dan
SISTEM PENDUKUNG KEPUTUSAN
Oleh :
Nama
NIM
1115051041
Kelas
VIIb
Daftar Isi
Daftar Isi.................................................................................................................ii
Peta Modul..............................................................................................................iv
Daftar Tujuan Kompetensi....................................................................................v
BAB 1 Sistem Pendukung Keputusan..................................................................1
1.1
Pendahuluan..............................................................................................1
1.2
1.3
2|Page
2.5.2 Dempster-Shaper...................................................................................39
2.6 Kesimpulan..................................................................................................42
Reference................................................................................................................vi
3|Page
Peta Modul
SAW
AHP
1. SPK
WP
TOPSIS
SPK & SP
BAYES
Certainty Factor
2. SP
Dempster-Shafer
4|Page
5|Page
BAB 1
SISTEM PENDUKUNG
KEPUTUSAN
1.1 Pendahuluan
Pada dasarnya pengambilan keputusan adalah suatu pendekatan sistematis
pada suatu masalah, pengumpulan fakta-fakta, penentuan yang matang dari
alternatif yang dihadapi, dan pengambilan tindakan yang menurut perhitungan
merupakan tindakan yang paling tepat. Pembuat keputusan kerap kali dihadapkan
pada kerumitan dan lingkup pengambilan keputusan dengan data yang begitu
banyak. Untuk kepentingan itu, sebagian besar pembuat keputusan dengan
mempertimbangkan resiko manfaat/biaya, dihadapkan pada suatu keharusan
mengandalkan seperangkat sistem yang mampu memecahkan masalah secara
efisien dan efektif, yang kemudian disebut Sistem Pendukung Keputusan (SPK).
Organisasi yang bergerak di bidang produksi maupun jasa, tidak lepas dari
problematika manajemen pada umumnya. Perubahan struktur pasar, produk,
teknologi produksi, organisasi, dan yang lainnya terus terjadi sehingga
berpengaruh pada kebijaksanaan manajemen yang dijalankan. Salah satu kiat
untuk menyiasati problematika tersebut adalah dengan mengembangkan serta
meningkatkan potensi sumberdaya yang tersedia. Oleh karena itu, penempatan
dan pemanfaatan sumberdaya pada posisi yang tepat multak diperlukan. Dalam
hal ini, pengelolaan dan pendayagunaan sumberdaya secara tepat sangat berperan
karena merupakan pendekatan strategis terhadap peningkatan kinerja organisasi.
Untuk itu sangat diperlukan sebuah sistem pendukung keputusan yang efektif,
yang tidak memisahkan antara manusia, sarana/prasarana, dan sistem manajemen
secara keseluruhan agar dapat mencapai tujuan organisasi.
Proses pendukung keputusan dimulai dengan fase intelligence, dimana
kenyataan diuji dan masalahnya diidentifikasi, kemudian fase desain, yaitu suatu
model yang menggambarkan suatu system dibangun. Fase ini dengan membuat
suatu asumsi yang sederhana dengan mengacu pada peraturan-peraturan dan
1|Page
2|Page
tahapan
tahapan
pengguna
untuk
menganalisa
keadaankeadaan
keputusan.
4|Page
X ij
Max X ij
i
Min X ij
i
, jika j adalah atribut biaya (cost)
r ij =
X ij
dengan rij adalah rating kinerja ternormalisasi dari alternative Ai pada
atribut Cj dimana i=1, 2, , m dan j= 1, 2, n.
Nilai preferensi atau nilai keputusan tiap matrik (Vi) akan diberikan
sebagai:
n
V i= w j r ij
j=1
V= w * r
Dimana;
V: nilai keputusan
w : nilai bobot kepentingan
r : rating
Nilai Vi yang lebih besar menandakan bahwa alternative Ai lebih terpilih.
5|Page
kriteria-kriteria
yang
akan
dijadikan
acuan
dalam
C2 : 0.2
C3 : 0.2
C4 : 0.15
C5 : 0.15
A
L
6|Page
A1
A2
C1
0.5
0.8
C2
1
0.7
KRITERIA
C3
0.7
1
C4
0.7
0.5
C5
0.8
1
T
E
A3
A4
1
0.2
0.3
1
0.4
0.5
0.7
0.9
1
0.7
A5
0.7
0.4
0.7
R
N
A
T
I
F
Penyelesaian:
1. Ubah tabel diatas kedalam bentuk matrik
0.5 1 0.7 0.7 0.8
0.8 0.7 1 0.5 1
1 0.3 0.4 0.7 1
0.2 1 0.5 0.9 0.7
1 0.7 0.4 0.7 1
2. Lakukan Normalisasi
a. Normalisasi kriteria benefit
Gunakan rumus :
7|Page
r ij =
X ij
Max X ij
i
r 11 =
0.5
=0.5
Max(0.5 ; 0.9 ; 1 ; 0.2; 1)
r 21=
0.9
=0.9
Max(0.5 ; 0.9 ;1 ; 0.2 ; 1)
r 31=
1
=1
Max(0.5 ; 0.9 ;1 ; 0.2 ; 1)
r 41=
0.2
=0.2
Max(0.5 ; 0.9 ; 1; 0.2 ; 1)
r 51=
1
=1
Max(0.5 ; 0.9 ;1 ; 0.2 ; 1)
r 12=
1
=1
Max(1; 0.7 ; 0.3 ; 1 ; 0.7)
r 22=
0.7
=0.7
Max(1; 0.7 ; 0.3; 1 ; 0.7)
r 32 =
0.3
=0.3
Max ( 1 ; 0.7 ; 0.3 ; 1; 0.7 )
r 42=
1
=1
Max(1 ; 0.7 ; 0.3 ;1 ; 0.7)
r 52=
0.7
=0.7
Max(1; 0.7 ; 0.3 ; 1 ; 0.7)
r 13=
0.7
=0.7
Max(0.7 ; 1; 0.4 ; 0.5 ; 0.4)
r 23=
1
=1
Max(0.7 ; 1 ; 0.4 ; 0.5 ; 0.4)
r 33=
0.4
=0.4
Max ( 0.7 ; 1 ; 0.4 ; 0.5 ; 0.4 )
r 43=
0.5
=0.5
Max(0.7 ; 1 ; 0.4 ; 0.5 ; 0.4)
r 53=
0.4
=0.4
Max(0.7 ; 1; 0.4 ; 0.5 ; 0.4)
b. Normalisasi KriteriaCost
Min X ij
Gunakan Rumus: r ij = i
X ij
8|Page
r 14=
r 24=
r 34=
r 44 =
r 54=
r 15=
Min(0.8 ; 1; 1 ; 0.7 ; 1)
=0.875
0.8
r 25=
Min(0.8 ; 1; 1 ; 0.7 ; 1)
=0.7
1
r 35=
Min(0.8 ; 1; 1 ; 0.7 ; 1)
=0.7
1
r 45=
Min(0.8 ; 1; 1 ; 0.7 ; 1)
=1
0.7
r 55=
Min(0.8 ; 1; 1 ; 0.7 ; 1)
=0.7
1
][] [ ]
*
0.3
0.2
0.2
0.15
0.15
0.72835
0.835
0.6521
0.5934
0.7321
5. Penarikan kesimpulan
Berdasarkan perhitungan diatas maka diperoleh nilai keputusan dari
masing-masing alternative seperti berikut:
A1 = 0.72853
A2 = 0.835
A3 = 0.6521
A4 = 0.5934
A5 = 0.7321
Jadi setelah diranking 2 alternatif dengan nilai tertinggi yaitu A2 dan A5
direkomendasikan untuk mendapatkan posisi sebagai operator mesin.
1.5.2 Analytical Hierarchy Process (AHP)
1.5.2.1 Pengertian Analytical Hierarchy Process (AHP)
Metode AHP dikembangkan oleh Thomas L. Saaty, seorang ahli
matematika. Motode pendukung keputusan ini akan menguraikan masalah
multi faktor atau multi kriteria yang kompleks menjadi suatu hirarki
(Saragih, 2013). Hirarki didefinisikan sebagai suatu representasi dari
sebuah permasalahan yang kompleks dalam suatu struktur multilevel
dimana level pertama adalah tujuan, yang diikuti level faktor, kriteria, sub
kriteria, dan seterusnya ke bawah hingga level terakhir dari alternatif.
9|Page
Tahapan-Tahapan
Analytical
Hierarchy
Process
(AHP)
10 | P a g e
11 | P a g e
Kriteria
Desain
Irit
Kualitas
Desain
1/1
1/2
1/3
Irit
2/1
1/1
1/1.5
Kualitas
3/1
1.5/1
1/1
Desain
Ninja
Vixcion
Tiger
Ninja
1/1
1/3
1/4
Vixcion
3/1
1/1
1/2
Tiger
4/1
2/1
1/1
Irit
Ninja
Vixcion
Tiger
Ninja
1/1
4/1
3/1
Vixcion
1/4
1/1
1/2
Tiger
1/3
2/1
1/1
Kualitas
Ninja
Vixcion
Tiger
Ninja
1/1
10/1
100/1
Vixcion
1/10
1/1
10/1
Tiger
1/100
1/10
1/1
Desain
1
0.5
0.333
1.833
Menjadi:
12 | P a g e
Irit
2
1
0.667
3.667
Kualitas
3
1.5
1
5.5
Kriteria
Desain
Irit
Desain
1
2
Irit
0.5
1
Kualitas
0.333
0.667
Jumlah (s) 1.833
3.667
Principal Eigen value (lmax)
Consistency Index (CI)
Consistency Ratio (CR)
Kualita
Priority
s
3
1.5
1
5.5
(w)
0.541
0.273
0.182
0.996
3.00
0.00
0.00 %
Vector
Keterangan:
a. Jumlah (s): Penjumlahan elemen tiap baris, yaitu:
1.833= 1+0.5+0.333
3.667= 2+1+0.667
5.5
= 3+1.5+1
jumlah yang
ada
0.5
1
1.5
+
+
1
(
1.833 3.667 5.5 )
0.273=
3
13 | P a g e
0.333 0.667 1
+
+
1
(
1.833 3.667 5.5 )
0.182=
3
1
0
2
0
3
0.5
4
0.9
5
1.1
6
1.2
7
1.3
8
1.4
9
1.4
10
1.4
paling besar itu adalah prioritas utama. Jadi dalam kasus ini kriteria
desain merupakan kriteria terpenting yang diinginkan Adi baru
kemudian irit dan kualitas.
Setelah tabel prioritas kriteria selesai baru dilanjutkan dengan
membuat table penilaian masing-masing alternative.
2. Desain
Desain
Ninja
Vixcion
Tiger
Ninja
1
0.333
0.25
Vixcion
3
1
0.5
Menjadi:
14 | P a g e
Tiger
4
2
1
Desain
Ninja
Vixcion
Ninja
1
3
Vixcion
0.333
1
Tiger
0.25
0.5
Jumlah (s) 1.583
4.5
Principal Eigen value (lmax)
Consistency Index (CI)
Consistency Ratio (CR)
Tiger
4
2
1
7
Priority
Vector
(w)
0.623
0.24
0.137
1.000
3.023
0.01
2 % (diterima)
3. Irit
Irit
Ninja
Vixcion
Tiger
Ninja
1
4
3
Vixcion
0.25
1
0.5
Tiger
0.333
2
1
Menjadi:
Irit
Ninja
Vixcion
Ninja
1
0.25
Vixcion
4
1
Tiger
3
0.5
Jumlah (s) 8
1.75
Principal Eigen value (lmax)
Consistency Index (CI)
Consistency Ratio (CR)
Tiger
0.333
2
1
3.333
Priority
Vector
(w)
0.123
0.557
0.32
1.000
3.025
0.013
2.2 % (diterima)
litas
Kualitas
Ninja
Vixcion
Tiger
Kualitas
Ninja
1
10
100
Vixcion
0.1
1
10
Menjadi:
Ninja
Vixcion
Ninja
1
0.1
Vixcion
10
1
Tiger
100
10
15 | P a g e
Jumlah (s) 111
11.1
Principal Eigen value (lmax)
Consistency Index (CI)
Consistency Ratio (CR)
Tiger
0.01
0.1
1
Tiger
0.01
0.1
1
1.11
Priority
Vector
(w)
0.009
0.090
0.901
1.000
3.00
0.00
0 % (diterima)
4. K
u
a
5. Pemilihan alternatif
Setelah semua bobot diperoleh langkah terakhir yaitu penentuan
pilihan dari alternatif yang diberikan caranya bisa dengan membuat
tabel Overall composite weight sebagai berikut:
Overall composite
weight
Priorit
Desain
Irit
y
Vektor Kualitas
Composit Weight
Priority
Motor
Vector
Ninja
Kriteria
0.541 0.623
0.273 0.123
0.182 0.009
0.37226
Motor
Motor
Vixcion
Tiger
0.24
0.137
0.557
0.32
0.09
0.901
0.29828
0.32546
weighted
product
(WP)
merupakan
salah
satu
metode
hanya
saja
metode
WP terdapat
perkalian
dalam
perhitungan
menyelesaikan
16 | P a g e
suatu
permasalahan
dengan
W
W
W j=
W
W
Si= X Wij
, i=1,2,..,n
j=1
dengan
Si
Si
17 | P a g e
18 | P a g e
C1
0.75
0.50
C2
2000
1500
Kriteria
C3
18
20
C4
C5
50
40
500
450
W
W
cost
W 1=
5
5
= =0.278
5+3+ 4+ 4+2 18
W 2=
3
3
= =0.167
5+3+ 4+ 4+2 18
W 3=
4
4
=
=0.222
5+3+ 4+ 4+ 2 18
W 4=
4
4
=
=0.222
5+ 3+4 +4 +2 18
W 5=
2
2
=
=0.111
5+3+ 4+ 4+ 2 18
19 | P a g e
W j=
W
W
, jika kriteria
Si= X Wij
j=1
Si
Si
V ( A 1 )=
0.364
0.364
=
=0.531
0.364+ 0.322 0.686
V ( A 2 )=
0.322
0.322
=
=0.47
0.364+ 0.322 0.686
20 | P a g e
Solusi ideal positif didefinisikan sebagai jumlah dari seluruh nilai terbaik
yang dapat dicapai untuk setiap atribut, sedangkan solusi negatif-ideal terdiri dari
seluruh nilai terburuk yang dicapai untuk setiap atribut.
TOPSIS mempertimbangkan keduanya, jarak terhadap solusi ideal positif dan
jarak terhadap solusi ideal negatif dengan mengambil kedekatan relatif terhadap
solusi ideal positif.Berdasarkan perbandingan terhadap jarak relatifnya, susunan
prioritas alternatif bisa dicapai.
Metode ini banyak digunakan untuk menyelesaikan pengambilan keputusan
secara praktis. Hal ini disebabkan konsepnya sederhana dan mudah dipahami,
komputasinya efisien, dan memiliki kemampuan mengukur kinerja relatif dari
alternatif-alternatif keputusan.
1.5.4.2 Tahapan-tahapan TOPSIS
1. Membuat matriks keputusan yang ternormalisasi.
X
r ij = m ij
X 2 dengan i= 1, 2, , m dan j= 1, 2, , n
ij
i=1
, , y n
, y 2
= y 1
21 | P a g e
max
i
max
i
+ y ij
y i
j=1
+=
Di
Jarak antara alternatif Ai dengan solusi ideal negatif dirumuskan
sebagai:
y ij y i
j=1
=
Di
5. Menentukan nilai preferensi untuk setiap alternatif.
Rating kinerja alternatif A1 pada setiap kriteria C1 yang
ternormalisasi:
Nilai preferensi untuk setiap alternatif (Vi) diberikan sebagai berikut:
22 | P a g e
+ D+
i
Di
D+
i
V i=
1.5.4.3 Contoh Kasus TOPSIS
Suatu perusahaan di Kabupaten Karangasem ingin membangun sebuah
villa yang akan digunakan sebagai tempat untuk lokasi penginapan wisatawan
yang merupakan cabang dari villa besar di Denpasar
Ada 3 lokasi yang akan menjadi alternatif, yaitu:
A1 = Kubu,
A2 = Amlapura
A3 = Abang.
Ada 5 kriteria yang dijadikan acuan dalam pengambilan keputusan,
yaitu:
C1 = jarak dengan pantai terdekat (km),
C2 = kepadatan penduduk di sekitar lokasi (orang/km2);
C3 = jarak dari jalan raya provinsi (km);
C4 = jarak dengan fasilitas umum (km);
C5 = harga tanah untuk lokasi (x1000 Rp/m2).
Tingkat kepentingan setiap kriteria, juga dinilai dengan 1 sampai 5,
yaitu:
1 = Sangat rendah,
2 = Rendah,
3 = Cukup,
4 = Tinggi,
5 = Sangat Tinggi.
Pengambil keputusan memberikan bobot preferensi sebagai: W = (5, 3, 4,
4, 2).
23 | P a g e
C1
Kriteria
C3
C2
A1: Kubu
4
A2: Abang
3
A3: Amlapura
5
Selesaikan dengan metode TOPSIS!
4
3
4
C4
5
4
4
C5
4
5
4
Penyelesaian:
1. Menentukan matrik keputusan ternormalisasi
r ij =
X ij
X 2ij
dengan i= 1, 2, , m dan j= 1, 2, , n
i=1
r 11 =
r 21 =
r 31 =
X1
|X 21|
X1
|X 31|
X1
4
=0.5657
7.7011
3
=0.4243
7.7011
5
=0.7071
7.7011
|X 12|
X2
|X 22|
X2
|X 32|
X2
4
=0.6247
6.4031
3
=0.4685
6.4031
4
=0.6247
6.4031
24 | P a g e
|X 13|
X3
5
=0.6622
7.550
4
3
4
r 23=
r 33=
|X 13|
X3
|X 33|
X3
4
=0.5298
7.550
4
=0.5298
7.550
|X 14|
X4
|X 24|
X4
|X 34|
X4
4
=0.5298
7.550
5
=0.6622
7.550
4
=0.5298
7.550
|X 15|
X5
|X 25|
X5
|X 32|
X5
4
=0.6247
6.4031
3
=0.4685
6.4031
4
=0.6247
6.4031
Sehingga:
Alternatif
A1: Kubu
A2: Abang
A3: Amlapura
C1
0.5657
0.4243
0.7071
C2
0.6247
0.4685
0.6247
Kriteria
C3
0.6622
0.5298
0.5298
C4
0.5298
0.6622
0.5298
25 | P a g e
C5
0.6247
0.4685
0.6247
y 31=w 1 r 21=50.7071=3.5355
y 12=w 2 r 12=30.6247=1.8741
y 22=w 2 r 22=30.4685=1.4055
y 32=w 2 r 32=30.6247=1.8741
y 13=w 3 r 13=40.6622=2.6488
y 23=w 3 r 23=40.5298=2.1192
y 33=w 3 r 33=40.5298=2.1192
y 14=w4 r 14=40.5298=2.1192
y 24=w4 r 24=40.6622=2.6488
y 34=w4 r 34=40.5298=2.1192
y 15=w 5 r 15=20.6247=1.2494
y 25=w 5 r 25=20.4685=0.937
y 35=w 5 r 35=20.6247=1.2494
Sehingga menjadi:
Alternatif
A1: Kubu
A2: Abang
A3: Amlapura
C1
2.8285
2.1215
3.5355
C2
1.8741
1.4055
1.8741
Kriteria
C3
2.6488
2.1192
2.1192
C4
2.1192
2.6488
2.1192
26 | P a g e
C5
1.2494
0.937
1.2494
+ , , y n
+ , y 2
+= y 1
y2
+=max { 2.6488; 2.1192 ; 2.1192 }=2.6488
y 3
+=max { 2.1192 ; 2.6488; 2.1192 }=2.6488
y 4
+=max { 1.2494 ; 0.9370 ; 1.2494 }=1.2494
y 5
+={ 3.5355; 1.8741 ; 2.6488 ; 2.6488; 1.2494 }
A
b. Ideal negatif
, , y n
, y 2
= y 1
y2
=min { 2.6488 ; 2.1192 ; 2.1192 }=2.1192
y 3
=max {2.1192 ; 2.6488 ; 2.1192 } =2.1192
y4
=min { 1.2494 ; 0.9370 ; 1.2494 }=0.9370
y 5
27 | P a g e
j=1
+=
Di
b. Ideal Negatif
y ij y i
j=1
=
Di
28 | P a g e
D3
2
Di
D+
i
V i=
+ D+
1 =
0.8834
=5.38
1.04760.8834
D1
D +
1
V 1=
+ D+
2 =
+ D+
3 =
29 | P a g e
1.0476
=2.0224
0.52961.0476
D 2
D+
2
V 2=
0.7490
=0.97
1.52200.7490
D 3
D +
3
V 3=
30 | P a g e
P( Hi)= H =H 1+ H 2++ Hn
k=1
P ( E )= ( Hi )P ( E|Hi )
i=1
3.
P ( H |E ,e )= P ( E|Hi )P ( Hi|E )
i =1
31 | P a g e
P ( H 1 )=
H1
4
0.4
=0.25
1.6
0.2
=0.125
1.6
0.4
=0.25
1.6
0.6
=0.375
1.6
G
k=1
P ( H 2 )=
H2
4
G
k=1
P (H 3)=
H3
4
G
k=1
P ( H 4 )=
H4
4
G
k=1
P ( E ) =
k=1
P ( H 2|E ) =
P ( H 3|E )=
P ( H 4|E ) =
32 | P a g e
P
Jadi berdasarkan perhitungan dengan menggunakan metode bayes
diatas dapat disimpulkan bahwa probabilitas Aulia menderita gagal
ginjal adalah 49.28%.
1.6 Kesimpulan
Berdasarkan pemaparan materi pada modul diatas dapat ditarik beberapa
kesimpulan sebagai berikut:
1. Sistem Pendukung Keputusan adalah sebuah system yang mampu
memberikan solusi dari sebuah permasalahan untuk membantu atau
mendukung seorang manager dalam mengambil keputusan.
2. Tujuan dari dibuatnya sebuah system pendukung keputusan adalah
untuk membantu manager atau si pembuat keputusan dalam
menentukan keputusan yang cepat dan tepat.
3. Karakteristik dari system pendukung kepusan itu sendiri adalah
menyediakan dukungan untuk pengambil keputusan utamanya pada
keadaan-keadaan
semistruktur
dan
tidak
terstruktur
dengan
33 | P a g e
BAB 2
SISTEM PAKAR
2.1 Pendahuluan
Keunggulan manusia dibanding dengan makhluk lainnya terletak pada
kecerdasannya. Dengan kecerdasan manusia menguasai ilmu pengetahuan dan
teknologi. Manusia kemudian diciptakan berbagai macam karya termasuk salah
satunya adalah komputer. Dalam era komputer, peran komputer sangat besar
untuk meringankan pekerjaan manusia karena dapat mengolah data dalam jumlah
yang besar dengan tingkat ketelitian yang tinggi. Penerapan komputer juga
dilakukan pada berbagai bidang ilmu termasuk diantaranya dalam bidang
ketenaga-kerjaan. Sebagai salah satu negara yang yang sedang berkembang, sudah
tentu Indonesia membutuhkan tenaga kerja yang potensial dan memiliki kriteria
yang sesuai dengan pekerjaannya untuk mendukung perkembangan dan kemajuan
negara Indonesia.
Oleh sebab itu perusahaan membutuhkan seorang pakar yang dapat
menangani masalah dibagian-bagian perusahaan. Akan tetapi perusahaan belum
tentu dapat memakai seorang pakar karena dipandang dari segi keuangan
perusahaan maupun waktu pakar tersebut. Dengan adanya masalah diatas, maka
peranan komputer akan sangat diperlukan dalam membantu perusahaan
khususnya bagian personalia untuk mengatasi masalah tersebut. Oleh karena itu,
maka dibuatlah suatu sistem pakar untuk memudahkan perusahaan dalam
merekrut karyawan secara baik berdasarkan kriteria-kriteria yang sesuai dengan
kebutuhan perusahaan. Solusi dari permasalahan ini adalah penggunaan sistem
pakar yang berbasis komputer.
Sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan
manusia ke komputer yang dirancang untuk memodelkan kemampuan
menyelesaikan masalah seperti layaknya seorang pakar. Dengan sistem pakar ini,
orang awam pun dapat menyelesaikan masalahnya atau hanya sekedar mencari
suatu informasi berkualitas yang sebenarnya hanya dapat diperoleh dengan
34 | P a g e
bantuan para ahli di bidangnya. Sistem pakar ini juga akan dapat membantu
aktivitas para pakar sebagai asisten yang berpengalaman dan mempunyai asisten
yang berpengalaman dan mempunyai pengetahuan yang dibutuhkan. Dalam
penyusunannya, sistem pakar mengkombinasikan kaidah-kaidah penarikan
kesimpulan (inference rules) dengan basis pengetahuan tertentu yang diberikan
oleh satu atau lebih pakar dalam bidang tertentu. Kombinasi dari kedua hal
tersebut disimpan dalam komputer, yang selanjutnya digunakan dalam proses
pengambilan keputusan untuk penyelesaian masalah tertentu.
2.2 Pengertian Sistem Pakar
Pakar adalah orang yang memiliki pengetahuan, penilaian, pengalaman,
metode khusus, serta kemampuan untuk menerapkan bakat ini dalam memberi
nasihat dan memecahkan masalah. Misalnya seorang dokter, penasehat keuangan,
pakar mesin mobil, dll.
Kepakaran (expertise) adalah pengetahuan yang ekstensif (meluas) dan
spesifik yang diperoleh melalui rangkaian pelatihan, membaca, dan pengalaman.
Pengetahuan membuat pakar dapat mengambil keputusan secara lebih baik dan
lebih cepat daripada non-pakar dalam memecahkan problem yang kompleks.
Kepakaran mempunyai sifat berjenjang, pakar top memiliki pengetahuan lebih
banyak daripada pakar yunior.
Sistem Pakar adalah sistem yang berusaha mengadopsi pengetahuan
manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang
biasa dilakukan para ahli. Sistem pakar diciptakan tidak untuk menggantikan
kedudukan seorang pakar tetapi untuk memasyarakatkan pengetahuan &
pengalaman pakar tersebut. Tujuan dari sebuah sistem pakar adalah untuk
mentransfer kepakaran yang dimiliki seorang pakar kedalam komputer, dan
kemudian kepada orang lain (nonexpert). Bentuk umum sistem pakar adalah suatu
program yang dibuat berdasarkan suatu set aturan yang menganalisis informasi
(biasanya diberikan oleh pengguna suatu sistem) mengenai suatu kelas masalah
spesifik serta analisis matematis dari masalah tersebut.
Sistem Pakar memberikan banyak keuntungan bagi operasi perusahaan
dan manajer, tetapi memiliki keterbatasan significan. Artificial Intelligence
35 | P a g e
untuk
perancangan,
implementasi
dan
perawatan
(maintenance) sistem pakar relatif lebih murah dan tidak mengenal sifat
lelah/lupa dll. Hal ini berimbas pada meningkatnya produktivitas dan
kinerja perusahaan.
36 | P a g e
37 | P a g e
38 | P a g e
MB
MD
(tingkat keyakinan) (tingkat ketidakyakinan)
Demam
0.4
0.27
Bintik Merah
0.8
0.2
Penyelesaian:
1. Kita cari nilai Measure of Belief (MB) hipotesis demam berdarah
yang dipengaruhi oleh gejala (fakta) demam dan bintik merah)
MB [ H , E ] =MB [ Deman Berdarah , DemamBintik merah ]
MB [ H , E ] =MB [ H , E 1 ] + MB [ H , E 2](1MB [ H , E 1 ] )
MB [ H , E ] =0.4+0.8( 10.4 )=0.88
2. Kita cari nilai Measure of Disbelief (MD) hipotesis demam
berdarah yang dipengaruhi oleh gejala (fakta) demam dan bintik
merah)
MD [ H , E ]=MD [ Deman Berdarah, Demam Bintik merah ]
MD [ H , E ]=MD [ H , E1 ] + MD [H , E 2](1MD [ H , E 1 ] )
MB [ H , E ] =0.27+0.2( 10.27 )=0.416
39 | P a g e
3. Kita cari nilai Certain Factor (CF) hipotesis demam berdarah yang
dipengaruhi oleh gejala (fakta) demam dan bintik merah
CF [ H , E ]=CF [ Deman Berdarah, Demam Bintik merah ]
CF [ H , E ]=MB [ H , E ] MD [H , E]
CF [ H , E ]=0.880.416=0.464
Jadi berdasarkan perhitungan diatas diperoleh kesimpulan
bahwa tingkat kepastian berdasarkan fakta diatas sebesar
0.464 atau 46.4%.
2.5.2 Dempster-Shaper
2.5.2.1 Pengertian Dempster-Shaper
Teori Dempster-Shafer pertama kali diperkenalkan oleh oleh Arthur P.Dempster
and Glenn Shafer, yang melakukan percobaan ketidakpastian dengan range
probabilities daripada sebagai probabilitas tunggal. Kemudian pada tahun 1976
Shafer mempublikasikan teori Dempster pada buku yang berjudul Mathematichal
Theory of Evident. Teori Dempster-Shafer merupakan teori matematika dari
evidence. Teori tersebut dapat memberikan sebuah cara untuk menggabungkan
evidence dari beberapa sumber dan mendatangkan atau memberikan tingkat
kepercayaan (direpresentasikan melalui fungsi kepercayaan) dimana mengambil
dari seluruh evidence yang tersedia.
2.5.2.2 Tahapan-tahapan Dempster-Shafer
2.5.2.3 Contoh Kasus Dempster-Shafer
Vany mengalami gejala panas badan. Dari diagnose dokter kemungkinan
Vany menderita Flue, Demam atau Bronkitis. Tunjukkan kaitan ukuran
kepercayaan dari elemen-elemen yang ada!
1. Gejala Panas
Apabila diketahui nilai kepercayaan setelah dilakukan observasi panas
sebagai gejalan Flue, Demam dan Bronkitis adalah :
M1{F,D,B} = 0,8
M1{} = 1 0,8 = 0,2
Sehari kemudian Vany datang ke dokter lagi dengan gejala hidung
buntu.
2. Gejala 2: hidung buntu
40 | P a g e
Keterangan :
Kolom pertama berisikan semua himpinan bagian pada gejala pertama
= 0,08.
Demikian pula pada mulanya hanya dengan gejala hibung buntu,
m{A,F,D} = 0,9. Namun setelah ada gejala baru (panas) maka
m{A,F,D} = 0,18.
41 | P a g e
Dengan adanya 2 gejala tersebut, maka nilai densitas yang paling kuat
42 | P a g e
Ternyata dengan gejala baru ini karena Vany makan udang dimana Vany
alergi terhadap udang, nilai densitas yang paling tetap yaitu m5{F,D} = 0,554.
Jadi dengan tiga jenis gejala yang dialami oleh Vany, kemungkinan paling
kuat Vany terkena Flue dan Demam.
2.6 Kesimpulan
Berdasarkan pemaparan materi pada modul diatas dapat ditarik
beberapa kesimpulan sebagai berikut:
1. Sistem Pakar adalah sistem yang berusaha mengadopsi pengetahuan
manusia ke komputer, agar komputer dapat menyelesaikan masalah
seperti yang biasa dilakukan para ahli.
2. Tujuan
dari
dibuatnya
sebuah
system
pakar
adalah
43 | P a g e
Referensi
Darmanto, E., Latifah, N., & Susanti, N. (2014, April). PENERAPAN METODE
AHP (ANALYTHIC HIERARCHY PROCESS)UNTUK MENENTUKAN
KUALITAS GULA TUMBU. Jurnal SIMETRIS, 5, 75-82.
Haryanto, T. (2011, November 25). Certainty Factor (CF). Retrieved from TOTO
HARYANTO:
http://totoharyanto.staff.ipb.ac.id/2011/11/25/certainty-
factor-cf/
Riadi, M. (2013, September 13). Pengertian Sistem Pendukung Keputusan.
Retrieved
Desember
25,
2014,
from
Kajian
Pustaka:
http://www.kajianpustaka.com/2013/09/sistem-pendukung-keputusanspk.html
Saragih, S. H. (2013, August). PENERAPAN METODE ANALITYCAL
HIERARCHY PROCESS (AHP) PADA SISTEM PENDUKUNG
KEPUTUSAN. Pelita Informatika Budi Darma, IV, 82-88.
6|Page