1. Introduction –
8. MID TEST MSS Overview
9. DSS Development
(ch 6)
2. Decision Making- System
Modeling and Support (ch 2)
1
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
MSS Modeling
Elemen utama dalam DSS
Berbagai jenis model
Setiap model memiliki teknik yang berbeda
Memungkinkan adanya pengkajian ulang
untuk alternatif solusi
Seringkali sebuah DSS melibatkan Multiple
models
Trend menuju transparansi
Multidimensional modeling ditunjukkan seperti
halnya spreadsheet
MK. DSS Bambang S,S.Kom, MM, M.Kom
Simulasi
Menelusuri masalah
Mengidentifikasi alternatif solusi
Dapat berorientasi obyek
Meningkatkan proses pengambilan
keputusan
Memberikan gambaran dampak dari
alternatif keputusan
2
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
DSS Models
Algorithm-based models
Statistic-based models
Linear programming models
Graphical models
Quantitative models
Qualitative models
Simulation models
Identifikasi Masalah
Memahami dan menganalisa lingkungan
luar
Business intelligence
Mengidentifikasi variable dan hubungan
Influence diagrams
Cognitive maps
Forecasting
Ditingkatkan dengan e-commerce
Meningkatkan jumlah informasi yang
tersedia melalui teknologi
MK. DSS Bambang S,S.Kom, MM, M.Kom
3
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
Kategori Model
Static Models
Gambaran sederhana dari situasi
Single interval
Time can be rolled forward, a photo at a
time
Biasanya berulang
Steady state
Optimal operating parameters
Continuous
Unvarying
Primary tool for process design
Contoh : solusi Inventory, Banking, Pos
MK. DSS Bambang S,S.Kom, MM, M.Kom
4
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
Dynamic Model
Merepresentasikan situasi yang kerap
berubah
Time dependent
Kondisi yang beragam
Generate dan menggunakan trends
Suatu kejadian mungkin saja tak
berulang
Decision-Making
Certainty (Kepastian)
Diasumsikan sebagai knowledge utuh
Dapat mengetahui semua hasil yang
potensial
Mudah digunakan
Dapat menentukan solusi ulang dengan
mudah
Sangat kompleks
5
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
Decision-Making
Uncertainty (Ketidak pastian)
Beberapa hasil untuk setiap keputusan
Kemungkinan yang terjadi untuk setiap hasil
tidak dapat diketahui
Informasi yang tidak mencukupi
Membutuhkan resiko dan keinginan untuk
mengambil resiko
Pendekatan Pessimistic/optimistic
Decision-Making
Probabilistic Decision-Making
Keputusan yang beresiko
Probabilitas dari beberapa hasil yang
memungkinkan bisa saja terjadi
Analisa Resiko
○ Menghitung nilai untuk setiap alternatif
○ Memilih nilai terbaik
6
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
Influence Diagrams
Model disajikan dengan grafis
Menyediakan relationship framework
Menguji ketergantungan antar variabel
Semua level disajikan detail
Menunjukkan dampak perubahan
Menunjukkan what-if analysis
Influence Diagrams
Variables:
Intermediate Result atau
Decisi atau outcome
uncontrollable (intermediate atau
on final)
nty
MK. DSS Bambang S,S.Kom, MM, M.Kom
7
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
Influence Diagrams
~
Random Demand
Sales
(risk)
Sleep all
Place tilde above day
variable’s name
Graduate Get job
Preference University
(double line arrow) Ski all
day
8
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
9
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
Decision Tables
Analisa keputusan untuk multi kriteria
Meliputi:
Decision variables (alternatif)
Uncontrollable variables (Variabel tak
terkontrol)
Result variables (Variabel Hasil)
Menerapkan prinsip-prinsip certainty,
uncertainty, and risk
Decision Tree
Penggambaran dari beberapa hubungan
Pendekatan multi kriteria
Menunjukkan hubungan yang kompleks
Tidak praktis, bila terlalu banyak
alternatif
10
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
Nonquantitative models
Hubungan Simbolis
Hubungan Kualitatif
Hasil akan tergantung pada
○ Keputusan yang dipilih
○ Faktor-faktor diluar kemampuan decision
maker
○ Hubungan antar variabel
11
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
12
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
QUIZ
Purchasing
Penjualan
Mathematical Programming
Tools untuk menyelesaikan masalah
manajerial
Decision-maker harus mengalokasikan
sumber daya
Optimisasi tujuan tertentu
Linear programming
Terdiri dari decision variables, objective function
and coefficients, uncontrollable variables
(constraints), capacities, input and output
coefficients
13
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
Multiple Goals
Seringkali manajemen menginginkan
tujuan yang dapat saling menimbulkan
konflik
Sulit menentukan ukuran efektifitas
Metode Penanganan:
Utility theory
Goal programming
Linear programming with goals as constraints
Point system
14
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
Search Approaches
Teknik Analisis (algoritma) untuk masalah
terstruktur
General, step-by-step search
Mencapai solusi yang optimal
Blind search
Complete enumeration
○ Semua alternatif dipertimbangkan dan sehingga
solusi optimal dapat ditemukan.
Incomplete/Partial search
○ Dikerjakan sampai menemukan solusi yang “good
enough”.
Mencapai tujuan tertentu
MK. DSS Mungkin mencapai tujuan yang optimal
Bambang S,S.Kom, MM, M.Kom
Search Approaches
Heurisitic
Repeated, step-by-step searches
Rule-based, hanya digunakan untuk situasi
tertentu
Solusi yang “Good enough” , tetapi, akhirnya
mencapai tujuan yang optimal
Contoh heuristics
○ Tabu search
Mengingat dan mengarahkan pada pilihan yang lebih
berkualitas
○ Genetic algorithms
Menjalankan solusi dan mutasi secara random
MK. DSS Bambang S,S.Kom, MM, M.Kom
15
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
Simulations
Bentuk imitasi dari kenyataan
Memungkinkan eksperimentasi dan waktu yang lebih singkat
Deskriptif, bukan normatif
Mencakup kompleksitas, tetapi membutuhkan keterampilan
khusus
Menangani masalah tidak terstruktur
TIdak menjamin tercapainya solusi optimal
Metodologi
Mendefinisikan masalah
Membuat model
Testing dan validasi
Merancang eksperimen
Eksperimentasi
Evaluasi
Implementasi
16
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
Simulations
Probabilistic independent variables
Discrete or continuous distributions
Time-dependent atau time-independent
Visual interactive modeling
Grafis
Decision-makers berinteraksi dengan
simulated model
Dapat digunakan dengan artificial
intelligence
Dapat berorientasi obyek
MK. DSS Bambang S,S.Kom, MM, M.Kom
Proses Simulasi
17
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
MK. DSS
Komunikasi antar model kombinasi
Bambang S,S.Kom, MM, M.Kom
18
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
Metode-metode DSS
Decision Table (Table Keputusan)
Decision Tree (Pohon Keputusan)
ANP (Analytical Network Process)
AHP (Analytical Hirarcy Process)
CPI (Composite Performance Index)
Electre
GAP
Promethee (Preference Ranking Organization METHod for
Enrichment Evaluation)
SAW
TOPSIS (T echnique for Order of Preference by Similarity
to Ideal Solution)
WP (Weighted Product)
Tabel Keputusan
Tabel keputusan merupakan metode
pengambilan keputusan yang cukup
sederhana.
Metode ini menggunakan bantuan tabel yang
berisi hubungan antara beberapa atribut yang
mempengaruhi atribut tertentu.
Umumnya, tabel keputusan ini digunakan
untuk penyelesaian masalah yang tidak
melibatkan banyak alternatif.
MK. DSS Bambang S,S.Kom, MM, M.Kom
19
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
Tabel Keputusan
Pada tabel keputusan, nilai kebenaran suatu
kondisi diberikan berdasarkan nilai logika dari
setiap atribut Ek.
Hanya ada dua nilai kebenaran, yaitu Ek =
benar atau Ek = salah.
Secara umum, tabel keputusan berbentuk:
D = E {E1, E2, ..., EK}
dengan D adalah nilai kebenaran suatu
kondisi, dan Ei adalah nilai kebenaran atribut
ke-i (i = 1, 2, ... K).
MK. DSS Bambang S,S.Kom, MM, M.Kom
Tabel Keputusan
Contoh-1:
Jurusan Teknik Informatika akan melakukan
rekruitmen asisten untuk beberapa laboratorium
di lingkungannya.
Persyaratan untuk menjadi asisten di suatu
laboratorium ditentukan oleh nilai beberapa
matakuliah.
Setiap laboratorium dimungkinkan memiliki syarat
nilai yang berbeda.
20
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
Tabel Keputusan
Variabel
Ekspresi Logika
Logika
E1 Memiliki IPK > 3,00
E2 Minimal tengah duduk di semester 3
E3 Nilai matakuliah algoritma pemrograman = A
E4 Nilai matakuliah kecerdasan buatan = A
E5 Nilai matakuliah basisdata = A
E6 Nilai matakuliah grafika komputer = A
E7 Nilai matakuliah jaringan komputer = A
E8 Nilai matakuliah informatika kedokteran minimal B
Tabel Keputusan B.
C.
Dian, Smster 3, E3=C, E5=A?
Faida, smtsr 2, E3=A, E4=A ?
D. Fadhel , smtsr 6, E3=C, E8=A ?
Atribut*
No Laboratorium
E1 E2 E3 E4 E5 E6 E7 E8
Pemrograman &
1 Y Y Y
Informatika Teori
2 Y Y Komputasi & Sist. Cerdas
3 Y Y Y Sistem Informasi & RPL
4 Y Y Grafika & Multimedia
5 Y Y Y Sistem & Jaringan Komp.
6 Y Y Y Informatika Kedokteran
7 Y Y Y Informatika Kedokteran
8 Y Y Y Informatika Kedokteran
9 Y Y Y Informatika Kedokteran
MK. DSS Bambang S,S.Kom, MM, M.Kom
21
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
Tabel Keputusan
Kombinasi untuk semua Ei (i=1,2,...,8) pada aturan
tersebut merupakan pengetahuan untuk menentukan
pemilihan asisten laboratorium.
Sebagai contoh untuk laboratorium Pemrograman &
Informatika Teori dapat digunakan aturan pertama, yaitu:
Tabel Keputusan
Contoh-2:
Suatu institusi pendidikan tinggi akan memberikan penilaian
terhadap produktivitas staf pengajarnya dalam waktu 1 tahun.
Ada 5 kriteria yang akan diberikan, yaitu: tidak produktif, kurang
produktif, cukup produktif, produktif, dan sangat produktif.
Atribut yang digunakan untuk memberikan penilaian adalah
sebagai berikut.
○ C1 = jumlah karya ilmiah yang dihasilkan
○ C2 = jumlah diktat (bahan ajar) yang dihasilkan
○ C3 = jumlah buku referensi yang dihasilkan
22
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
Atribut
Kategori
C1 C2 C3
Sangat Produktif >6 >2 1
Produktif 5 atau 6 2 Tidak
dipertimbangkan
Cukup Produktif 3 atau 4 1 Tidak
dipertimbangkan
Kurang Produktif 1 atau 2 Tidak Tidak
dipertimbangkan dipertimbangkan
Tidak Produktif 0 0 0
Tabel Keputusan
Nilai ”Tidak dipertimbangkan” berarti berapapun
nilainya diperbolehkan.
Sedangkan nilai 0 berarti, tidak menghasilkan.
Misalkan seorang staf bernama Edi, telah
menghasilkan karya ilmiah sebanyak 3 karya,
diktat sebanyak 2 karya, dan tidak menghasilkan
buku referensi, maka Edi termasuk dalam
kategori ”Cukup Produktif”.
Jawab :
D = (C1 > 6 * C2>2 * C3>=1) + (C1 = 5 or 6 * C2>=2 * C3>=0 ) +
(C1 = 3 or 4 * C2 >=1 * C3 >= 0) + dst……
23
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
Pohon Keputusan
Pohon keputusan adalah salah satu metode
penyelesaian masalah keputusan dengan cara
merepresentasikan pengetahuan dalam bentuk
pohon.
Suatu pohon memiliki conditional node yang
menunjukkan kebenaran suatu ekspresi atau
atribut.
Conditional node tersebut memberikan beberapa
kemungkinan nilai, dapat berupa nilai boolean
(Benar atau Salah), atau beberapa alternatif nilai
yang mungkin dimiliki oleh suatu atribut, misal
untuk atribut Tekanan Darah (Rendah, Normal,
Tinggi).
MK. DSS Bambang S,S.Kom, MM, M.Kom
Pohon Keputusan
Contoh:
Untuk kasus pemilihan dosen produktif akan
dibuat pohon keputusannya.
24
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
Pohon Keputusan
Atribut
Kategori C1
(Pengajaran C2 (PKM) C3 (Penelitian)
)
Sangat Produktif >6 >2 1
Produktif 5 atau 6 2 Tidak
dipertimbangkan
Cukup Produktif 3 atau 4 1 Tidak
dipertimbangkan
Kurang Produktif 1 atau 2 Tidak Tidak
dipertimbangkan dipertimbangkan
Tidak
MK. DSS Produktif 0 0 0
Bambang S,S.Kom, MM, M.Kom
25
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
26
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
Nilai A =80-100 1 = Kurang mendukung 1 = Sangat Prioritas 1=Kurang Cepat 1=Sangat Bersi
Nilai C=60-69 3 = Sangat mendukung 3=Cukup Prioritas 3 = Sangat cepat 3=Cukup bersih
Nilai E < 50
27
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
28
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
Kriteria
Alternatif
C1 C2 C3 C4
Indra 70 50 80 60
Roni 50 60 82 70
Putri 85 55 80 75
Dani 82 70 65 85
Ratna 75 75 85 74
Mira 62 50 75 80
MK. DSS Bambang S,S.Kom, MM, M.Kom
dst
MK. DSS Bambang S,S.Kom, MM, M.Kom
29
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
30
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
31
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
32
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
33
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
Kriteria
Alternatif C1 C2
C3 C4 C5
(juta Rp) (%)
A1 150 15 2 2 3
A2 500 200 2 3 2
A3 200 10 3 1 3
A4 350 100 3 1 2
dst
MK. DSS Bambang S,S.Kom, MM, M.Kom
34
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
35
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
36
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
Dilakukan
berulang sampai
b. Menyusun kriteria- semua kriteria
kriteria dengan e. Susunan hierarki
yang baru (lengkap dihitung
matrik Pairwase
dengan bobot kriteria
Comparison
d. Cek Ratio
c. Hitung bobot
Konsistensi /
kriteria (priority
Consitency Ratio Tahapan perhitungan metode
vector)
(CR) AHP
CI = (λmaks-n)/(n-1)................................................... (1)
Dimana :
CI = Indeks Konsistensi (Consistency Index)
λmaks = Nilai eigen terbesar dari matrik berordo n
•Nilai eigen terbesar didapat dengan menjumlahkan hasil perkalian jumlah kolom
dengan eigen vector.
37
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
CR = CI/RI............................................................... (2)
Bila nilai CR lebih kecil dari 10%, ketidak konsistensian pendapat masih dianggap
dapat diterima.
38
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
Goal
Kriteria
39
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
Kriteria :
•Reliability 2 x lebih utama/ penting dibandingkan style
•Reliability 4 x lebih utama/ penting dari fule economy
•Style 3 x lebih utama/ penting dari Fuel economy
40
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
X=Priority Vektor
(Eignen Veoktor
Normalisasi)
MK. DSS Bambang S,S.Kom, MM, M.Kom
81
λmaks = (3,33 * 0,32) + ( 1, 75 * 0,56) + ( 8,00 * 0,11) = 1,07 + 0,98 + 0,88 = 2,93
2. Menghitung Indeks Konsistensi (CI)
CI = (λmaks-n)/(n-1) = (2,93 – 3) / (3-1) = - 0,035
3. Rasio Konsistensi (CR) =CI/RI, nilai RI untuk n = 3 adalah 0,58 (lihatDaftar Indeks
random konsistensi (RI))
CR = - 0,035 / 0,58 = - 0,0603
Karena CR (-0,0603) < 0,100 berarti pembobotan adalah konsisten
MK. DSS Bambang S,S.Kom, MM, M.Kom
82
41
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
42
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
43
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
Kesimpulan
Metode AHP bisa digunakan untuk
menentukan segala kasus yang
membutuhkan output berupa prioritas
dari hasil perangkingan.
Penyempurnaan dari Metode AHP
adalah Metode ANP
44
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
45
Pertemuan 4-5 – 6 : Modeling & Analysis (ch 4)
Terima Kasih,
Wassalam,
Thanks,
Matur Nuwun,
Tse-se,
Arigato
46