpan dalam suatu berkas, terpisah dari basis data operasional. 
b. Pre-processing 
Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses cleaning pada data yang menjadi fokus KDD. Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa data yang inkonsisten, dan memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi). Juga dilakukan proses enrichment, yaitu proses “memperkaya” data yang sudah ada dengan data atau informasi lain yang relevan dan diperlukan untuk KDD, seperti data atau informasi eksternal. 
c. Transformation 
Coding adalah proses transformasi pada data yang telah dipilih, sehingga data tersebut sesuai untuk proses data mining. Proses coding dalam KDD merupakan proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari dalam basis data. 
d. Data mining 
Data mining adalah proses mencari pola atau informasi menarik dalam data terpilih dengan menggunakan teknik atau metode tertentu. Teknik, metode, atau algoritma dalam data mining sangat bervariasi. Pemilihan metode atau algoritma yang tepat sangat bergantung pada tujuan dan proses KDD secara keseluruhan. 
e. Interpretation 
Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini merupakan bagian dari proses KDD yang disebut dengan interpretation. Tahap ini mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan dengan fakta atau hipotesa yang ada sebelumnya.           

  • Data mining
Perkembangan data mining(DM) yang pesat tidak dapat lepas dari perkembangan teknologi informasi yang memungkinkan data dalam jumlah besar terakumulasi. Sebagai contoh, toko swalayan merekam setiap penjualan barang dengan memakai alat POS (point of sales). Database data penjualan tsb. bisa mencapai beberapa GB setiap harinya untuk sebuah jaringan toko swalayan berskala nasional. Perkembangan internet juga punya andil cukup besar dalam akumulasi data.

Data mining dapat didefinisikan sebagai proses eksplorasi dan analisis, secara otomatis atau semi otomatis dari sekumpulan data dalam ukuran besar dengan tujuan untuk menemukan pola dan aturan yang bermanfaat. Data mining merupakan salah satu tahapan dalam proses Knowledge Discovery in Database. 
 Tugas-tugas dalam data mining secara umum dibagi ke dalam dua ketegori utama : 
1.      Prediktif. 
Memprediksi atribut target (variabel tak bebas) berdasarkan atribut-atribut lainnya (variabel bebas/explanatory)
2.      Deskriptif. 
Menemukan pola-pola yang meringkas hubungan dalam data. 
Teknik-Teknik Data Mining Dengan definisi DM yang luas, ada banyak jenis teknik analisa yang dapat digolongkan dalam DM. Karena keterbatasan tempat, disini akan memberikan sedikit gambaran tentang tiga teknik DM yang paling populer. 
Association Rule Mining 
Association rule mining adalah teknik mining untuk menemukan aturan assosiatif antara suatu kombinasi item. Contoh dari aturan assosiatif dari analisa pembelian di suatu pasar swalayan adalah bisa diketahui berapa besar kemungkinan seorang pelanggan membeli roti bersamaan dengan susu. Dengan pengetahuan tsb. pemilik pasar swalayan dapat mengatur penempatan barangnya atau merancang kampanye pemasaran dengan memakai kupon diskon untuk kombinasi barang tertentu. Penting tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter, support yaitu persentase kombinasi item tersebut.Algoritma yang paling populer dikenal sebagai Apriori dengan paradigma generate and test, yaitu pembuatan kandidat kombinasi item yang mungkin berdasar aturan tertentu lalu diuji apakah kombinasi item tersebut memenuhi syarat support minimum. Kombinasi item yang memenuhi syarat tsb. disebut frequent itemset, yang nantinya dipakai untuk membuat aturan-aturan yang memenuhi syarat confidence minimum. Algoritma baru yang lebih efisien bernama FP-Tree. 
Classification
Classification adalah proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. Model itu sendiri bisa berupa aturan “jika-maka”, berupa decision tree, formula matematis atau neural network. Proses classification biasanya dibagi menjadi dua fase : learning dan test. Pada fase learning, sebagian data yang telah diketahui kelas datanya diumpankan untuk membentuk model perkiraan. Kemudian pada fase test model yang sudah terbentuk diuji dengan sebagian data lainnya untuk mengetahui akurasi dari model tsb. Bila akurasinya mencukupi model ini dapat dipakai untuk prediksi kelas data yang belum diketahui. 
Clustering
Berbeda dengan association rule mining dan classification dimana kelas data telah ditentukan sebelumnya, clustering melakukan penge-lompokan data tanpa berdasarkan kelas data tertentu. Bahkan clustering dapat dipakai untuk memberikan label pada kelas data yang belum diketahui itu. Karena itu clustering sering digolongkan sebagai metode unsupervised learning.
Prinsip dari clustering adalah memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan antar kelas/cluster. Clustering dapat dilakukan pada data yan memiliki beberapa atribut yang dipetakan sebagai  ruang multidimensi.