Lembar Kerja Mahasiswa Applied Artificial Intelligence in Information Systems

File ini adalah lembar kerja mahasiswa untuk mata kuliah Applied Artificial Intelligence in Information Systems. Tujuan pembelajarannya mencakup pemahaman tentang Decision Support Systems (DSS), Business Intelligence (BI), proses pengambilan keputusan, analisis bisnis, manajemen kinerja bisnis, kolaborasi, manajemen pengetahuan, serta teknologi canggih dan tren terkini dalam sistem informasi.

Lembar kerja ini terdiri dari 14 bab yang mencakup berbagai topik, yaitu:

Decision Support and Business Intelligence
Decision Making, Systems, Modeling, and Support
Decision Support Systems Concepts, Methodologies, and Technologies
Modeling and Analysis
Data Mining for Business Intelligence
Artificial Neural Networks for Data Mining
Text and Web Mining
Data Warehousing
Business Performance Management
Collaborative Computer-Supported Technologies and Group Support Systems
Knowledge Management
Artificial Intelligence and Expert Systems
Advanced Intelligent Systems
Management Support Systems – Emerging Trends and Impacts
Setiap babnya memiliki format yang sama, yaitu tujuan pembelajaran, pengantar materi, kegiatan belajar (pemahaman konsep, tugas, diskusi kelompok), penilaian, dan refleksi. Kegiatan belajar sangat bervariasi, mulai dari menjawab pertanyaan, menggambar diagram, analisis kasus, melakukan eksperimen menggunakan tools tertentu, hingga diskusi kelompok dan presentasi.

Referensi utama yang digunakan dalam mata kuliah ini adalah buku Decision Support and Business Intelligence Systems oleh Turban, E., Sharda, R., & Delen, D.

Lembar kerja ini memberikan kerangka kerja yang komprehensif bagi mahasiswa untuk memahami dan menerapkan konsep-konsep penting dalam kecerdasan buatan terapan pada sistem informasi, melalui kombinasi pembelajaran teoretis dan tugas-tugas praktis.

1. Lembar Kerja Mahasiswa
Mata Kuliah: APPLIED ARTIFICIAL INTELLIGENCE IN INFORMATION SYSTEMS
Tujuan Pembelajaran
Pemahaman Konsep Decision Support Systems (DSS), Business Intelligence (BI), dan
Teknologi Terkait
Proses Pengambilan Keputusan dan Analisis Bisnis
Strategi dan Evaluasi Manajemen Kinerja Bisnis
Kolaborasi dan Manajemen Pengetahuan
Teknologi Canggih dan Tren Terkini
Referensi :
Turban, E., Sharda, R., & Delen, D. (2010). Decision Support and Business Intelligence Systems
(9th ed.). Pearson Education.
1

2. Daftar Isi
BAB 1.........................................................................................................................................................6
Decision Support and Business Intelligence............................................................................................6
A.TUJUAN PEMBELAJARAN ......................................................................................................6
B.PENGANTAR MATERI ..............................................................................................................6
C.KEGIATAN BELAJAR ...............................................................................................................6
D.PENILAIAN...................................................................................................................................9
E.REFLEKSI....................................................................................................................................9
BAB 2.......................................................................................................................................................10
Decision Making, Systems, Modeling, and Support..............................................................................10
A.TUJUAN PEMBELAJARAN ....................................................................................................10
B.PENGANTAR MATERI ............................................................................................................10
C.KEGIATAN BELAJAR .............................................................................................................10
D.PENILAIAN................................................................................................................................13
E.REFLEKSI..................................................................................................................................13
BAB 3.......................................................................................................................................................14
Decision Support Systems Concepts, Methodologies, and Technologies.............................................14
A.TUJUAN PEMBELAJARAN ....................................................................................................14
B.PENGANTAR MATERI ............................................................................................................14
C.KEGIATAN BELAJAR .............................................................................................................14
D.PENILAIAN................................................................................................................................17
E.REFLEKSI..................................................................................................................................17
BAB 4.......................................................................................................................................................18
Modeling and Analysis............................................................................................................................18
A.TUJUAN PEMBELAJARAN ....................................................................................................18
B.PENGANTAR MATERI ............................................................................................................18
C.KEGIATAN BELAJAR .............................................................................................................18
D.PENILAIAN................................................................................................................................22
E.REFLEKSI..................................................................................................................................23
BAB 5.......................................................................................................................................................24
Data Mining for Business Intelligence...................................................................................................24
A.TUJUAN PEMBELAJARAN ....................................................................................................24
B.PENGANTAR MATERI ............................................................................................................24
2

3. C.KEGIATAN BELAJAR .............................................................................................................24
D.PENILAIAN................................................................................................................................28
E.REFLEKSI..................................................................................................................................28
BAB 6.......................................................................................................................................................29
Artificial Neural Networks for Data Mining.........................................................................................29
A.TUJUAN PEMBELAJARAN ....................................................................................................29
B.PENGANTAR MATERI ............................................................................................................29
C.KEGIATAN BELAJAR .............................................................................................................29
D.PENILAIAN................................................................................................................................33
E.REFLEKSI..................................................................................................................................33
BAB 7.......................................................................................................................................................34
Text and Web Mining.............................................................................................................................34
A.TUJUAN PEMBELAJARAN ....................................................................................................34
B.PENGANTAR MATERI ............................................................................................................34
C.KEGIATAN BELAJAR .............................................................................................................34
D.PENILAIAN................................................................................................................................38
E.REFLEKSI..................................................................................................................................38
BAB 8.......................................................................................................................................................40
Data Warehousing...................................................................................................................................40
A.TUJUAN PEMBELAJARAN ....................................................................................................40
B.PENGANTAR MATERI ............................................................................................................40
C.KEGIATAN BELAJAR .............................................................................................................40
D.PENILAIAN................................................................................................................................44
E.REFLEKSI..................................................................................................................................44
BAB 9.......................................................................................................................................................45
Business Performance Management......................................................................................................45
A.TUJUAN PEMBELAJARAN ....................................................................................................45
B.PENGANTAR MATERI ............................................................................................................45
C.KEGIATAN BELAJAR .............................................................................................................45
D.PENILAIAN................................................................................................................................48
E.REFLEKSI..................................................................................................................................49
BAB 10......................................................................................................................................................50
Collaborative Computer-Supported Technologies and Group Support Systems...............................50
3

4. A.TUJUAN PEMBELAJARAN ....................................................................................................50
B.PENGANTAR MATERI ..............................................................................................................50
C.KEGIATAN BELAJAR .............................................................................................................50
D.PENILAIAN................................................................................................................................54
E.REFLEKSI..................................................................................................................................54
BAB 11......................................................................................................................................................55
Knowledge Management.........................................................................................................................55
A. TUJUAN PEMBELAJARAN ............................................................................................................55
B. PENGANTAR MATERI ....................................................................................................................55
C. KEGIATAN BELAJAR .....................................................................................................................55
D. PENILAIAN........................................................................................................................................59
E. REFLEKSI..........................................................................................................................................59
BAB 12......................................................................................................................................................60
Artificial Intelligence and Expert Systems............................................................................................60
A. TUJUAN PEMBELAJARAN ............................................................................................................60
B. PENGANTAR MATERI ....................................................................................................................60
C. KEGIATAN BELAJAR .....................................................................................................................60
D. PENILAIAN........................................................................................................................................63
E. REFLEKSI..........................................................................................................................................64
BAB 13......................................................................................................................................................65
Advanced Intelligent Systems.................................................................................................................65
A. TUJUAN PEMBELAJARAN ............................................................................................................65
B. PENGANTAR MATERI ....................................................................................................................65
C. KEGIATAN BELAJAR .....................................................................................................................65
D. PENILAIAN........................................................................................................................................68
E. REFLEKSI..........................................................................................................................................68
BAB 14......................................................................................................................................................69
Management Support Systems – Emerging Trends and Impacts........................................................69
A. TUJUAN PEMBELAJARAN ............................................................................................................69
B. PENGANTAR MATERI ....................................................................................................................69
C. KEGIATAN BELAJAR .....................................................................................................................69
D. PENILAIAN........................................................................................................................................72
E. REFLEKSI..........................................................................................................................................73
4

5. 5

6. BAB 1
Decision Support and Business Intelligence
A.TUJUAN PEMBELAJARAN
Setelah menyelesaikan lembar kerja ini, mahasiswa diharapkan mampu:
Memahami konsep dasar Decision Support Systems (DSS) dan Business Intelligence
(BI).
Menjelaskan peran DSS dan BI dalam pengambilan keputusan bisnis.
Mengidentifikasi komponen utama dalam DSS dan BI.
Menganalisis studi kasus implementasi DSS dan BI dalam organisasi.
B.PENGANTAR MATERI
Di era digital saat ini, organisasi menggunakan DSS dan BI untuk meningkatkan efisiensi
dan efektivitas pengambilan keputusan. DSS membantu dalam menganalisis data untuk
mendukung keputusan manajerial, sedangkan BI memungkinkan organisasi untuk
memperoleh wawasan yang lebih baik dari data bisnis mereka.
C.KEGIATAN BELAJAR
1.Pemahaman Konsep DSS dan BI
Bacaan :
DSS adalah sistem berbasis komputer yang mendukung pengambilan keputusan
manajerial dengan menyediakan informasi dan analisis.
BI adalah sekumpulan metodologi dan teknologi yang mengubah data menjadi
informasi yang bermanfaat untuk keputusan strategis.
Tugas 1: Definisi dan Perbedaan DSS vs. BI
6

7. Instruksi:
1.Jelaskan dengan kata-kata sendiri apa yang dimaksud dengan DSS dan BI.
2.Buat tabel perbedaan antara DSS dan BI berdasarkan tujuan, teknologi yang
digunakan, serta fungsinya dalam organisasi.
Aspek DSS BI
Definisi
Tujuan
Teknologi yang Digunakan
Fungsi dalam Organisasi
2.Komponen Utama DSS dan BI
Bacaan:
Komponen DSS: Database, Model Management, User Interface.
Komponen BI: Data Warehouse, Data Mining, OLAP (Online Analytical Processing).
Tugas 2: Diagram Komponen DSS dan BI
Instruksi:
1.Gambarkan diagram sederhana yang menunjukkan komponen utama DSS dan BI.
2.Jelaskan peran masing-masing komponen dalam mendukung pengambilan
keputusan.
7

8. Jawaban:
(Upload atau gambar diagram di kertas, lalu foto dan unggah ke platform yang
digunakan dosen.)
3.Studi Kasus Implementasi DSS dan BI
Bacaan:
Contoh Kasus: Norfolk Southern, perusahaan transportasi kereta api yang mengadopsi
BI untuk mengoptimalkan pengelolaan logistiknya.
Tugas 3: Analisis Studi Kasus
Instruksi:
1.Bacalah studi kasus Norfolk Southern dalam buku.
2.Jawab pertanyaan berikut berdasarkan kasus tersebut:
oBagaimana DSS dan BI membantu Norfolk Southern dalam pengambilan
keputusan?
oApa jenis data yang dikumpulkan dan bagaimana data tersebut digunakan?
oBagaimana hasil implementasi BI berdampak pada efisiensi operasional
perusahaan?
4.Diskusi Kelompok: Tantangan dan Manfaat DSS & BI
Bacaan:
Manfaat DSS & BI: Pengambilan keputusan lebih cepat, berbasis data, dan akurat.
Tantangan DSS & BI: Integrasi data, keamanan, dan kompleksitas teknologi.
Tugas 4: Diskusi dan Presentasi
Instruksi:
1.Bentuk kelompok kecil (3-5 orang).
2.Diskusikan manfaat dan tantangan implementasi DSS dan BI dalam dunia bisnis.
8

9. 3.Buat presentasi singkat (5 menit) dan sajikan di kelas atau rekam video presentasi
untuk diunggah.
D.PENILAIAN
Tugas Bobot (%)
Definisi dan Perbedaan DSS vs. BI20%
Diagram Komponen DSS dan BI 20%
Analisis Studi Kasus 30%
Diskusi dan Presentasi 30%
Total 100%
E.REFLEKSI
Apa hal baru yang Anda pelajari dari bab ini?
Bagaimana DSS dan BI dapat diterapkan dalam bisnis yang Anda ketahui?
9

10. BAB 2
Decision Making, Systems, Modeling, and Support.
A.TUJUAN PEMBELAJARAN
Setelah menyelesaikan lembar kerja ini, mahasiswa diharapkan dapat:
Memahami konsep dasar pengambilan keputusan dan peran teknologi dalam
mendukungnya.
Menjelaskan berbagai jenis model keputusan yang digunakan dalam sistem pendukung
keputusan.
Mengidentifikasi fase dalam proses pengambilan keputusan berdasarkan model Simon.
Menganalisis studi kasus penerapan sistem pendukung keputusan dalam bisnis nyata.
B.PENGANTAR MATERI
Pengambilan keputusan adalah proses yang krusial dalam manajemen organisasi. Sistem
Pendukung Keputusan (DSS) dirancang untuk membantu para manajer dalam membuat
keputusan yang lebih efektif dan efisien. Bab ini membahas berbagai aspek dari sistem
pendukung keputusan, termasuk model, tahapan, dan cara DSS membantu dalam
menghadapi masalah kompleks.
C.KEGIATAN BELAJAR
1.Konsep Dasar Pengambilan Keputusan
Bacaan:
Pengambilan keputusan adalah proses memilih tindakan terbaik dari beberapa alternatif.
DSS membantu dalam analisis informasi dan simulasi skenario untuk meningkatkan
kualitas keputusan.
10

11. Tugas 1: Identifikasi Jenis Keputusan
Instruksi:
1.Jelaskan perbedaan antara keputusan terstruktur, semi-terstruktur, dan tidak
terstruktur.
2.Berikan contoh nyata dari masing-masing jenis keputusan di dunia bisnis.
Jenis Keputusan Definisi Contoh
Terstruktur
Semi-Terstruktur
Tidak Terstruktur
2.Model Pengambilan Keputusan
Bacaan:
Model pengambilan keputusan dapat berupa model deskriptif, normatif, dan
preskriptif.
Beberapa model utama meliputi Decision Tree, Linear Programming, dan
Simulation Models.
Tugas 2: Diagram Model Keputusan
Instruksi:
1.Pilih salah satu model keputusan (Decision Tree, Linear Programming, atau
Simulation).
2.Gambarkan diagram sederhana yang menunjukkan cara model tersebut bekerja
dalam pengambilan keputusan.
3.Berikan contoh aplikasi model tersebut dalam dunia bisnis.
Jawaban:
(Upload atau gambar diagram di kertas, lalu foto dan unggah ke platform yang digunakan
dosen.)
11

12. 3.Fase Pengambilan Keputusan (Model Simon)
Bacaan:
Model Simon membagi pengambilan keputusan dalam empat fase utama:
Intelligence, Design, Choice, dan Implementation.
Tugas 3: Analisis Kasus dengan Model Simon
Instruksi:
1.Bacalah contoh kasus "Making Elevators Go Faster!" dari buku.
2.Identifikasi bagaimana setiap fase dalam model Simon diterapkan dalam kasus
tersebut.
3.Jelaskan bagaim`ana DSS dapat membantu dalam setiap tahap pengambilan
keputusan.
Fase Model Simon Implementasi dalam KasusPeran DSS
Intelligence
Design
Choice
Implementation
4.Studi Kasus Implementasi DSS dalam Bisnis
Bacaan:
DSS banyak digunakan dalam berbagai industri untuk optimasi keputusan, seperti
manajemen rantai pasok, perbankan, dan kesehatan.
Tugas 4: Studi Kasus dan Presentasi
Instruksi:
1.Cari dan pilih satu contoh nyata perusahaan yang menggunakan DSS dalam
operasionalnya.
12

13. 2.Jelaskan bagaimana DSS membantu perusahaan tersebut dalam pengambilan
keputusan.
3.Buat presentasi singkat (5 menit) dan sajikan di kelas atau rekam video presentasi
untuk diunggah.
D.PENILAIAN
Tugas Bobot (%)
Identifikasi Jenis Keputusan 20%
Diagram Model Keputusan 20%
Analisis Model Simon 30%
Studi Kasus dan Presentasi 30%
Total 100%
E.REFLEKSI
Apa wawasan baru yang Anda dapatkan dari bab ini?
Bagaimana DSS dapat meningkatkan efisiensi dalam pengambilan keputusan di dunia
bisnis?
13

14. BAB 3
Decision Support Systems Concepts, Methodologies, and Technologies.
A.TUJUAN PEMBELAJARAN
Setelah menyelesaikan lembar kerja ini, mahasiswa diharapkan dapat:
Memahami konsep dasar, metode, dan teknologi yang digunakan dalam Decision
Support Systems (DSS).
Menjelaskan arsitektur dan komponen utama DSS.
Mengidentifikasi berbagai jenis DSS berdasarkan fungsinya dalam organisasi.
Menganalisis studi kasus implementasi DSS dalam dunia bisnis.
B.PENGANTAR MATERI
Sistem Pendukung Keputusan (DSS) adalah sistem berbasis komputer yang digunakan untuk
mendukung proses pengambilan keputusan dalam organisasi. DSS terdiri dari berbagai
komponen, metodologi, dan teknologi yang berfungsi untuk menganalisis data dan
menyajikan informasi bagi pengambil keputusan.
C.KEGIATAN BELAJAR
1.Konsep dan Klasifikasi DSS
Bacaan:
DSS adalah sistem berbasis komputer yang mendukung pengambilan keputusan
manajerial dengan menyediakan informasi dan analisis.
BI adalah sekumpulan metodologi dan teknologi yang mengubah data menjadi informasi
yang bermanfaat untuk keputusan strategis.
Tugas 1: Definisi dan Perbedaan DSS vs. BI
Instruksi:
14

15. 1.Jelaskan masing-masing jenis DSS beserta karakteristiknya.
2.Berikan satu contoh nyata dari setiap jenis DSS yang digunakan dalam industri.
Jenis DSS Definisi Contoh Implementasi
Model-Driven DSS
Data-Driven DSS
Knowledge-Driven DSS
Communication-Driven
DSS
Document-Driven DSS
2.Komponen Utama DSS
Bacaan:
DSS terdiri dari Data Management Subsystem, Model Management Subsystem,
User Interface (Dialog) Subsystem, dan Knowledge-Based Management
Subsystem.
Tugas 2: Diagram Arsitektur DSS
Instruksi:
1.Gambarkan arsitektur DSS beserta komponen-komponennya.
2.Jelaskan peran setiap komponen dalam mendukung pengambilan keputusan.
Jawaban:
(Upload atau gambar diagram di kertas, lalu foto dan unggah ke platform yang digunakan
dosen.)
3.Teknologi dalam DSS
Bacaan:
Teknologi yang mendukung DSS meliputi Database Management Systems
(DBMS), Model-Based Management Systems (MBMS), User Interface Systems
(UIS), dan Artificial Intelligence (AI) untuk DSS.
Tugas 3: Studi Kasus Teknologi DSS
Instruksi:
15

16. 1.Pilih salah satu teknologi utama dalam DSS.
2.Jelaskan bagaimana teknologi tersebut bekerja dalam mendukung DSS.
3.Berikan contoh perusahaan atau industri yang menggunakan teknologi tersebut.
4.Studi Kasus Implementasi DSS dalam Bisnis
Bacaan:
Banyak organisasi menggunakan DSS untuk pengambilan keputusan strategis, seperti
dalam perencanaan rantai pasokan, manajemen risiko, dan analisis keuangan.
Tugas 4: Analisis Studi Kasus
Instruksi:
1.Bacalah Application Case 3.1: "A Spreadsheet-Based DSS Enables Ammunition
Requirements Planning for the Canadian Army".
2.Jawab pertanyaan berikut berdasarkan studi kasus tersebut:
Apa tujuan utama DSS dalam studi kasus ini?
Bagaimana DSS membantu dalam proses perencanaan dan pengambilan
keputusan?
Teknologi apa yang digunakan dalam DSS ini?
Apa manfaat utama yang diperoleh dari implementasi DSS ini?
5.Diskusi Kelompok: Tantangan dan Masa Depan DSS
Bacaan:
Tantangan dalam DSS: Integrasi data, keamanan, validitas model, keterbatasan
sumber daya.
Masa depan DSS: Integrasi dengan AI, penggunaan cloud computing, real-time
decision support systems.
Tugas 5: Diskusi dan Presentasi
Instruksi:
1.Bentuk kelompok kecil (3-5 orang).
2.Diskusikan tantangan utama dalam implementasi DSS di organisasi.
3.Presentasikan hasil diskusi dalam bentuk infografis atau presentasi singkat (5
menit).
16

17. D.PENILAIAN
Tugas Bobot (%)
Identifikasi Jenis DSS 15%
Diagram Arsitektur DSS 20%
Studi Kasus Teknologi DSS 20%
Analisis Studi Kasus DSS 25%
Diskusi dan Presentasi 20%
Total 100%
E.REFLEKSI
Apa wawasan baru yang Anda dapatkan dari bab ini?
Bagaimana DSS dapat meningkatkan efektivitas pengambilan keputusan di organisasi?
17

18. BAB 4
Modeling and Analysis
A.TUJUAN PEMBELAJARAN
Setelah menyelesaikan lembar kerja ini, mahasiswa diharapkan dapat:
Memahami konsep pemodelan dalam Decision Support Systems (DSS).
Menjelaskan berbagai jenis model dalam analisis pengambilan keputusan.
Menganalisis perbedaan antara keputusan berdasarkan kepastian, ketidakpastian, dan
risiko.
Menggunakan metode pemodelan seperti What-If Analysis, Goal Seeking, dan Decision
Trees dalam skenario bisnis nyata.
Mengaplikasikan teknik pemodelan menggunakan software seperti Microsoft Excel
Solver atau Python untuk optimasi keputusan bisnis.
B.PENGANTAR MATERI
Model dalam DSS digunakan untuk merepresentasikan sistem nyata dan membantu pengambil
keputusan dalam mengevaluasi berbagai alternatif solusi. Model ini bisa berupa model
matematis, statistik, atau berbasis simulasi yang dapat digunakan untuk optimasi, prediksi, atau
pengambilan keputusan berbasis data.
C.KEGIATAN BELAJAR
1.Pengantar Pemodelan dalam DSS
Bacaan:
Model dalam DSS dapat dikategorikan menjadi deterministik (pasti) dan stokastik
(acak).
Model deterministik digunakan dalam situasi di mana semua variabel dapat dikontrol,
sedangkan model stokastik digunakan ketika ada unsur ketidakpastian.
18

19. Tugas 1: Identifikasi Jenis Model dalam DSS’
Instruksi:
1.Jelaskan perbedaan antara model deterministik dan model stokastik.
2.Berikan satu contoh kasus bisnis untuk masing-masing model dan jelaskan bagaimana
DSS dapat membantu dalam pengambilan keputusan.
Jenis Model Definisi Contoh Implementasi
Deterministik
Stokastik
19

20. 2.Pemodelan dalam Kondisi Kepastian, Ketidakpastian, dan Risiko
Bacaan:
Keputusan dapat diambil dalam tiga kondisi utama:
oKepastian (semua variabel diketahui).
oKetidakpastian (tidak ada informasi yang cukup untuk memperkirakan hasil).
oRisiko (kemungkinan hasil dapat dihitung dengan probabilitas).
Tugas 2: Studi Kasus Pengambilan Keputusan
Instruksi:
1.Berikan satu contoh nyata dari pengambilan keputusan dalam kondisi kepastian,
ketidakpastian, dan risiko.
2.Jelaskan bagaimana DSS dapat membantu mengurangi ketidakpastian dalam
pengambilan keputusan.
Kondisi Keputusan Contoh Kasus Peran DSS
Kepastian
Ketidakpastian
Risiko
3.Metode Pemodelan: What-If Analysis dan Goal Seeking
Bacaan:
What-If Analysis memungkinkan eksplorasi skenario berbeda berdasarkan
perubahan input.
Goal Seeking adalah metode untuk mencari input yang dibutuhkan agar mencapai
hasil yang diinginkan.
Tugas 3: Praktik What-If Analysis dan Goal Seeking
Instruksi:
1.Gunakan Microsoft Excel untuk melakukan What-If Analysis pada kasus berikut:
oPerusahaan ingin melihat dampak perubahan harga dan jumlah penjualan
terhadap total keuntungan.
20

21. 2.Gunakan Goal Seeking untuk menentukan berapa unit yang harus dijual agar
mencapai keuntungan tertentu.
3.Simpan dan unggah file Excel hasil analisis Anda.
Jawaban:
(Upload file Excel atau screenshot hasil analisis ke platform yang digunakan dosen.)
4.Decision Trees dalam Pengambilan Keputusan
Bacaan:
Decision Trees adalah metode grafis untuk memilih alternatif terbaik berdasarkan
probabilitas dan keuntungan/kerugian yang mungkin terjadi.
Tugas 4: Membuat Decision Tree
Instruksi:
1.Gambarkan Decision Tree untuk skenario berikut:
oSebuah perusahaan sedang mempertimbangkan untuk meluncurkan
produk baru dengan dua opsi:
Meluncurkan sekarang dengan kemungkinan sukses 60%
(keuntungan $100.000) atau gagal 40% (kerugian $50.000).
Menunda peluncuran untuk riset pasar lebih lanjut dengan biaya
$20.000, tetapi meningkatkan peluang sukses menjadi 80%
(keuntungan $120.000) dan risiko kegagalan menjadi 20%
(kerugian $30.000).
2.Hitung nilai ekspektasi dari setiap pilihan dan tentukan keputusan terbaik.
Jawaban:
(Upload diagram Decision Tree yang dibuat secara manual atau menggunakan software
seperti Lucidchart, PowerPoint, atau Excel.)
5.Simulasi dan Optimasi dengan Excel Solver atau Python
Bacaan:
21

22. Linear Programming digunakan untuk menemukan solusi optimal dalam kondisi
dengan kendala tertentu (misalnya, alokasi sumber daya).
Excel Solver dan Python (Scipy, PuLP) dapat digunakan untuk menyelesaikan
masalah optimasi.
Tugas 5: Optimasi dengan Excel Solver atau Python
Instruksi:
1.Selesaikan masalah berikut menggunakan Excel Solver atau Python:
oSebuah pabrik memiliki dua jenis produk: A dan B.
oSumber daya terbatas: 100 jam kerja dan 80 unit bahan baku.
oProduk A membutuhkan 2 jam dan 3 unit bahan baku per unit.
oProduk B membutuhkan 4 jam dan 2 unit bahan baku per unit.
oKeuntungan per unit A = $40, keuntungan per unit B = $30.
oTentukan jumlah produk A dan B yang harus diproduksi untuk
memaksimalkan keuntungan.
2.Simpan dan unggah file hasil analisis.
Jawaban:
(Upload file Excel atau screenshot kode Python beserta hasil perhitungan.)
D.PENILAIAN
Tugas Bobot (%)
Identifikasi Jenis DSS 15%
Diagram Arsitektur DSS 20%
Studi Kasus Teknologi DSS 20%
Analisis Studi Kasus DSS 25%
Diskusi dan Presentasi 20%
Total 100%
22

23. E.REFLEKSI
Apa wawasan baru yang Anda dapatkan dari bab ini?
Bagaimana metode pemodelan dapat membantu dalam pengambilan keputusan di dunia
nyata?
23

24. BAB 5
Data Mining for Business Intelligence
A.TUJUAN PEMBELAJARAN
Setelah menyelesaikan lembar kerja ini, mahasiswa diharapkan dapat:
Memahami konsep dasar Data Mining dan perannya dalam Business Intelligence
(BI).
Menjelaskan berbagai teknik dalam Data Mining, seperti klasifikasi, klastering, dan
asosiasi.
Menganalisis bagaimana Data Mining digunakan dalam pengambilan keputusan
bisnis.
Menggunakan alat Data Mining seperti WEKA, RapidMiner, atau Python (scikit-
learn) untuk analisis data sederhana.
Mengevaluasi tantangan dan peluang dalam implementasi Data Mining di organisasi.
B.PENGANTAR MATERI
Data Mining adalah proses menemukan pola, hubungan, dan wawasan yang tersembunyi
dalam data yang besar. Dalam konteks Business Intelligence, teknik Data Mining digunakan
untuk memahami perilaku pelanggan, mendeteksi penipuan, melakukan prediksi bisnis, dan
optimasi proses operasional.
C.KEGIATAN BELAJAR
1.Konsep Dasar Data Mining
Bacaan:
Data Mining adalah bagian dari BI yang berfungsi untuk mengekstrak informasi dari
dataset besar.
24

25. Proses Data Mining terdiri dari pengumpulan data, pembersihan data,
pemodelan, evaluasi, dan implementasi.
Tugas 1: Definisi dan Konsep Data Mining
Instruksi:
1.Jelaskan perbedaan antara Data Mining dan Database Management Systems
(DBMS).
2.Identifikasi 3 manfaat utama Data Mining dalam dunia bisnis.
Aspek Data Mining DBMS
Tujuan
Fungsi Utama
Contoh Penggunaan
2.Teknik dalam Data Mining
Bacaan:
Teknik utama dalam Data Mining:
oKlasifikasi (Classification): Memprediksi kategori suatu data
berdasarkan pola historis.
oKlastering (Clustering): Mengelompokkan data berdasarkan kesamaan
karakteristik.
oAsosiasi (Association Rule Mining): Menemukan hubungan antar item
dalam dataset.
Tugas 2: Analisis Teknik Data Mining
Instruksi:
1.Pilih salah satu teknik Data Mining (Klasifikasi, Klastering, atau Asosiasi).
25

26. 2.Berikan contoh nyata dari implementasi teknik tersebut dalam industri
(misalnya: deteksi penipuan kartu kredit, rekomendasi produk e-commerce,
atau analisis perilaku pelanggan).
Jawaban:
(Tuliskan hasil analisis dalam 200-300 kata.)
3.Studi Kasus Implementasi Data Mining dalam Bisnis
Bacaan:
Case Study: "Business Analytics and Data Mining Help 1-800-Flowers Excel in
Business".
Perusahaan seperti Amazon, Netflix, dan Google menggunakan Data Mining
untuk meningkatkan layanan mereka.
Tugas 3: Studi Kasus dan Diskusi
Instruksi:
1.Baca studi kasus Data Mining dalam buku atau sumber lain.
2.Jawab pertanyaan berikut berdasarkan studi kasus yang telah dibaca:
oApa tujuan utama penggunaan Data Mining dalam studi kasus
tersebut?
oTeknik Data Mining apa yang digunakan?
oApa manfaat yang diperoleh perusahaan setelah menerapkan Data
Mining?
Jawaban:
(Tuliskan jawaban dalam 200-300 kata.)
4.Praktik Data Mining dengan WEKA / RapidMiner / Python
Bacaan:
26

27. WEKA dan RapidMiner adalah tools yang umum digunakan untuk Data Mining.
Python memiliki pustaka seperti scikit-learn untuk analisis data.
Tugas 4: Eksperimen Data Mining
Instruksi:
1.Gunakan salah satu alat berikut:
oWEKA: Lakukan klasifikasi sederhana menggunakan algoritma J48
Decision Tree.
oRapidMiner: Buat model klastering menggunakan algoritma K-Means.
oPython (scikit-learn): Lakukan klasifikasi data menggunakan Random
Forest Classifier.
2.Simpan hasil eksperimen dalam format screenshot atau file CSV, lalu unggah
ke platform pembelajaran.
Jawaban:
(Upload file atau screenshot hasil eksperimen.)
5.Tantangan dan Masa Depan Data Mining
Bacaan:
Tantangan utama Data Mining meliputi kualitas data, privasi, dan interpretasi
hasil.
Masa depan Data Mining melibatkan AI dan Deep Learning untuk analitik yang
lebih kompleks.
Tugas 5: Diskusi Kelompok
Instruksi:
1.Bentuk kelompok kecil (3-5 orang).
27

28. 2.Diskusikan tantangan dan peluang dalam implementasi Data Mining di
organisasi.
3.Sajikan hasil diskusi dalam bentuk infografis atau presentasi singkat (5
menit).
Jawaban:
(Upload presentasi atau infografis hasil diskusi.)
D.PENILAIAN
Tugas Bobot (%)
Definisi dan Konsep Data Mining 15%
Analisis Teknik Data Mining 20%
Studi Kasus dan Diskusi 20%
Praktik Data Mining dengan WEKA / RapidMiner / Python 25%
Diskusi Kelompok tentang Tantangan dan Masa Depan Data Mining20%
Total
E.REFLEKSI
Apa wawasan baru yang Anda dapatkan dari bab ini?
Bagaimana teknik Data Mining dapat meningkatkan pengambilan keputusan di
organisasi?
28

29. BAB 6
Artificial Neural Networks for Data Mining
A.TUJUAN PEMBELAJARAN
Setelah menyelesaikan lembar kerja ini, mahasiswa diharapkan dapat:
Memahami konsep dasar Artificial Neural Networks (ANN) dan bagaimana teknologi ini
digunakan dalam Data Mining.
Menjelaskan arsitektur dasar jaringan saraf tiruan, termasuk neuron, lapisan, dan fungsi
aktivasi.
Mengidentifikasi proses pelatihan ANN, termasuk metode backpropagation dan optimasi
bobot.
Menganalisis implementasi ANN dalam dunia bisnis dan industri.
Melakukan eksperimen sederhana menggunakan Python (TensorFlow/Keras) atau
RapidMiner untuk membangun model ANN.
B.PENGANTAR MATERI
Jaringan Saraf Tiruan (ANN) adalah model komputasi yang terinspirasi dari cara kerja otak
manusia. Dalam Data Mining, ANN digunakan untuk tugas-tugas seperti klasifikasi,
prediksi, dan deteksi pola dalam dataset yang kompleks.
C.KEGIATAN BELAJAR
1.Konsep Dasar Artificial Neural Networks (ANN)
Bacaan:
ANN terdiri dari neuron buatan yang terhubung dalam beberapa lapisan (layers).
ANN digunakan dalam berbagai aplikasi, seperti pengolahan citra, prediksi pasar
saham, dan deteksi penipuan.
Tugas 1: Definisi dan Struktur ANN
Instruksi:
29

30. 1.Jelaskan bagaimana ANN bekerja dalam konteks Data Mining.
2.Identifikasi 3 keunggulan ANN dibandingkan metode statistik tradisional.
3.Gambarkan struktur dasar ANN yang terdiri dari input layer, hidden layer, dan
output layer.
Jawaban:
(Upload gambar diagram ANN atau buat dengan tools seperti Lucidchart, PowerPoint,
atau Canva.)
2.Arsitektur dan Komponen ANN
Bacaan:
Komponen utama ANN:
oNeuron Buatan: Unit dasar pemrosesan dalam ANN.
oBobot (Weights): Menentukan seberapa penting sinyal dari satu neuron ke
neuron lainnya.
oFungsi Aktivasi: Mengubah input menjadi output, contoh: Sigmoid, ReLU,
Softmax.
Tugas 2: Fungsi Aktivasi dalam ANN
Instruksi:
1.Jelaskan perbedaan antara fungsi aktivasi linear dan non-linear.
2.Bandingkan Sigmoid, ReLU, dan Softmax dalam tabel berikut:
Fungsi
Aktivasi
Rumus MatematisKelebihan Kekurangan
Sigmoid
ReLU
Softmax
3.Proses Pelatihan ANN: Backpropagation
Bacaan:
30

31. Backpropagation adalah algoritma pembelajaran yang digunakan untuk memperbarui
bobot dalam ANN.
ANN belajar dari kesalahan menggunakan Mean Squared Error (MSE) dan Gradient
Descent untuk mengurangi error.
Tugas 3: Simulasi Backpropagation
Instruksi:
1.Berikan contoh bagaimana bobot diperbarui dalam satu iterasi backpropagation.
2.Gunakan contoh sederhana dengan 2 input, 1 neuron hidden, dan 1 output untuk
menghitung perubahan bobot setelah iterasi pertama.
Jawaban:
(Tunjukkan perhitungan langkah demi langkah dalam bentuk tabel atau rumus.)
4.Studi Kasus Implementasi ANN dalam Bisnis
Bacaan:
ANN digunakan dalam berbagai industri, misalnya:
oPerbankan: Deteksi penipuan kartu kredit.
oKesehatan: Prediksi penyakit berdasarkan data pasien.
oE-commerce: Rekomendasi produk.
Tugas 4: Analisis Studi Kasus
Instruksi:
1.Pilih salah satu studi kasus implementasi ANN di dunia nyata.
2.Jelaskan bagaimana ANN digunakan dalam kasus tersebut dan hasil yang
diperoleh.
Jawaban:
(Tulis analisis dalam 200-300 kata.)
31

32. 5.Eksperimen ANN dengan Python atau RapidMiner
Bacaan:
Python (TensorFlow/Keras) dan RapidMiner adalah tools yang umum digunakan
untuk ANN.
Dataset umum: MNIST (digit handwriting), Titanic survival, atau dataset keuangan.
Tugas 5: Praktik Implementasi ANN
Instruksi:
1.Pilih salah satu alat berikut:
oPython (TensorFlow/Keras): Buat model ANN sederhana untuk klasifikasi.
oRapidMiner: Bangun model ANN dengan dataset sederhana.
2.Lakukan eksperimen dengan minimal 1 hidden layer dan tunjukkan hasil
akurasinya.
3.Simpan dan unggah file kode/screenshot hasil eksperimen.
Jawaban:
(Upload file Python atau hasil eksperimen dari RapidMiner.)
6.Tantangan dan Masa Depan ANN dalam Data Mining
Bacaan:
Tantangan ANN:
oOverfitting, komputasi tinggi, dan pemilihan hyperparameter.
Masa depan ANN:
oDeep Learning, transformer-based networks, dan explainable AI (XAI).
Tugas 6: Diskusi Kelompok
32

33. Instruksi:
1.Bentuk kelompok kecil (3-5 orang).
2.Diskusikan tantangan utama dalam implementasi ANN di dunia nyata.
3.Sajikan hasil diskusi dalam bentuk infografis atau presentasi singkat (5 menit).
Jawaban:
(Upload presentasi atau infografis hasil diskusi.)
D.PENILAIAN
Tugas Bobot (%)
Definisi dan Struktur ANN 15%
Fungsi Aktivasi dalam ANN 15%
Simulasi Backpropagation 20%
Analisis Studi Kasus ANN 15%
Eksperimen ANN dengan
Python/RapidMiner
25%
Diskusi Kelompok: Tantangan ANN 10%
Total 100%
E.REFLEKSI
Apa wawasan baru yang Anda dapatkan dari bab ini?
Bagaimana ANN dapat membantu dalam pengambilan keputusan berbasis data?
33

34. BAB 7
Text and Web Mining
A.TUJUAN PEMBELAJARAN
Setelah menyelesaikan lembar kerja ini, mahasiswa diharapkan dapat:
Memahami konsep dasar Text Mining dan Web Mining serta perbedaannya dengan Data
Mining.
Menjelaskan teknik utama dalam Text Mining seperti Natural Language Processing
(NLP), sentiment analysis, dan topic modeling.
Mengidentifikasi teknik dalam Web Mining, termasuk Web Content Mining, Web
Structure Mining, dan Web Usage Mining.
Menganalisis studi kasus implementasi Text dan Web Mining dalam bisnis dan industri.
Melakukan eksperimen sederhana menggunakan Python (NLTK, BeautifulSoup, Scikit-
learn) atau RapidMiner untuk ekstraksi dan analisis teks/web.
B.PENGANTAR MATERI
Text Mining adalah teknik untuk mengekstrak informasi dari teks tidak terstruktur, sedangkan
Web Mining adalah proses penambangan informasi dari data berbasis web. Keduanya
memainkan peran penting dalam Business Intelligence untuk analisis sentimen, pengambilan
keputusan, dan optimasi bisnis.
C.KEGIATAN BELAJAR
1.Konsep Dasar Text dan Web Mining
Bacaan:
Text Mining digunakan untuk mengubah teks tidak terstruktur menjadi informasi
yang dapat digunakan.
34

35. Web Mining adalah proses penggalian data dari web untuk menemukan pola yang
berguna.
Tugas 1: Definisi dan Perbedaan Text, Web, dan Data Mining
Instruksi:
1.Jelaskan perbedaan antara Text Mining, Web Mining, dan Data Mining dalam
tabel berikut:
Aspek Text Mining Web Mining Data Mining
Definisi
Sumber Data
Teknik Utama
Contoh
Penggunaan
2.Teknik dalam Text Mining
Bacaan:
Teknik utama dalam Text Mining:
oNatural Language Processing (NLP) untuk pemrosesan bahasa alami.
oSentiment Analysis untuk memahami opini dalam teks.
oTopic Modeling (LDA) untuk menemukan topik dalam dokumen teks.
Tugas 2: Implementasi Text Mining dalam Bisnis
Instruksi:
1.Pilih salah satu teknik Text Mining (NLP, Sentiment Analysis, atau Topic
Modeling).
2.Berikan contoh bagaimana teknik tersebut digunakan dalam bisnis (misalnya:
analisis ulasan pelanggan, klasifikasi email spam, atau analisis media sosial).
Jawaban:
(Tulis hasil analisis dalam 200-300 kata.)
35

36. 3.Teknik dalam Web Mining
Bacaan:
Web Content Mining: Ekstraksi informasi dari konten web.
Web Structure Mining: Analisis hubungan antar halaman web.
Web Usage Mining: Analisis perilaku pengguna berdasarkan log akses.
Tugas 3: Studi Kasus Web Mining
Instruksi:
1.Pilih satu teknik Web Mining (Content, Structure, atau Usage Mining).
2.Jelaskan bagaimana teknik tersebut digunakan oleh perusahaan dalam
optimasi bisnis mereka.
Jawaban:
(Tulis jawaban dalam 200-300 kata.)
4.Teknik dalam Web Mining
Bacaan:
Web Content Mining: Ekstraksi informasi dari konten web.
Web Structure Mining: Analisis hubungan antar halaman web.
Web Usage Mining: Analisis perilaku pengguna berdasarkan log akses.
Tugas 3: Studi Kasus Web MiningInstruksi:
1.Pilih satu teknik Web Mining (Content, Structure, atau Usage Mining).
2.Jelaskan bagaimana teknik tersebut digunakan oleh perusahaan dalam optimasi bisnis
mereka.
Jawaban:
(Tulis jawaban dalam 200-300 kata.)
5.Studi Kasus Implementasi Text dan Web Mining
36

37. Bacaan:
Perusahaan seperti Google, Amazon, dan Twitter menggunakan Text dan Web
Mining untuk meningkatkan pengalaman pengguna dan pengambilan keputusan.
Tugas 4: Analisis Studi Kasus
Instruksi:
1.Cari dan pilih satu studi kasus nyata terkait penggunaan Text atau Web Mining.
2.Jelaskan bagaimana teknologi ini diterapkan dan dampaknya terhadap bisnis.
Jawaban:
(Tulis analisis dalam 200-300 kata.)
6.Eksperimen Text dan Web Mining dengan Python atau RapidMiner
Bacaan:
Python (NLTK, BeautifulSoup, Scikit-learn) dan RapidMiner adalah tools yang
umum digunakan untuk analisis teks dan web.
Dataset umum: Ulasan pelanggan, Twitter sentiment analysis, atau data web
scraping.
Tugas 5: Praktik Implementasi Text/Web Mining
Instruksi:
1.Pilih salah satu eksperimen berikut:
oText Mining dengan Python (NLTK/Scikit-learn): Lakukan analisis
sentimen pada dataset ulasan pelanggan.
oWeb Scraping dengan BeautifulSoup: Ekstrak data dari halaman web
tertentu dan analisis pola yang ditemukan.
oRapidMiner: Gunakan dataset teks untuk klasifikasi atau analisis sentimen.
2.Lakukan eksperimen dan simpan hasilnya dalam format screenshot atau file
CSV.
Jawaban:
(Upload file atau screenshot hasil eksperimen.)
37

38. 7.Tantangan dan Masa Depan Text & Web Mining
Bacaan:
Tantangan utama Text & Web Mining: Kualitas data, bahasa alami yang kompleks,
dan etika penggunaan data.
Masa depan teknologi ini melibatkan AI Generatif, Deep Learning, dan Explainable
AI (XAI).
Tugas 6: Diskusi Kelompok
Instruksi:
1.Bentuk kelompok kecil (3-5 orang).
2.Diskusikan tantangan dan peluang dalam implementasi Text & Web Mining.
3.Sajikan hasil diskusi dalam bentuk infografis atau presentasi singkat (5 menit).
Jawaban:
(Upload presentasi atau infografis hasil diskusi.)
D.PENILAIAN
Tugas Bobot (%)
Definisi dan Perbedaan Text, Web, dan Data
Mining
15%
Implementasi Text Mining dalam Bisnis15%
Studi Kasus Web Mining 15%
Analisis Studi Kasus Text & Web Mining15%
Praktik Implementasi Text/Web Mining25%
Diskusi Tantangan dan Masa Depan
Text/Web Mining
15%
Total 100%
E.REFLEKSI
Apa wawasan baru yang Anda dapatkan dari bab ini?
Bagaimana Text & Web Mining dapat membantu dalam pengambilan keputusan bisnis?
38

39. 39

40. BAB 8
Data Warehousing
A.TUJUAN PEMBELAJARAN
Setelah menyelesaikan lembar kerja ini, mahasiswa diharapkan dapat:
Memahami konsep dasar Data Warehousing dan perannya dalam Business Intelligence
(BI).
Menjelaskan arsitektur Data Warehouse beserta komponen-komponennya.
Menganalisis perbedaan antara Data Warehouse dan Operational Database.
Mengidentifikasi berbagai metode ETL (Extract, Transform, Load) dalam Data
Warehousing.
Melakukan eksperimen sederhana menggunakan SQL, Pentaho, atau Python (Pandas &
SQLAlchemy) untuk ekstraksi dan analisis data dari Data Warehouse.
B.PENGANTAR MATERI
Data Warehouse adalah sistem penyimpanan data yang dirancang untuk mendukung
pengambilan keputusan bisnis. Berbeda dengan operational database, Data Warehouse
mengkonsolidasikan data historis dari berbagai sumber untuk analisis yang lebih mendalam.
C.KEGIATAN BELAJAR
1.Konsep Dasar Data Warehousing
Bacaan:
Data Warehouse digunakan untuk menyimpan dan mengintegrasikan data dari
berbagai sumber guna mendukung analisis bisnis.
Keunggulan Data Warehouse: Data historis, optimasi untuk analitik, struktur
multidimensi.
Tugas 1: Definisi dan Perbedaan Data Warehouse vs Operational Database
Instruksi:
40

41. 1.Jelaskan perbedaan antara Data Warehouse dan Operational Database dalam tabel
berikut:
Aspek Data Warehouse Operational Database
Tujuan
Struktur Data
Fokus Penggunaan
Contoh Penggunaan
2.Arsitektur Data Warehouse
Bacaan:
Komponen utama Data Warehouse:
Source Systems: Sistem sumber data (ERP, CRM, dll.).
ETL (Extract, Transform, Load): Proses integrasi data.
Data Warehouse Database: Penyimpanan utama data.
OLAP (Online Analytical Processing): Teknologi untuk analisis multidimensi.
BI Tools: Dashboard & pelaporan.

Tugas 2: Diagram Arsitektur Data Warehouse
Instruksi:
1.Gambarkan diagram arsitektur dasar Data Warehouse beserta komponen-
komponennya.
2.Berikan penjelasan singkat mengenai peran setiap komponen dalam pengelolaan
Data Warehouse.
Jawaban:
(Upload gambar diagram atau buat dengan tools seperti Lucidchart, PowerPoint, atau
Canva.)
3.Proses ETL dalam Data Warehousing
41

42. Bacaan:
Extract (E): Mengambil data dari berbagai sumber.
Transform (T): Membersihkan, menyusun, dan mengonversi data.
Load (L): Memasukkan data ke dalam Data Warehouse.
Tugas 3: Studi Kasus ETL dalam Data Warehousing
Instruksi:
1.Pilih satu contoh implementasi ETL di dunia nyata.
2.Jelaskan bagaimana perusahaan menggunakan proses ETL untuk
mengintegrasikan data dari berbagai sumber.
Jawaban:
(Tulis analisis dalam 200-300 kata.)
4.Studi Kasus Implementasi Data Warehouse dalam Bisnis
Bacaan:
Data Warehouse digunakan di berbagai industri seperti ritel, perbankan, kesehatan,
dan pemerintahan.
Contoh: Walmart menggunakan Data Warehouse untuk analisis stok dan prediksi
permintaan pasar.
Tugas 4: Analisis Studi Kasus
Instruksi:
1.Cari dan pilih satu studi kasus nyata tentang penggunaan Data Warehouse.
2.Jelaskan bagaimana teknologi ini diterapkan dan manfaat yang diperoleh.
Jawaban:
(Tulis analisis dalam 200-300 kata.)
5.Eksperimen Data Warehousing dengan SQL/Python/Pentaho
Bacaan:
42

43. SQL (Structured Query Language) digunakan untuk mengakses data dari Data
Warehouse.
Python (Pandas, SQLAlchemy) dapat digunakan untuk analisis data.
Pentaho Data Integration adalah tool populer untuk ETL.
Tugas 5: Praktik Implementasi Data Warehousing
Instruksi:
1.Pilih salah satu eksperimen berikut:
oSQL Query: Gunakan perintah SQL untuk mengekstrak informasi dari Data
Warehouse (contoh: SELECT, GROUP BY, JOIN).
oETL dengan Pentaho: Lakukan proses ekstraksi, transformasi, dan loading
menggunakan Pentaho Data Integration.
oPython (Pandas & SQLAlchemy): Ambil data dari Data Warehouse dan
lakukan analisis sederhana.
2.Simpan dan unggah file hasil eksperimen dalam format screenshot atau file
SQL/Python.
Jawaban:
(Upload file SQL, Python script, atau screenshot hasil eksperimen.)
6.Tantangan dan Masa Depan Data Warehousing
Bacaan:
Tantangan Data Warehouse: Integrasi data yang kompleks, skalabilitas, dan
keamanan.
Masa depan Data Warehouse: Cloud Data Warehouse (Snowflake, Google
BigQuery), Real-Time Analytics, dan AI-driven BI.
Tugas 6: Diskusi Kelompok
Instruksi:
1.Bentuk kelompok kecil (3-5 orang).
2.Diskusikan tantangan utama dalam implementasi Data Warehouse di organisasi.
3.Sajikan hasil diskusi dalam bentuk infografis atau presentasi singkat (5 menit).
43

44. Jawaban:
(Upload presentasi atau infografis hasil diskusi.)
D.PENILAIAN
Tugas Bobot (%)
Definisi dan Perbedaan Data Warehouse vs Operational
Database
15%
Diagram Arsitektur Data WarehouseDiagram Arsitektur
Data Warehouse
15%
Studi Kasus ETL dalam Data Warehousing 15%
Analisis Studi Kasus Data Warehouse 15%
Praktik Implementasi Data Warehousing 25%
Diskusi Tantangan dan Masa Depan Data Warehouse15%
Total 100%
E.REFLEKSI
Apa wawasan baru yang Anda dapatkan dari bab ini?
Bagaimana Data Warehousing dapat membantu dalam pengambilan keputusan bisnis?
44

45. BAB 9
Business Performance Management
A.TUJUAN PEMBELAJARAN
Setelah menyelesaikan lembar kerja ini, mahasiswa diharapkan dapat:
Memahami konsep dasar Business Performance Management (BPM) dan perannya
dalam pengambilan keputusan strategis.
Menjelaskan siklus BPM dan komponennya.
Menganalisis metode pengukuran kinerja bisnis, seperti Key Performance Indicators
(KPI), Balanced Scorecard (BSC), dan Six Sigma.
Mengevaluasi implementasi BPM dalam berbagai industri melalui studi kasus.
Melakukan eksperimen menggunakan Microsoft Excel, Power BI, atau Tableau untuk
analisis kinerja bisnis berdasarkan KPI.
B.PENGANTAR MATERI
Business Performance Management (BPM) adalah pendekatan sistematis untuk mengukur,
memantau, dan meningkatkan kinerja organisasi melalui analisis data dan strategi yang
terstruktur. BPM membantu perusahaan dalam pengambilan keputusan berbasis data untuk
mencapai tujuan bisnis yang lebih baik.
C.KEGIATAN BELAJAR
1.Konsep Dasar Business Performance Management (BPM)
Bacaan:
BPM berfungsi untuk menyelaraskan strategi, operasional, dan pengukuran
kinerja dalam organisasi.
BPM terdiri dari tiga komponen utama: perencanaan strategis, pemantauan
kinerja, dan pengambilan keputusan berbasis data.
45

46. Tugas 1: Definisi dan Komponen BPM
Instruksi:
1.Jelaskan tiga komponen utama BPM dalam tabel berikut:
Komponen BPM Definisi Contoh Implementasi
Perencanaan
Strategis
Pemantauan
Kinerja
Pengambilan
Keputusan
2.Siklus BPM
Bacaan:
Siklus BPM terdiri dari strategi, perencanaan, pemantauan, analisis, dan
tindakan korektif.
Tugas 2: Diagram Siklus BPM
Instruksi:
1.Gambarkan diagram siklus BPM beserta tahapan utamanya.
2.Berikan penjelasan singkat mengenai peran setiap tahapan dalam meningkatkan
kinerja bisnis.
Jawaban:
(Upload gambar diagram atau buat dengan tools seperti Lucidchart, PowerPoint, atau
Canva.)
3.Pengukuran Kinerja: KPI, Balanced Scorecard, dan Six Sigma
Bacaan:
46

47. Key Performance Indicators (KPI): Metode kuantitatif untuk mengukur
keberhasilan bisnis.
Balanced Scorecard (BSC): Pendekatan strategis yang menilai kinerja dari empat
perspektif: keuangan, pelanggan, proses bisnis, dan pembelajaran.
Six Sigma: Metode untuk meningkatkan efisiensi dan mengurangi kesalahan dalam
operasional bisnis.
Tugas 3: Studi Kasus Pengukuran Kinerja
Instruksi:
1.Pilih salah satu metode pengukuran kinerja (KPI, BSC, atau Six Sigma).
2.Jelaskan bagaimana metode tersebut diterapkan di dunia bisnis dan dampaknya
terhadap peningkatan kinerja perusahaan.
Jawaban:
(Tulis analisis dalam 200-300 kata.)
4.Studi Kasus Implementasi BPM dalam Bisnis
Bacaan:
BPM digunakan dalam berbagai industri seperti perbankan, manufaktur, dan e-
commerce.
Contoh: Amazon menggunakan BPM untuk mengoptimalkan rantai pasokan
dan meningkatkan pengalaman pelanggan.
Tugas 4: Analisis Studi Kasus BPM
Instruksi:
1.Cari dan pilih satu studi kasus nyata terkait penggunaan BPM.
2.Jelaskan bagaimana BPM diterapkan dan hasil yang diperoleh.
Jawaban:
(Tulis analisis dalam 200-300 kata.)
5.Eksperimen Analisis Kinerja dengan Excel, Power BI, atau Tableau
Bacaan:
Microsoft Excel: Digunakan untuk menganalisis KPI dan membuat laporan kinerja.
47

48. Power BI/Tableau: Digunakan untuk visualisasi data kinerja bisnis.
Tugas 5: Praktik Analisis Kinerja Bisnis
Instruksi:
1.Pilih salah satu eksperimen berikut:
oExcel: Buat laporan KPI dengan grafik tren kinerja.
oPower BI/Tableau: Visualisasikan KPI bisnis berdasarkan dataset yang
tersedia.
2.Simpan dan unggah file hasil analisis dalam format screenshot atau file
Excel/Power BI/Tableau.
Jawaban:
(Upload file hasil eksperimen.)
6.Tantangan dan Masa Depan BPM
Bacaan:
Tantangan BPM: Integrasi data, resistensi terhadap perubahan, dan
pengambilan keputusan berbasis real-time.
Masa depan BPM: AI-driven BPM, prediktif analytics, dan otomatisasi
pengukuran kinerja.
Tugas 6: Diskusi Kelompok
Instruksi:
1.Bentuk kelompok kecil (3-5 orang).
2.Diskusikan tantangan dan tren masa depan BPM dalam organisasi.
3.Sajikan hasil diskusi dalam bentuk infografis atau presentasi singkat (5 menit).
Jawaban:
(Upload presentasi atau infografis hasil diskusi.)
D.PENILAIAN
Tugas Bobot (%)
Definisi dan Komponen BPM 15%
Diagram Siklus BPM 15%
48

49. Studi Kasus Pengukuran Kinerja 15%
Analisis Studi Kasus BPM 15%
Praktik Analisis Kinerja dengan Excel,
Power BI, atau Tableau
25%
Diskusi Tantangan dan Masa Depan BPM15%
Total 100%
E.REFLEKSI
Apa wawasan baru yang Anda dapatkan dari bab ini?
Bagaimana BPM dapat membantu dalam meningkatkan kinerja bisnis?
49

50. BAB 10
Collaborative Computer-Supported Technologies and
Group Support Systems
A.TUJUAN PEMBELAJARAN
Setelah menyelesaikan lembar kerja ini, mahasiswa diharapkan dapat:
Memahami konsep dasar Collaborative Computer-Supported Technologies dan Group
Support Systems (GSS).
Menjelaskan peran teknologi dalam mendukung kolaborasi dan pengambilan keputusan
kelompok.
Menganalisis berbagai alat dan platform Computer-Supported Cooperative Work
(CSCW).
Mengevaluasi manfaat dan tantangan dalam implementasi GSS di lingkungan bisnis.
Melakukan eksperimen menggunakan Google Workspace, Microsoft Teams, atau Miro
untuk mensimulasikan kerja kelompok berbasis teknologi.
B.PENGANTAR MATERI
Teknologi pendukung kolaborasi (Collaborative Computer-Supported Technologies)
digunakan untuk meningkatkan efisiensi komunikasi dan kerja tim, baik dalam organisasi
maupun proyek. Group Support Systems (GSS) adalah sistem berbasis teknologi yang
dirancang untuk mendukung pengambilan keputusan dalam kelompok, termasuk fitur seperti
brainstorming, voting, dan real-time document collaboration.
C.KEGIATAN BELAJAR
1.Konsep Dasar Collaborative Technologies dan GSS
Bacaan:
50

51. Collaborative Technologies membantu individu dalam organisasi bekerja sama
melalui alat digital.
Group Support Systems (GSS) mendukung pengambilan keputusan kelompok dengan
fitur seperti diskusi virtual, polling, dan berbagi dokumen.
Tugas 1: Definisi dan Komponen GSS
Instruksi:
1.Jelaskan konsep dasar Collaborative Technologies dan Group Support Systems.
2.Identifikasi tiga manfaat utama dari penggunaan GSS dalam organisasi.
Aspek Collaborative TechnologiesGroup Support Systems
Definisi
Tujuan
Contoh Penggunaan
2.Jenis dan Platform Collaborative Technologies
Bacaan:
Synchronous Collaboration: Kolaborasi waktu nyata (contoh: Zoom, Microsoft
Teams, Google Docs).
Asynchronous Collaboration: Kolaborasi tidak langsung (contoh: Email, Trello,
Slack).
Tugas 2: Studi Kasus Platform Kolaboratif
Instruksi:
1.Pilih satu alat kolaborasi berbasis teknologi (Google Workspace, Microsoft Teams,
Slack, Miro, atau lainnya).
2.Jelaskan bagaimana alat tersebut digunakan dalam mendukung kerja tim dan
pengambilan keputusan.
51

52. Jawaban:
(Tulis analisis dalam 200-300 kata.)
3.Peran GSS dalam Pengambilan Keputusan Kelompok
Bacaan:
GSS membantu kelompok dalam mengambil keputusan dengan fitur seperti
brainstorming online, voting, dan consensus building.
Tugas 3: Analisis Penggunaan GSS dalam Keputusan Kelompok
Instruksi:
1.Pilih satu skenario bisnis di mana GSS digunakan untuk membantu pengambilan
keputusan kelompok (contoh: rapat strategis perusahaan, diskusi kebijakan, atau
proyek tim).
2.Jelaskan bagaimana GSS membantu dalam proses pengambilan keputusan dan hasil
yang diperoleh.
Jawaban:
(Tulis analisis dalam 200-300 kata.)
4.Studi Kasus Implementasi GSS dalam Bisnis
Bacaan:
GSS digunakan dalam berbagai industri, termasuk perbankan, pendidikan, dan
manajemen proyek.
Tugas 4: Analisis Studi Kasus
Instruksi:
1.Pilih satu studi kasus nyata terkait implementasi GSS dalam suatu organisasi.
2.Jelaskan bagaimana teknologi ini diterapkan dan manfaat yang diperoleh organisasi.
Jawaban:
(Tulis analisis dalam 200-300 kata.)
5.Eksperimen Kolaborasi Online dengan Google Workspace / Microsoft Teams / Miro
52

53. Bacaan:
Alat kolaborasi digital seperti Google Docs, Microsoft Teams, dan Miro dapat
digunakan untuk simulasi kerja tim berbasis teknologi.
Tugas 5: Simulasi Kolaborasi Online
Instruksi:
1.Bentuk kelompok kecil (3-5 orang).
2.Pilih salah satu alat berikut untuk melakukan kerja kelompok:
oGoogle Docs/Sheets: Buat dokumen kolaboratif bersama.
oMicrosoft Teams: Lakukan diskusi dan voting secara online.
oMiro: Gunakan whiteboard digital untuk brainstorming ide.
3.Simpan dan unggah screenshot hasil kerja tim.
Jawaban:
(Upload screenshot atau tautan ke dokumen kolaboratif.)
6.Tantangan dan Masa Depan GSS dalam Bisnis
Bacaan:
Tantangan GSS: Integrasi teknologi, keamanan data, dan keterbatasan adopsi
pengguna.
Masa depan GSS: AI-driven collaboration, augmented reality meetings, dan
smart decision-making tools.
Tugas 6: Diskusi Kelompok
Instruksi:
1.Bentuk kelompok kecil (3-5 orang).
2.Diskusikan tantangan utama dan tren masa depan GSS dalam organisasi.
3.Sajikan hasil diskusi dalam bentuk infografis atau presentasi singkat (5 menit).
Jawaban:
(Upload presentasi atau infografis hasil diskusi.)
53

54. D.PENILAIAN
Tugas Bobot (%)
Definisi dan Komponen GSS 15%
Studi Kasus Platform Kolaboratif15%
Analisis Penggunaan GSS dalam
Keputusan Kelompok
15%
Analisis Studi Kasus Implementasi GSS15%
Simulasi Kolaborasi Online dengan
Google Workspace / Microsoft Teams /
Miro
25%
Diskusi Tantangan dan Masa Depan
GSS
15%
Total 100%
E.REFLEKSI
Apa wawasan baru yang Anda dapatkan dari bab ini?
Bagaimana teknologi kolaboratif dapat meningkatkan efektivitas kerja tim dalam
organisasi?
54

55. BAB 11
Knowledge Management
A. TUJUAN PEMBELAJARAN
Setelah menyelesaikan lembar kerja ini, mahasiswa diharapkan dapat:
Memahami konsep dasar Knowledge Management (KM) dan perannya dalam organisasi.
Menjelaskan siklus manajemen pengetahuan dan perbedaan antara Tacit Knowledge dan
Explicit Knowledge.
Menganalisis teknologi dan sistem yang digunakan dalam implementasi KM.
Mengevaluasi studi kasus penerapan KM dalam berbagai industri.
Melakukan simulasi atau eksperimen menggunakan Google Drive, Microsoft
SharePoint, atau Wiki sebagai alat berbagi dan manajemen pengetahuan dalam
kelompok.
B. PENGANTAR MATERI
Knowledge Management (KM) adalah proses pengelolaan, penyimpanan, dan distribusi
pengetahuan dalam organisasi untuk meningkatkan kinerja dan pengambilan keputusan. KM
membantu organisasi dalam mengelola informasi yang berharga, meningkatkan inovasi, dan
memastikan bahwa pengalaman serta wawasan dapat digunakan secara optimal oleh
karyawan dan pemangku kepentingan lainnya.
C. KEGIATAN BELAJAR
1.Konsep Dasar Knowledge Management
Bacaan:
Knowledge Management adalah proses sistematis dalam mengelola pengetahuan
organisasi.
Dua jenis utama pengetahuan:
55

56. oTacit Knowledge: Pengetahuan yang bersifat subjektif dan sulit
didokumentasikan (misalnya, pengalaman individu).
oExplicit Knowledge: Pengetahuan yang dapat dikodekan, disimpan, dan
dibagikan (misalnya, dokumen, prosedur, manual).
Tugas 1: Identifikasi Tacit dan Explicit Knowledge
Instruksi:
1.Jelaskan perbedaan antara Tacit Knowledge dan Explicit Knowledge dalam tabel
berikut:
Aspek Tacit Knowledge Explicit Knowledge
Definisi
Contoh
Cara Penyebaran
2.Siklus Knowledge Management
Bacaan:
Siklus KM terdiri dari Knowledge Creation, Storage, Sharing, dan Application.
KM membantu organisasi dalam menghindari hilangnya pengetahuan akibat
pergantian karyawan atau perubahan bisnis.
Tugas 2: Diagram Siklus Knowledge Management
Instruksi:
1.Gambarkan siklus Knowledge Management yang mencakup tahap pembuatan,
penyimpanan, distribusi, dan penerapan pengetahuan.
2.Berikan contoh bagaimana siklus ini diterapkan dalam suatu organisasi.
Jawaban:
(Upload gambar diagram atau buat dengan tools seperti Lucidchart, PowerPoint, atau
Canva.)
56

57. 3.Teknologi dan Sistem dalam Knowledge Management
Bacaan:
Sistem KM mencakup teknologi seperti Document Management Systems, Wikis,
Artificial Intelligence (AI), dan Enterprise Knowledge Portals.
Tugas 3: Studi Kasus Teknologi KM
Instruksi:
1.Pilih salah satu teknologi KM (Wiki, AI-driven KM, SharePoint, atau lainnya).
2.Jelaskan bagaimana teknologi tersebut membantu organisasi dalam mengelola dan
berbagi pengetahuan.
Jawaban:
(Tulis analisis dalam 200-300 kata.)
4.Studi Kasus Implementasi Knowledge Management dalam Bisnis
Bacaan:
Banyak perusahaan menggunakan KM untuk mengoptimalkan pelatihan karyawan,
pengelolaan data pelanggan, dan inovasi bisnis.
Contoh: NASA menggunakan KM untuk menyimpan dan berbagi pengalaman
misi luar angkasa.
Tugas 4: Analisis Studi Kasus KM
Instruksi:
1.Pilih satu studi kasus nyata tentang implementasi KM dalam organisasi.
2.Jelaskan bagaimana KM diterapkan dan dampaknya terhadap organisasi tersebut.
Jawaban:
(Tulis analisis dalam 200-300 kata.)
57

58. 5.Simulasi Knowledge Sharing dengan Google Drive, SharePoint, atau Wiki
Bacaan:
Platform seperti Google Drive, Microsoft SharePoint, dan Wiki sering digunakan
untuk berbagi dan mengelola pengetahuan dalam organisasi.
Tugas 5: Praktik Manajemen Pengetahuan dalam Kelompok
Instruksi:
1.Bentuk kelompok kecil (3-5 orang).
2.Pilih salah satu alat berikut untuk berbagi pengetahuan dalam kelompok:
oGoogle Drive: Buat folder berbagi dengan dokumen penting terkait suatu
proyek.
oMicrosoft SharePoint: Gunakan untuk mendokumentasikan dan berbagi
informasi kelompok.
oWiki (MediaWiki, Notion, Confluence, atau lainnya): Buat halaman
informasi yang berisi materi kuliah atau topik penelitian.
3.Simpan dan unggah tautan atau screenshot dari hasil kerja kelompok.
Jawaban:
(Upload file atau screenshot hasil eksperimen.)
6.Tantangan dan Masa Depan Knowledge Management
Bacaan:
Tantangan utama KM: Kesulitan dalam mendokumentasikan Tacit Knowledge,
resistensi karyawan, dan keamanan data.
Masa depan KM: AI-driven knowledge management, blockchain untuk
keamanan data, dan penggunaan chatbot sebagai pusat informasi.
Tugas 6: Diskusi Kelompok
Instruksi:
1.Bentuk kelompok kecil (3-5 orang).
58

59. 2.Diskusikan tantangan utama dan tren masa depan dalam Knowledge
Management.
3.Sajikan hasil diskusi dalam bentuk infografis atau presentasi singkat (5 menit).
Jawaban:
(Upload presentasi atau infografis hasil diskusi.)
D. PENILAIAN
Tugas Bobot (%)
Identifikasi Tacit dan Explicit Knowledge 15%
Diagram Siklus Knowledge Management 15%
Studi Kasus Teknologi KM 15%
Analisis Studi Kasus Knowledge Management 15%
Praktik Knowledge Sharing dengan Google Drive, SharePoint,
atau Wiki
25%
Diskusi Tantangan dan Masa Depan Knowledge Management15%
Total 100%
E. REFLEKSI
Apa wawasan baru yang Anda dapatkan dari bab ini?
Bagaimana Knowledge Management dapat membantu organisasi dalam
meningkatkan efisiensi dan inovasi?
59

60. BAB 12
Artificial Intelligence and Expert Systems
A. TUJUAN PEMBELAJARAN
Setelah menyelesaikan lembar kerja ini, mahasiswa diharapkan dapat:
Memahami konsep dasar Artificial Intelligence (AI) dan Expert Systems (ES).
Menjelaskan komponen utama AI dan ES serta bagaimana sistem ini bekerja.
Menganalisis penerapan AI dan ES dalam bisnis dan industri.
Mengevaluasi perbedaan antara sistem berbasis aturan (rule-based) dan sistem berbasis
pembelajaran (learning-based).
Melakukan eksperimen sederhana menggunakan Python (Expert System dengan
CLIPS/PyKnow atau Machine Learning dengan Scikit-Learn/TensorFlow).
B. PENGANTAR MATERI
Artificial Intelligence (AI) adalah cabang ilmu komputer yang berfokus pada pembuatan
sistem yang dapat berpikir dan mengambil keputusan seperti manusia. Salah satu bentuk AI
adalah Expert Systems (ES), yang dirancang untuk memberikan saran dan keputusan
berdasarkan basis pengetahuan tertentu.
C. KEGIATAN BELAJAR
1.Konsep Dasar AI dan Expert Systems
Bacaan:
Artificial Intelligence (AI) mencakup berbagai teknologi seperti Machine Learning,
Neural Networks, dan Natural Language Processing (NLP).
Expert Systems (ES) adalah sistem berbasis aturan yang dirancang untuk
menyelesaikan masalah dalam domain tertentu, mirip dengan seorang pakar manusia.
Tugas 1: Definisi dan Perbedaan AI dan ES
Instruksi:
60

61. 1.Jelaskan konsep dasar AI dan ES.
2.Buat tabel perbandingan antara AI dan ES berdasarkan karakteristik berikut:
Aspek Artificial Intelligence (AI)Expert Systems (ES)
Definisi
Cara Kerja
Kelebihan
Kekurangan
Contoh Implementasi
2.Komponen dan Cara Kerja Expert Systems
Bacaan:
Komponen utama ES:
1.Knowledge Base: Berisi fakta dan aturan.
2.Inference Engine: Mesin yang memproses aturan dan data untuk mengambil
keputusan.
3.User Interface: Antarmuka yang memungkinkan interaksi dengan pengguna.
Tugas 2: Diagram Arsitektur Expert System
Instruksi:
1.Gambarkan diagram arsitektur Expert System yang menunjukkan hubungan antara
Knowledge Base, Inference Engine, dan User Interface.
2.Jelaskan fungsi masing-masing komponen dalam sistem.
Jawaban:
(Upload gambar diagram atau buat dengan tools seperti Lucidchart, PowerPoint, atau
Canva.)
3.Studi Kasus Implementasi AI dan Expert Systems dalam Bisnis
Bacaan:
61

62. AI digunakan dalam berbagai bidang seperti perbankan (fraud detection), kesehatan
(diagnosis otomatis), dan e-commerce (rekomendasi produk).
Expert Systems digunakan dalam sistem konsultasi medis, sistem peramalan
keuangan, dan manajemen pemeliharaan industri.
Tugas 3: Studi Kasus AI dan Expert Systems
Instruksi:
1.Pilih satu studi kasus nyata tentang penggunaan AI atau Expert System dalam suatu
industri.
2.Jelaskan bagaimana sistem tersebut diterapkan dan manfaat yang diperoleh.
Jawaban:
(Tulis analisis dalam 200-300 kata.)
4.Eksperimen Expert System dengan CLIPS/PyKnow atau Machine Learning dengan
Python
Bacaan:
CLIPS dan PyKnow digunakan untuk membangun Expert Systems berbasis aturan.
Scikit-Learn/TensorFlow digunakan untuk membangun model Machine Learning
berbasis AI.
Tugas 4: Implementasi Sederhana Expert System atau AI
Instruksi:
1.Pilih salah satu eksperimen berikut:
oExpert System dengan CLIPS/PyKnow: Buat sistem pakar sederhana untuk
diagnosis penyakit atau rekomendasi produk.
oMachine Learning dengan Python (Scikit-Learn/TensorFlow): Bangun
model sederhana untuk klasifikasi data (misalnya: klasifikasi email spam atau
analisis sentimen).
2.Jalankan program dan simpan hasilnya dalam format screenshot atau file Python.
62

63. Jawaban:
(Upload file kode atau screenshot hasil eksperimen.)
5.Tantangan dan Masa Depan AI dan Expert Systems
Bacaan:
Tantangan utama AI dan ES: Keakuratan sistem, interpretabilitas hasil, dan etika
penggunaan AI.
Masa depan AI dan ES: AI generatif, Explainable AI (XAI), dan pengembangan
sistem pakar berbasis AI yang lebih cerdas.
Tugas 5: Diskusi Kelompok
Instruksi:
1.Bentuk kelompok kecil (3-5 orang).
2.Diskusikan tantangan dan tren masa depan AI dan Expert Systems dalam dunia
bisnis dan industri.
3.Sajikan hasil diskusi dalam bentuk infografis atau presentasi singkat (5 menit).
Jawaban:
(Upload presentasi atau infografis hasil diskusi.)
D. PENILAIAN
Tugas Bobot (%)
Definisi dan Perbedaan AI vs Expert
Systems
15%
Diagram Arsitektur Expert System 15%
Studi Kasus Implementasi AI dan Expert
Systems
20%
Eksperimen Expert System atau Machine
Learning dengan Python
30%
Diskusi Tantangan dan Masa Depan AI dan
Expert Systems
20%
63

64. Total 100%
E. REFLEKSI
Apa wawasan baru yang Anda dapatkan dari bab ini?
Bagaimana AI dan Expert Systems dapat meningkatkan efisiensi pengambilan keputusan
dalam bisnis?
64

65. BAB 13
Advanced Intelligent Systems
A. TUJUAN PEMBELAJARAN
Setelah menyelesaikan lembar kerja ini, mahasiswa diharapkan dapat:
Memahami konsep Advanced Intelligent Systems (AIS) dan aplikasinya dalam bisnis.
Menjelaskan berbagai teknologi canggih dalam AIS seperti Fuzzy Logic, Genetic
Algorithm (GA), Swarm Intelligence, dan Hybrid Intelligent Systems.
Menganalisis implementasi AIS dalam pengambilan keputusan bisnis.
Melakukan eksperimen sederhana menggunakan Python (Fuzzy Logic dengan SciKit-
Fuzzy, Genetic Algorithm dengan DEAP, atau Swarm Intelligence dengan
Pyswarm).
B. PENGANTAR MATERI
Advanced Intelligent Systems (AIS) adalah pengembangan dari kecerdasan buatan (AI) yang
menggunakan pendekatan canggih untuk menyelesaikan masalah kompleks dalam
pengambilan keputusan bisnis. Beberapa teknik utama dalam AIS meliputi Fuzzy Logic,
Genetic Algorithm, Swarm Intelligence, dan Hybrid Intelligent Systems.
C. KEGIATAN BELAJAR
1.Konsep Dasar Advanced Intelligent Systems
Bacaan:
AIS menggabungkan teknologi AI dengan pendekatan canggih seperti Fuzzy Logic,
Neural Networks, Evolutionary Algorithms, dan Multi-Agent Systems.
AIS sering digunakan dalam optimasi bisnis, pengambilan keputusan yang kompleks,
dan analisis prediktif.
Tugas 1: Definisi dan Contoh AIS
Instruksi:
65

66. 1.Jelaskan konsep dasar AIS.
2.Berikan satu contoh aplikasi AIS dalam dunia bisnis.
Jawaban:
(Tulis analisis dalam 200-300 kata.)
2.Teknologi dalam Advanced Intelligent Systems
Bacaan:
Fuzzy Logic: Digunakan untuk menangani ketidakpastian dalam pengambilan
keputusan.
Genetic Algorithm (GA): Teknik optimasi berbasis evolusi.
Swarm Intelligence: Algoritma berbasis perilaku kelompok seperti Ant Colony
Optimization (ACO) dan Particle Swarm Optimization (PSO).
Hybrid Intelligent Systems: Kombinasi beberapa metode AI untuk meningkatkan
efisiensi dan akurasi.
Tugas 2: Studi Kasus Teknologi AIS
Instruksi:
1.Pilih salah satu teknologi dalam AIS (Fuzzy Logic, GA, Swarm Intelligence, atau
Hybrid Intelligent Systems).
2.Jelaskan bagaimana teknologi tersebut digunakan dalam bisnis atau industri tertentu.
Jawaban:
(Tulis analisis dalam 200-300 kata.)
3.Studi Kasus Implementasi AIS dalam Bisnis
Bacaan:
Fuzzy Logic digunakan dalam sistem kontrol otomatis seperti dalam industri
otomotif dan keuangan.
66

67. Genetic Algorithm digunakan dalam optimasi logistik dan perencanaan
produksi.
Swarm Intelligence diterapkan dalam optimasi jaringan komputer dan
perdagangan saham.
Tugas 3: Analisis Studi Kasus
Instruksi:
1.Pilih satu studi kasus nyata terkait penggunaan AIS dalam bisnis.
2.Jelaskan bagaimana teknologi AIS diterapkan dan manfaat yang diperoleh.
Jawaban:
(Tulis analisis dalam 200-300 kata.)
4.Eksperimen AIS dengan Python (Fuzzy Logic, GA, atau Swarm Intelligence)
Bacaan:
SciKit-Fuzzy digunakan untuk membangun sistem berbasis Fuzzy Logic.
DEAP (Distributed Evolutionary Algorithms in Python) digunakan untuk
implementasi Genetic Algorithm.
Pyswarm digunakan untuk simulasi Swarm Intelligence.
Tugas 4: Implementasi Sederhana AIS
Instruksi:
1.Pilih salah satu eksperimen berikut:
oFuzzy Logic dengan SciKit-Fuzzy: Buat sistem fuzzy sederhana untuk
menentukan risiko kredit pelanggan.
oGenetic Algorithm dengan DEAP: Optimasi fungsi matematika sederhana
dengan GA.
oSwarm Intelligence dengan Pyswarm: Simulasikan optimasi jalur menggunakan
Particle Swarm Optimization (PSO).
2.Jalankan program dan simpan hasilnya dalam format screenshot atau file Python.
Jawaban:
(Upload file kode atau screenshot hasil eksperimen.)
67

68. 5.Tantangan dan Masa Depan Advanced Intelligent Systems
Bacaan:
Tantangan utama AIS: Kompleksitas algoritma, interpretabilitas hasil, dan
kebutuhan komputasi tinggi.
Masa depan AIS: AI adaptif, quantum computing, dan integrasi AI dengan IoT.
Tugas 5: Diskusi Kelompok
Instruksi:
1.Bentuk kelompok kecil (3-5 orang).
2.Diskusikan tantangan dan tren masa depan dalam AIS.
3.Sajikan hasil diskusi dalam bentuk infografis atau presentasi singkat (5 menit).
Jawaban:
(Upload presentasi atau infografis hasil diskusi.)
D. PENILAIAN
Tugas Bobot (%)
Definisi dan Contoh AIS 15%
Studi Kasus Teknologi AIS 15%
Analisis Studi Kasus AIS dalam Bisnis20%
Eksperimen AIS dengan Python 30%
Diskusi Tantangan dan Masa Depan AIS20%
Total 100%
E. REFLEKSI
Apa wawasan baru yang Anda dapatkan dari bab ini?
Bagaimana AIS dapat meningkatkan efisiensi dan inovasi dalam pengambilan
keputusan bisnis?
68

69. 69

70. BAB 14
Management Support Systems – Emerging Trends and Impacts
A. TUJUAN PEMBELAJARAN
Setelah menyelesaikan lembar kerja ini, mahasiswa diharapkan dapat:
Memahami konsep Management Support Systems (MSS) dan perkembangannya.
Mengidentifikasi tren terbaru dalam teknologi pendukung manajemen, seperti Cloud
Computing, Big Data Analytics, Artificial Intelligence (AI), dan Internet of Things (IoT).
Menganalisis dampak MSS terhadap pengambilan keputusan dan strategi bisnis.
Mengevaluasi tantangan dalam penerapan MSS di organisasi.
Melakukan eksperimen sederhana menggunakan Power BI, Google Data Studio, atau
Tableau untuk analisis data dalam mendukung keputusan manajemen.
B. PENGANTAR MATERI
Management Support Systems (MSS) adalah sistem berbasis teknologi yang digunakan untuk
membantu pengambilan keputusan di tingkat manajemen. Seiring perkembangan teknologi,
MSS telah beradaptasi dengan tren terbaru seperti Big Data, Cloud Computing, AI, dan IoT
untuk meningkatkan efisiensi dan akurasi pengambilan keputusan dalam organisasi.
C. KEGIATAN BELAJAR
1.Konsep Management Support Systems (MSS)
Bacaan:
MSS terdiri dari berbagai sistem seperti Decision Support Systems (DSS), Executive
Information Systems (EIS), dan Business Intelligence (BI).
Teknologi terbaru seperti Cloud Computing, Big Data, dan AI semakin memperkuat
MSS.
Tugas 1: Identifikasi Komponen MSS
Instruksi:
1.Jelaskan tiga komponen utama dalam MSS dan bagaimana masing-masing berkontribusi
terhadap pengambilan keputusan.
70

71. Komponen MSS Definisi Contoh Implementasi
Decision Support Systems
(DSS)
Executive Information
Systems (EIS)
Business Intelligence (BI)
2.Tren Teknologi dalam Management Support Systems
Bacaan:
Cloud Computing memungkinkan penyimpanan dan akses data secara fleksibel.
Big Data Analytics membantu analisis dalam skala besar untuk mendapatkan
wawasan bisnis.
AI dan Machine Learning mengotomatiskan pengambilan keputusan berbasis data.
IoT memungkinkan integrasi data dari perangkat yang saling terhubung.
Tugas 2: Studi Kasus Tren Teknologi dalam MSS
Instruksi:
1.Pilih salah satu tren teknologi dalam MSS (Cloud Computing, Big Data, AI, atau
IoT).
2.Jelaskan bagaimana teknologi tersebut digunakan dalam bisnis dan dampaknya
terhadap pengambilan keputusan.
Jawaban:
(Tulis analisis dalam 200-300 kata.)
3.Dampak MSS terhadap Strategi dan Pengambilan Keputusan
Bacaan:
MSS meningkatkan efisiensi, kecepatan, dan ketepatan pengambilan keputusan
dalam organisasi.
Contoh: Perusahaan retail menggunakan Big Data Analytics untuk
menyesuaikan stok dengan pola pembelian pelanggan.
71

72. Tugas 3: Analisis Studi Kasus MSS dalam Bisnis
Instruksi:
1.Pilih satu studi kasus nyata tentang penggunaan MSS dalam dunia bisnis.
2.Jelaskan bagaimana sistem tersebut diterapkan dan manfaat yang diperoleh
organisasi.
Jawaban:
(Tulis analisis dalam 200-300 kata.)
4.Tantangan dalam Implementasi MSS
Bacaan:
Tantangan utama MSS: Integrasi data, keamanan informasi, dan adopsi teknologi
dalam organisasi.
Solusi untuk mengatasi tantangan MSS mencakup pelatihan karyawan, investasi
dalam keamanan siber, dan penerapan strategi data governance.
Tugas 4: Identifikasi Tantangan MSS dalam Organisasi
Instruksi:
1.Identifikasi tiga tantangan utama dalam penerapan MSS.
2.Berikan solusi yang dapat diterapkan untuk mengatasi setiap tantangan tersebut.
Tantangan MSS Solusi
5.Eksperimen Visualisasi Data dengan Power BI / Google Data Studio / Tableau
Bacaan:
Power BI, Google Data Studio, dan Tableau digunakan untuk analisis dan
visualisasi data guna mendukung keputusan manajemen.
Tugas 5: Praktik Analisis dan Visualisasi Data
72

73. Instruksi:
1.Gunakan salah satu alat berikut:
oPower BI: Analisis tren data penjualan menggunakan grafik dan dashboard.
oGoogle Data Studio: Buat laporan interaktif dari dataset bisnis.
oTableau: Visualisasikan data keuangan perusahaan dalam bentuk grafik.
2.Simpan dan unggah file hasil analisis dalam format screenshot atau file Power
BI/Tableau.
Jawaban:
(Upload file atau screenshot hasil eksperimen.)
6.Masa Depan MSS: Tren dan Prediksi
Bacaan:
Masa depan MSS mencakup AI-driven decision support, otomatisasi bisnis, dan
blockchain untuk keamanan data.
Real-time Decision Support Systems menjadi semakin penting dalam industri yang
bergerak cepat seperti keuangan dan manufaktur.
Tugas 6: Diskusi Kelompok tentang Masa Depan MSS
Instruksi:
1.Bentuk kelompok kecil (3-5 orang).
2.Diskusikan bagaimana tren teknologi seperti AI, Big Data, dan IoT akan membentuk
masa depan MSS.
3.Sajikan hasil diskusi dalam bentuk infografis atau presentasi singkat (5 menit).
Jawaban:
(Upload presentasi atau infografis hasil diskusi.)
D. PENILAIAN
Tugas Bobot (%)
Identifikasi Komponen MSS 15%
Studi Kasus Tren Teknologi dalam MSS15%
73

74. Analisis Studi Kasus MSS dalam Bisnis15%
Identifikasi Tantangan MSS dalam
Organisasi
15%
Praktik Analisis dan Visualisasi Data
dengan Power BI / Google Data Studio /
Tableau
25%
Diskusi Masa Depan MSS 15%
Total 100%
E. REFLEKSI
Apa wawasan baru yang Anda dapatkan dari bab ini?
Bagaimana MSS dapat membantu organisasi dalam menghadapi tantangan bisnis di
era digital?
74