TUGAS SISTEM INFORMASI MANAJEMEN

“IMPLEMENTASI APLIKASI SISTEM PENGAMBILAN KEPUTUSAN PADA PT ABC”

Dosen Pengampu : Yananto Mihadi Putra, S.E., M.Si., CMA.

Disusun Oleh :

SALSABILA IVANA SURYA PUTRI

43219010119

PRODI AKUNTANSI
FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS MERCU BUANA
2020
 KATA PENGANTAR

Dengan mengucapkan puji syukur kehadirat Tuhan Yang Maha esa, yang telah
memberikan kekuatan dan petunjuk sehingga penulis dapat menyusun artikel ini
dengan sebaik- baiknya, yang berjudul “Implementasi Aplikasi Sistem Pengambilan
Keputusan” disusun dalam rangka memenuhi salah satu mata kuliah Sistem Informasi
Manajemen yang diampu oleh Bapak Yananto Mihadi Putra, SE., M.Si.

Artikel ini berisi tentang hal-hal yang berkaitan dengan bagaimana suatu
perusahaan mampu mengimplementasikan aplikasi pengambilan keputusan dimana
dalam artikel ini akan dibahas bagaimana suatu perusahaan dalam mengambil
keputusan untuk kepentingan bersama. Meski telah disusun secara maksimal, namun
penulis sebagai manusia biasa menyadari bahwa artikel ini masih jauh dari kata
sempurna. Oleh karena itu, penulis mengharapkan kritik dan saran yang membangun
dari pembaca sekalian.

Besar harapan penulis, semoga artikel ini dapat menjadi sarana membantu
pembaca dalam mencari sumber referensi mengenai Implementasi Aplikasi Sistem
Pengambilan Keputusan.

Atas segala perhatiannya penulis mengucapkan terimakasih.

Jakarta, 2 desember 2020

SALSABILA IVANA SURYA PUTRI

(Penulis)
 ABSTRAK

Permasalahan pengambilan keputusan merupakan salah satu permasalahan

yang sering ditemui dalam kehidupan sehari-hari. Salah satu metode penyelesaian
permasalahan tersebut adalah MultipleCriteria Decision Making (MCDM). Dengan
perkembangan teknologi, MCDM dapat diselesaikan dengan bantuan komputer, yaitu
melalui Sistem Pendukung Keputusan (SPK). Metode TOPSIS merupakan salah satu
metode penyelesaian permasalahan pengambilan keputusan multi kriteria yang
didasarkan pada konsep bahwa alternatif terpilih yang terbaik tidak hanya memiliki jarak
terpendek dari solusi ideal positif tetapi juga memiliki jarak terpanjang dari solusi ideal
negatif. Sebuah perangkat lunak SPK multi fungsi menggunakan metode TOPSIS
dibuat untuk membantu menyelesaikan berbagai masalah pengambilan keputusan
dengan jumlah alternatif dan kriteria yang dinamis sesuai dengan kebutuhan masing-
masing permasalahan.

Berdasarkan hasil pengujian perangkat lunak, perankingan yang dilakukan

perangkat lunak SPK – TOPSIS dapat dikatakan akurat sebab memberikan hasil yang
sama dengan perhitungan secara manual. Dengan adanya perangkat lunak ini,
mempermudah para Decision Maker (DM) dalammenyelesaikan berbagai
permasalahan pengambilan keputusan multi kriteria dengan jumlah alternatif dan
kriteria yang berbeda-beda
 PENDAHULUAN

Peran manajer dalam membuat banyak keputusan bertujuan untuk mengatasi

masalah. Penyelesaian masalah dicapai melalui empat tahapan dasar dan
mempergunakan kerangka berpikir seperti model sistem perusahaan yang umum dan
model lingkungan. Dengan mengikuti pendeketan sistem untuk menyelesaikan
masalah, manajer melihat sistem secara keseluruhan.
Ke empat elemen dasar Proses pemecahan masalah tersebut terdiri atas:
1) standar,
2) informasi,
3) batasan, dan
4) solusi alternatif.

Jika ke-emapat proses ini diikuti, pemilihan alternatif yang terbaik tidak selalu dicapai
melalui analisis logis saja dan penting untuk membedakan antara permasalahan dan
gejala.

Masalah memiliki struktur yang beragam dan keputusan untuk menyelesaikannya dapat
terprogram maupun tidak terprogram. Konsep sistem pendukung pengambilan
keputusan (decision support system-DSS) awalnya ditujukan pada masalah-masalah
yang setengah terstruktur. Output DSS yang pertama terdiri atas laporan dan output
dari model matematika. Kemudian, kapabilitas pemecahan masalah kelompok
ditambahkan, diikuti dengan kecerdasan buatan (artifical intellgence) dan pemrosesan
analitis oniline (on-line analytical processing- OLAP).

Model matematika dapat diklasifikasikan dalam berbagai cara, dan

penggunaannya disebut simulasi. Lembar kerja elektronik (spreadsheet) merupakan
alat yang baik untuk membuat model matematika. Lembar kerja ini dapat digunakan
baik untuk model statik dan dinamik dan membuat manajer dapat memainkan
permainan “bagaimana jika” (what-if-game).

Kecerdasan buatan dapat menjadi salah satu komponen DSS. Dengan menambahkan
basis pengetahuan dan mesin inferensi, DSS dapat memberikan saran solusi masalah
kepada manajer. Jika groupware ditambahkan ke DSS, maka DSS tersebut akan
menjadi sistem pendukung pengambilan keputusan kelompok (group decision support
system-GDSS). GDSS dapat
diletakkan di beberapa tempat yang berbeda agar kondusif terhadap pemecahan
masalah kelompok.
 PEMBAHASAN

1.1 Pemecahan Masalah dan Pembuatan Keputusan

SIM adalah sistem yang memberikan informasi untuk digunakan dalam

pembuatan keputusan guna menyelesaikan masalah bagi para penggunanya.

Pemecahan masalah (problem solving) terdiri atas respons terhadap hal yang
berjalan dengan baik, serta terhadap hal yang berjalan dengan buruk dengan cara
mendefinisikan masalah (problem) sebagai kondisi atau peristiwa yang berbahaya atau
dapat membahayakan perusahaan, atau yang bermanfaat atau dapat memberi
manfaat. Dalam proses penyelesaian masalah manajer terlihat dalam pembuatan
keputusan (decision making), yaitu tindakan memilih di antara berbagai alternatif solusi
pemecahan masalah. Keputusan (decision) didefinisikan sebagai tindakan pilihan dan
sering kali perlu untuk mengambil banyak keputusan dalam proses pemecahan satu
masalah saja.

1.2 Fase Pemecahan masalah

Menurut Simon, orang yang memecahkan masalah terlibat dalam :

· Aktivitas Intelijen. Mencari di sekitar lingkungan kondisi yang harus

dipecahkan.
· Aktivitas perancangan. Menemukan, mengembangkan, dan menganalisis
tindakan- tindakan yang mungkin dilakukan.
· Aktivitas pemilihan. Memilih tindakan tertentu dari beberapa yang tersedia.
· Aktivitas Pengkajian. Memeriksa pilihan-pilihan yang lalu.

2. Pendekatan dan Pentingnya Cara Pandang Sistem

Pendekatan sistem yaitu sederetan langkah yang dikelompokkan ke dalam tiga tahap
upaya persiapan, upaya pendefinisian, dan upaya pemecahan.

Dalam menggunakan model sistem umum dan model lingkungan sebagai dasar
pemecahan masalah, cara pandang sistem (systems view) yang memandang
operasional usaha sebagai sistem
yang menjadi bagian dari lingkungan yang lebih luas. Ini merupakan cara pemikiran
yang abstrak, namun memiliki nilai yang potensial untuk manajer. Cara pandang
secara sistem akan :

a. Mencegah manajer agar tidak bingung karena kompleksitas struktur organisasi

dan detail pekerjaan.
b. Menekankan pentingnya memiliki tujuan yang baik.
c. Menekankan pentingnya semua bagian organisasi untuk bekerja sama.
d. Mengangkat hubungan antara organisasi dengan lingkungannya.
e. Menempatkan nilai tinggi pada informasi yang didapat dari input yang hanya
dapat dicapai melalui sistem perputaran tertutup.

3. Membangun Konsep dan Elemen Proses Pemecahan Masalah

Kebanyakan masalah yang dipecahkan manajer dapat dianggap sebagai
permasalahan sistem. Sebagai contoh, perusahaan sebagai suatu sistem tidak
berfungsi sebagaimana mestinya. Atau, terdapat masalah dengan sistem persediaan,
sistem komisi penjualan, dan seterusnya. Solusi masalah sistem adalah solusi yang
membuat sistem tersebut memenuhi tujuannya dengan paling baik, seperti yang
dicerminkan dalam standar kinerja sistem. Standar ini menggambarkan situasi yang
diinginkan (desired state) apa yang harus dicapai sistem tersebut. Sebagai tambahan,
manajer tersebut harus memiliki informasi yang menggambarkan keadaan saat ini
(current state) apa yang dicapai sistem tersebut sekarang ini. Jika dua keadaan ini
berbeda, maka ada masalah yang menjadi penyebabnya dan harus dipecahkan.

Perbedaan antara keadaan saat ini dengan keadaan yang diinginkan disebut
dengan kriteria solusi (solution criterion), atau apa yang harus terjadi agar situasi saat
ini berubah menjadi situasi yang diinginkan. Tentu saja, jika situasi saat ini
menunjukkan tingkat kinerja yang lebih tinggi dibandingkan dengan keadaan yang
diinginkan, maka tugas yang harus dilakukan bukanlah menyamakan keadaan saat ini.
Melainkan, tugas yang harus dilakukan adalah menjaga agar situasi saat ini tetap
berada pada tingkatan yang lebih tinggi. Jika kinerja tingkat tinggi dapat dipertahankan,
maka situasi yang diinginkan harus ditingkatkan.
 Tanggung jawab manajer adalah mengidentifikasi solusi alternatif, yang selalu ada.
Ini merupakan satu langkah dari proses penyelesaian masalah di mana komputer tidak
terlalu banyak membantu. Manajer biasanya mengandalkan pengalaman sendiri atau
mencari bantuan dari pemroses informasi nonkomputer, seperti input dari pihak lain
baik di dalam maupun di luar perusahaan.

Setelah berbagai alternatif diidentifikasi, sistem informasi dapat digunakan untuk

mengevaluasinya. Evaluasi ini harus mempertimbangkan batasan (constraint) yang
ada, yang dapat berasal baik dari internal maupun lingkungan. Batasan internal
(internal constraint) biasanya berbentuk sumber daya yang terbatas yang ada di dalam
perusahaan. Sebagai contoh, unit TI tidak dapat merancang sistem CRM karena
kurangnya keahlian dalam OLAP. Batasan lingkungan (environmental constraint)
berbentuk tekanan dari berbagai elemen lingkungan yang membatasi aliran sumber
daya dari dan keluar perusahaan. Salah satu contoh adalah peningkatan suku bunga
oleh Federal Reserve Board yang meningkatkan biaya ekspansi pabrik.

a. Memilih Solusi yang Terbaik

Pemilihan solusi yang terbaik dapat dicapai dengan berbagai cara. Herry Mintzberg,
seorang ahli teori manajemen, telah mengidentifikasi tiga pendekatan :

· Analisis

Evaluasi atas pilihan-pilihan secara sistematis, dengan mempertimbangkan

konsekuensi pilihan-pilihan tersebut pada tujuan organisasi.

Salah satu contohnya adalah pertimbangan yang dilakukan oleh para anggota
komite pengawas SIM untuk memutuskan pendekatan mana yang harus diambil
dalam mengimplementasikan sistem informasi eksekutif.
 · Penilaian

Proses pemikiran yang dilakukan oleh seorang manajer. Sebagai contoh,

manajer produksi menerapkan pengalaman dan intuisi dalam mengevaluasi
gambar pabrik baru yang diusulkan dari model matematika.

· Penawaran

Negosiasi antara beberapa manajer. Salah satu contoh adalah proses memberi
dan menerima yang berlangsung antara para anggota komite eksekutif
mengenai pasar yang mana yang harus dimasuki selanjutnya. Di sinilah tempat
di mana pengaruh politik dalam perusahaan dapat dilihat dengan jelas.

b. Permasalahan versus Gejala

Penting bagi kita untuk memahami perbedaan antara masalah dan gejala dari suatu
masalah. Jika tidak demikian, kita dapat menghabiskan banyak waktu dan uang untuk
menyelesaikan permasalahan yang salah atau sesuatu yang sesungguhnya bukanlah
suatu masalah. Gejala (symptom) adalah kondisi yang dihasilkan masalah. Sering kali
seorang manajer melihat gejala dan bukan masalah.

c. Struktur Permasalahan

Model matematika yang disebut formula EOQ (economic order quantity) dapat
memberitahu bagaimana masalah tersebut harus diselesaikan. Masalah seperti ini
disebut masalah terstruktur (structured problem) karena terdiri atas unsur dan
hubungan antara berbagai elemen yang semuanya dipahami oleh orang yang
memecahkan masalah.

Masalah yang tidak terstruktur (unstructured problem) adalah masalah yang tidak
memiliki elemen atau hubungan antarelemen yang dipahami oleh orang yang
memecahkan masalah. Salah satu contoh dari masalah yang tidak terstruktur adalah
memutuskan film yang mana yang paling
 kita sukai. Manajer bisnis sering kali tidak memiliki perangkat yang cukup untuk
mendefinisikan masalah seperti ini dengan cara yang terstruktur.

Sebenarnya, hanya sedikit permasalahan dalam suatu organisasi yang benar-benar

terstruktur atau benar-benar tidak terstruktur. Kebanyakan masalah adalah
permasalahan di mana manajer memiliki pemahaman yang kurang sempurna akan
berbagai elemen dan hubungan di antaranya. Masalah semiterstruktur (semistructured
problem) adalah masalah yang terdiri atas beberapa elemen atau hubungan yang
dipahami oleh si pemecah masalah dan beberapa yang tidak dapat dipahami. Salah
satu contoh adalah pemilihan lokasi untuk membangun sebuah pabrik baru.

Beberapa elemen, seperti harga tanah, pajak, dan biaya-biaya untuk mengirimkan
bahan baku, dapat diukur dengan tingkat ketepatan yang tinggi. Tetapi elemen-elemen
lain, seperti bahaya dari lingkungan dan perilaku masyarakat sekitar, sulit untuk
diidentifikasi dan diukur.

Setelah prosedur ditentukan, komputer dapat memecahkan masalah yang terstruktur

tanpa keterlibatan manajer. Namun, manajer sering kali harus melakukan semua
pekerjaan untuk memecahkan masalah yang tidak terstruktur. Dalam wilayah masalah
semiterstruktur yang luas, manajer dan komputer dapat bekerja sama dalam
menemukan solusi.

d. Jenis Keputusan

Selain memberikan tahap-tahap pemecahan masalah, Herbert A.Simon juga

menemukan metode untuk mengklasifikasikan keputusan, yaitu :

· Keputusan terprogram (programmed decision) bersifat “repetitif dan rutin, dalam hal
prosedur tertentu digunakan untuk menanganinya sehingga keputusan tersebut tidak
perlu dianggap de novo (baru) setiap kali terjadi.”

· Keputusan yang tidak terprogram (nonprogrammed decision) bersifat “baru, tidak

terstruktur, dan penuh konsekuensi. Tidak terdapat metode yang pasti untuk menangani
masalah seperti ini karena masalah tersebut belum pernah muncul sebelumnya, atau
karena sifat dan strukturnya
sulit dijelaskan dan kompleks, atau karena masalah tersebut demikian penting sehingga
memerlukan penanganan khusus.”

4. Sistem Pendukung Pengambilan Keputusan

Istilah sistem keputusan terstruktur (structured decision system-SDS) digunakan

untuk mendeskripsikan sistem-sistem yang mampu menyelesaikan masalah yang
teridentifikasi. Masalah-masalah di bawah garis menyulitkan pemrosesan komputer,
dan Gorry dan Scott- Morton menggunakan istilah sistem pendukung pengambilan
keputusan (decision support system-DSS) untuk menggambarkan sistem yang dapat
memberikan dukungan yang dibutuhkan.

Sejak 1971, DSS telah menjadi jenis sistem informasi yang paling sukses dan kini
menjadi aplikasi komputer untuk pemecahan masalah yang paling produktif.

5. Model DSS

Ketika DSS untuk pertama kalinya dirancang, model ini menghasilkan laporan
khusus dan berkala serta output dari model matematika. Laporan khusus ini berisikan
respons terhadap permintaan ke basis data. Setelah DSS diterapkan dengan baik,
kemampuan yang memungkinkan para pemecah masalah untuk bekerja sama dalam
kelompok ditambahkan ke dalam model tersebut. Penambahan peranti lunak
groupware memungkinkan sistem tersebut untuk berfungsi sebagai sistem pendukung
pengambilan keputusan kelompok (group decision support system-GDSS). Yang
terbaru, kemampuan kecerdasan buatan juga telah ditambahkan beserta kemampuan
untuk terlibat dalam OLAP.

a . Pemodelan Matematika

Model adalah abstraksi dari sesuatu. Model mewakili suatu objek atau aktivitas,
yang disebut entitas (entity). Manajer menggunakan model untuk mewakili
permasalahan yang harus diselesaikan. Objek atau aktivitas yang menyebabkan
masalah disebut dengan entitas.
b. Jenis Model

Terdapat empat jenis dasar model, yaitu :

1. Model Fisik (Physical model)

Merupakan gambaran tiga dimensi entitasnya. Model fisik yang digunakan di

dunia bisnis mencakup model skala untuk pusat perbelanjaan dan prototipe
mobil baru.

Model fisik dibuat untuk mencapai tujuan yang tidak dapat dipenuhi oleh
benda sesungguhnya. Sebagai contoh, model fisik memungkinkan desainer
untuk mengevaluasi desain objek, seperti pesawat terbang, dan membuat
perubahan- perubahan sebelum konstruksi sesungguhnya. Ini akan
menghemat waktu dan uang.

2. Model Naratif

Salah satu jenis model yang digunakan oleh manajer setiap hari adalah
model naratif (narrative model) yang menggambarkan entitas dengan kata-
kata yang terucap atau tertulis. Pendengar atau pembaca dapat memahami
entitas tersebut dari naratifnya. Semua komunikasi bisnis adalah model
naratif, sehingga membuat model naratif jenis model yang paling populer.

3. Model Grafis

Jenis model lain yang terus digunakan adalah model grafis. Model grafis
(graphic model) menggambarkan entitasnya dengan abstraksi garis, simbol,
atau bentuk. Jumlah pemesanan ekonomis (economic order quantity-EOQ)
adalah jumlah optimum penambahan stok yang harus dipesan dari pemasok.
EOQ
 menyeimbangkan biaya pembelian stok dan biaya untuk menyimpannya
hingga stok tersebut digunakan atau dijual.

Model grafis juga digunakan dalam desain sistem informasi. Kebanyakan

perangkat yang digunakan oleh pengembang sistem bersifat grafis. Diagram
relasi entitas, diagram kelas, dan diagram aliran data merupakan beberapa
contoh.

4. Model Matematis

Setiap rumus atau persamaan matematika adalah model matematis

(mathematical model). Kebanyakan model matematika yang digunakan
manajer bisnis sama kompleksnya dengan yang digunakan untuk
menghitung EOQ.

Biaya penyimpanan mencakup semua biaya yang terjadi dalam

penyimpanan barang, seperti asuransi, kerusakan, dan kehilangan karena
pencurian.

Beberapa model matematika menggunakan ratusan atau bahkan ribuan

persamaan. Sebagai contoh, model perencanaan keuangan yang dirancang
Sun Oil Company pada tahun-tahun pertama penggunaan SIM-nya
menggunakan sekitar 2.000 persamaan. Model besar seperti ini cenderung
lamban dan sulit untuk digunakan. Tren yang berlangsung saat ini adalah
penggunaan model yang lebih kecil.

a. Penggunaan Model

Keempat jenis model memberikan pemahaman dan memfasilitasi komunikasi.

Selain itu, model matematis memiliki kemampuan prediktif.

a) Memberikan pengertian.
 Model biasanya lebih sederhana dibandingkan entitasnya. Entitas adalah objek atau
proses. Entitas dapat lebih mudah dimengerti jika berbagai elemen dan hubungan yang
terdapat di dalamnya ditampilkan secara lebih sederhana. Setelah model yang
sederhana dapat dipahami, model tersebut secara bertahap dapat dibuat lebih
kompleks sehingga dapat mewakili entitasnya secara lebih kompleks. Tetapi, model
tersebut hanya dapat mewakili entitasnya. Model tersebut tidak dapat benar-benar
berlaku seperti entitas sesungguhnya.

b) Memfasilitasi Komunikasi

Keempat jenis model dapat mengomunikasikan informasi secara akurat dan cepat
kepada orang- orang yang memahami makna bentuk, kata-kata, grafis, dan matematis.

c) Memprediksi masa depan

Ketepatan yang ditunjukkan model matematis untuk mewakili merupakan kemampuan

yang tidak terdapat pada model lain. Model matematis dapat memprediksi apa yang
akan terjadi di masa depan, namun tidak 100 persen akurat. Tidak ada model yang
sebaik itu. Karena asumsi biasanya harus dibuat berdasarkan banyaknya data yang
dimasukkan ke dalam model tersebut, manajer harus menggunakan penilaian dan
intuisi dalam mengevaluasi outputnya.

b. Kelas Model Matematis

Model matematis dapat diklasifikasikan ke dalam tiga dimensi : pengaruh waktu, tingkat
keyakinan, dan kemampuan untuk mencapai optimisasi.

a) Model Statis atau Dinamis

Model Statis (static model) tidak melibatkan waktu sebagai salah satu variabel. Model
ini berkenaan dengan situasi pada waktu tertentu. Dengan kata lain, bersifat seperti
cuplikan keadaan. Model yang melibatkan waktu sebagai salah satu variabel disebut
model dinamis
 (dynamic model). Model ini menggambarkan perilaku entitas seiring dengan waktu,
seperti gambar bergerak atau film.

b) Model Probabilitas atau Deterministik

Cara lain untuk mengklasifikasikan beragam model didasarkan pada apakah suatu
formula melibatkan probabilitas atau tidak. Probabilitas (Probability) adalah kesempatan
bahwa sesuatu akan terjadi. Probabilitas berkisar dari 0,00 (Untuk sesuatu yang tidak
memiliki kesempatan terjadi) hingga 1,00 (untuk sesuatu yang pasti terjadi). Model yang
melibatkan probabilitas disebut model probabilitas (probability model). Jika tidak, maka
model tersebut adalah model deterministik (deterministic model).

c) Model Optimisasi atau Suboptimisasi

Model optimisasi (optimizing model) adalah model yang memilih solusi terbaik
dari berbagai alternatif yang ditampilkan. Agar suatu model dapat melakukan hal ini,
masalah tersebut harus terstruktur dengan amat baik.

Model Suboptimisasi (suboptimizing model) yang sering kali disebut model

pemuas (satisficing model) memungkinkan seorang manajer untuk memasukkan
seperangkat keputusan. Setelah langkah ini diselesaikan, model tersebut akan
memproyeksikan hasil.

7. Simulasi

Tindakan menggunakan model disebut dengan simulasi (simulation). Simulasi terjadi

dalam skenario tertentu dan memprediksi dampak keputusan orang yang memecahkan
masalah tersebut.

Skenario istilah skenario (scenario) digunakan untuk menggambarkan kondisi yang

memengaruhi simulasi. Elemen data yang menentukan skenario ini disebut elemen
data skenario
 (scenario data element). Model ini dapat didesain sedemikian rupa sehingga elemen
data skenario berbentuk variabel, sehingga memungkinkan penetuan nilai-nilai yang
berbeda.

7.1 Variabel Keputusan dan Teknik Simulasi

Nilai input yang dimasukkan manajer untuk mengukur dampak pada entitas disebut
variabel keputusan (decision variable).

Manajer biasanya melakukan model optimisasi hanya sekali. Model ini menghasilkan
solusi yang terbaik menggunakan skenario tertentu dan variabel-variabel keputusan.
Namun, penting juga untuk menjalankan model suboptimisasi berulang kali, guna
mencari kombinasi variabel keputusan yang menghasilkan hasil yang memuaskan.
Proses perulangan untuk mencoba beragam alternatif keputusan ini disebut permainan
bagaimana jika (what-if game).

Setiap kali model tersebut dijalankan, hanya satu dari beragam variabel keputusan
yang harus diubah agar pengaruhnya dapat terlihat. Dengan cara ini, pemecah masalah
secara sistematis dapat menemukan kombinasi keputusan yang akan menghasilkan
solusi masalah.

7.2 Contoh Pemodelan

Eksekutif perusahaan dapat menggunakan model matematis untuk membuat beberapa

keputusan kunci. Para eksekutif ini dapat menyimulasikan dampak dari :

· Harga Produk.

· Jumlah investasi pabrik yang dibutuhkan untuk menyediakan kapasitas untuk

memproduksi produk.

· Jumlah yang akan diinvestasikan dalam aktivitas pemasaran, seperti iklan dan
penjualan langsung.
 · Jumlah yang akan diinvestasikan dalam penelitian dan pengembangan.

Selain itu, para eksekutif tersebut ingin menyimulasikan empat kuartal aktivitas
dan menghasilkan dua laporan :

1. Laporan operasional yang mencakup nilai-nilai nonmoneter seperti potensi pasar

(permintaan) dan kapasitas pabrik serta,

2. Laporan pendapatan yang mencerminkan hasil secara monoter.

7.3 Kelebihan dan kelemahan pemodelan

Manajer yang menggunakan model matematika bisa mendapatkan manfaat melalui hal-
hal berikut :

· Proses pemodelan dapat menjadi pengalaman belajar. Manajer akan selalu

mempelajari sesuatu yang baru mengenai sistem sesungguhnya melalui setiap proyek
pemodelan.

· Kecepatan proses simulasi memungkinkan sejumlah besar alternatif dapat

dipertimbangkan dengan cara memberikan kemampuan untuk mengevaluasi dampak
keputusan dalam waktu yang singkat. Hanya dalam beberapa menit, kita dapat
menyimulasikan beberapa bulan, kuartal, atau tahunan operasional perusahaan.

· Seperti yang telah dibahas sebelumnya, model memberikan kemampuan prediksi

pandangan ke masa depan yang tidak dapat diberikan oleh metode penyedia informasi
lain.

· Model tidak semahal upaya uji coba. Proses pemodelan memang mahal jika dilihat
dari masa perancangan dan biaya peranti keras dan peranti lunak yang dibutuhkan
untuk melakukan simulasi, namun biaya ini tidak setinggi biaya yang terjadi jika
keputusan yang buruk diimplementasikan di dunia nyata.
 7.4 Kelebihan pemodelan ini dapat berkurang karena dua kelemahan dasar :

Kesulitan untuk membuat model sistem bisnis akan menghasilkan model yang
tidak mencakup semua pengaruh terhadap entitas. Sebagai contoh, dalam model yang
baru saja digambarkan, seseorang di perusahaan harus mengestimasikan nilai untuk
elemen data skenario. Selain itu, rumus matematis biasanya hanya merupakan
prakiraan atas perilaku entitas tersebut. Ini berarti bahwa penilaian subjektif yang cukup
besar harus diterapkan dalam mengimplementasikan keputusan yang dibuat
berdasarkan hasil simulasi.

Kemampuan matematis tingkat tinggi dibutuhkan untuk merancang model yang

lebih kompleks. Selain itu, kemampuan semacam ini juga diperlukan untuk
menginterpretasikan output dengan baik.

7.5 Pemodelan Matematika Menggunakan Lembar Kerja Elektronik

Terobosan teknologi yang memungkinkan para pemecah persoalan untuk menyusun

model matematika dan tidak sekedar hanya mengandalkan spesialis informasi atau
ilmuwan manajemen adalah lembar kerja elektronik. Sebelum adanya lembar kerja
(spreadsheet), model matematika diprogram dalam bahasa teknis seperti Fortran atau
API, yang berada di luar kompetensi para pemecah masalah yang tidak memiliki latar
belakang komputer. Ketika spreadsheet hadir, tampak jelas bahwa teknologi ini akan
menjadi alat yang baik untuk membuat model matematika.

1. Kapabilitas Pemodelan Statis

Baris dan kolom dari lembar kerja elektronik membuatnya ideal untuk digunakan dalam
model statis.

2. Kapabilitas Pemodelan Dinamis

Lembar kerja sangat sesuai untuk digunakan sebagai model dinamis. Kolom-kolom
yang tersedia amat sesuai untuk periode waktu.

7.6 Memainkan Permainan “Bagaimana Jika”

Lembar kerja ini juga berguna untuk memainkan permainan “bagaimana jika”, di mana
pemecah masalah memanipulasi satu atau lebih variabel untuk melihat dampak dari
hasil simulasi.

7.7 Antarmuka Model Lembar Kerja

Ketika menggunakan lembar kerja sebagai model matematika, pengguna dapat

memasukkan data atau membuat perubahan secara langsung pada sel-sel lembar kerja
atau dapat menggunakan antarmuka pengguna grafis.

7.8 Kecerdasan Buatan

DSS menekankan penggunaan pemodelan matematika dan pengajuan permintaan ke

basis data. Tidak lama kemudian, para perancang DSS mulai menyadari kebutuhan
untuk menggabungkannya dengan kecerdasan buatan. Kecerdasan buatan (artificial
intelligence-AI) adalah aktivitas penyediaan mesin seperti komputer dengan
kemampuan untuk menampilkan perilaku yang akan dianggap sama cerdasnya dengan
jika kemampuan tersebut ditampilkan oleh manusia. AI merupakan aplikasi komputer
yang paling canggih karena aplikasi ini berusaha mencontoh cara pemikiran manusia.

7.9 Sejarah AI

Bibit AI pertama kali disebar hanya 2 tahun setelah General Electri menerapkan
komputer yang pertama kali digunakan untuk penggunaan bisnis. Tahun 1956, dan
istilah kecerdasan buatan pertama kali dibuat oleh John McCarthy sebagai tema suatu
konferensi yang dilaksanakan di
 Dartmouth College. Pada tahun yang sama, program komputer AI pertama yang
disebut Logic Theorist, diumumkan. Kemampuan Logic Theorist yang terbatas untuk
berpikir (membuktikan teorema-teorema kalkulus) mendorong para ilmuwan untuk
merancang program lain yang disebut General Problem Solver (GPS), yang ditujukan
untuk digunakan dalam memecahkan segala macam masalah. Proyek ini ternyata
membuat para ilmuwan yang pertama kali menyusun program ini kewalahan, dan riset
AI dikalahkan oleh aplikasi-aplikasi komputer yang tidak terlalu ambisius seperti SIM
dan DSS. Namun seiring waktu, riset yang terus-menerus akhirnya membuahkan hasil,
dan AI telah menjadi wilayah aplikasi komputer yang solid.

7.10 Wilayah AI

AI diterapkan di dunia bisnis dalam bentuk sistem pakar, jaringan saraf tiruan,
algoritme genetik, dan agen cerdas.

1. Sistem Pakar

Sistem pakar adalah program komputer yang berusaha untuk mewakili pengetahuan
keahlian manusia dalam bentuk heuristik. Istilah heuristik berasal dari kata Yunani
eureka, yang berarti “menemukan.” Heuristik (heuristic) adalah aturan yang menjadi
patokan atau aturan untuk menebak dengan baik.

Heuristik tidak menjamin hasil sebaik algoritme yang biasa didapatkan dalam model
matematika, namun heuristik biasanya menawarkan hasil yang cukup spesifik sehingga
dapat berguna. Heuristik memungkinkan sistem pakar untuk berfungsi sedemikian rupa
agar konsistem dengan keahlian manusia, dan menyarankan penggunanya cara
memecahkan masalah. Karena sistem pakar berfungsi sebagai konsultan, tindakan
menggunakan aplikasi ini disebut konsultasi (consultation) karena pengguna
berkonsultasi kepada sistem pakar untuk mendapatkan saran.

Sistem pakar dirancang oleh spesialis informasi (yang sering kali disebut insinyur
pengetahuan (knowledge engineer)) yang memiliki keahlian khusus dalam bidang
kecerdasan buatan. Insinyur pengetahuan amat ahli dalam mendapatkan ilmu dari
seorang ahli.
2. Jaringan saraf tiruan

Jaringan saraf tiruan (neural networks) meniru fisiologi otak manusia. Jaringan ini
mampu menemukan dan membedakan pola, sehingga membuatnya amat berguna
dalam bisnis di wilayah pengenalan suara dan pengenalan karakter optis.

3. Algoritme Genetik

Algoritme genetik (genetic algorithms) menerapkan proses “yang terkuat yang

selamat” untuk memungkinkan para pemecah masalah agar menghasilkan solusi
masalah yang semakin lebih baik. Sebagai contoh, bankir investasi dapat
menggunakannya untuk memilih portofolio investasi yang terbaik bagi kliennya.

4. Agen Cerdas

Agen Cerdas (intelligent agent) digunakan untuk melakukan tugas yang berkaitan
dengan komputer yang berulang-ulang. Salah satu contoh adalah penggalian data, di
mana penemuan pengetahuan memungkinkan sistem gudang data untuk
mengidentifikasi hubungan data yang sebelumnya tidak dikenal.

1.1 Daya Tarik Sistem Pakar

Sistem pakar menawarkan kemampuan yang unik sebagai sistem pendukung

keputusan, yaitu :

1. Sistem pakar memberikan kesempatan untuk membuat keputusan yang melebihi

kemampuan seorang manajer. Sebagai contoh, seorang karyawan investasi baru di
bank dapat menggunakan suatu sistem pakar yang didesain oleh seorang ahli
keuangan dan, dengan demikian, menggabungkan pengetahuan ahli tersebut ke dalam
keputusan investasinya.
2. Sistem pakar tersebut dapat menjelaskan alasannya hingga menuju ke suatu
keputusan. Sering kali, penjelasan mengenai bagaimana solusi tersebut dicapai lebih
berharga dibandingkan solusi itu sendiri.

1.2 Konfigurasi Sistem Pakar

Sistem pakar terdiri atas empat bagian utama : antarmuka pengguna, basis
pengetahuan, mesin antarmuka, dan mesin pengembangan.

· Antarmuka Pengguna

Antarmuka pengguna memungkinkan manajer untuk memasukkan instruksi dan

informasi ke dalam sistem pakar dan menerima informasi dari sistem tersebut. Instruksi
ini menentukan parameter yang mengarahkan sistem pakar dalam proses
pemikirannya. Input informasi berbentuk nilai yang dikaitkan dengan variabel tertentu.

Sistem pakar didesain untuk merekomendasikan solusi. Solusi ini kemudian

dilengkapi dengan penjelasan. Terdapat dua jenis penjelasan : Penjelasan dari
pertanyaan yang diberikan manajer dan penjelasan mengenai solusi masalah.

· Basis Pengetahuan

Basis pengetahuan (knowledge basis) berisikan fakta yang menggambarkan

masalah serta teknik penggambaran pengetahuan yang menjelaskan bagaimana fakta
bersentuhan secara logis. Istilah domain masalah (problem domain) digunakan untuk
menggambarkan area permasalahan.

Salah satu teknik untuk menggambarkan pengetahuan yang populer adalah

penggunaan aturan. Aturan (rule) menentukan apa yang harus dilakukan dalam suatu
situasi dan terdiri atas dua bagian : kondisi yang bisa jadi benar atau salah dan
tindakan yang harus dilakukan jika kondisi itu benar. Contoh aturan adalah :
If Indeks.Ekonomi > 1,20 dan Indeks.Musiman > 1,30 Then Prakiraan.Penjualan =
‘SANGAT BAIK ‘

Semua aturan yang ada di dalam sistem pakar disebut set aturan (rule set).
Jumlah aturan dalam set aturan dapat bervariasi dari sekitar selusin peraturan untuk
suatu sistem pakar sederhana hingga 10.000 peraturan untuk set yang rumit.

· Mesin Inferensi

Mesin Inferensi (inference engine) adalah bagian dari sistem pakar yang
melakukan pemikiran dengan cara menggunakan isi basis pengetahuan dalam urutan
tertentu. Selama konsultasi, mesin inferensi memeriksa aturan-aturan basis
pengetahuan satu demi satu, dan jika persyaratan satu aturan benar, maka suatu
tindakan akan dilaksanakan. Dalam terminologi sistem pakar, aturan diberhentikan jika
tindakan diambil.

Proses pemeriksaan peraturan satu demi satu berlanjut hingga seluruh set
aturan telah dilalui. Lebih dari satu kali pemeriksaan biasanya dibutuhkan untuk
memberikan suatu nilai ke solusi masalah, yang disebut variabel tujuan (goal variable).
Pemeriksaan terus berlanjut hingga memungkinkan untuk memberhentikan beberapa
aturan. Ketika tidak ada lagi aturan yang dapat diberhentikan, proses pemikiran dapat
berhenti.

· Mesin Pengembangan

Komponen utama yang keempat dari sistem pakar adalah mesin

pengembangan, yang digunakan untuk membuat sistem pakar. Ada dua pendekatan
dasar yang tersedia : bahasa pemrograman dan kerangka sistem pakar.

Kerangka sistem pakar (expert system shell) adalah prosesor siap pakai dan
dapat disesuaikan untuk masalah tertentu dengan cara menambahkan basis
pengetahuan yang sesuai.
Kini, kebanyakan minat untuk menerapkan sistem pakar ke masalah bisnis melibatkan
penggunaan kerangka.

Salah satu contoh domain masalah yang menggunakan kerangka sistem pakar
adalah komputer bantuan pelanggan. Ketika sistem pakar bantuan pelanggan
digunakan, pengguna atau anggota staf bantuan pelanggan berkomunikasi secara
langsung dengan sistem, dan sistem kemudian berusaha menyelesaikan masalah.

Sistem pakar bantuan pelanggan menggunakan beragam teknik penggambaran

pengetahun. Salah satu pendekatan yang populer disebut cara pikir berbasis kasus
(case base reasoning-CBR). Pendekatan ini menggunakan data historis sebagai dasar
untuk mengidentifikasi masalah dan merekomendasikan solusi.

Kerangka sistem pakar telah membuat kecerdasan buatan terjangkau

perusahaan- perusahaan yang tidak memiliki sumber daya yang cukup untuk
merancang sistem mereka sendiri menggunakan bahasa pemrograman. Dalam area
bisnis, kerangka sistem pakar merupakan cara yang paling populer bagi banyak
perusahaan untuk menerapkan sistem berbasis pengetahuan.

8. Sistem Pendukung Pengambilan Keputusan Kelompok

Berbagai komite, tim proyek, dan satuan tugas yang ada di banyak perusahaan
merupakan contoh pendekatan kelompok terhadap pemecahan masalah. Menyadari
fakta ini, para pengembang sistem telah mengadaptasi DSS ke dalam pemecahan
masalah secara kelompok.

8.1 Konsep GDSS

Sistem pendukung pengambilan keputusan kelompok (group decision support

system- GDSS) adalah “sistem berbasis komputer yang membantu sekelompok orang
melakukan tugas (atau mencapai tujuan) yang sama dan memberikan antarmuka untuk
digunakan bersama.”
Istilah-istilah lain juga digunakan untuk menggambarkan aplikasi teknologi informasi ke
dalam situasi kelompok. Istilah ini antara lain sistem pendukung kelompok (group
support system- GSS), kerja sama berbantuan komputer (computer-supported
cooperative work-CSCW), dukungan kerja kolaboratif terkomputerisasi (computerized
collaborative work support), dan sistem pertemuan elektronik (electronic meeting
system-EMS). Peranti lunak yang digunakan dalam situasi-situasi ini diberi nama
groupware.

8.2 Bagaimana GDSS Membantu Pemecahan Masalah

Asumsi yang mendasari GDSS adalah komunikasi yang lebih baik

memungkinkan dibuatnya keputusan yang lebih baik. Komunikasi yang lebih baik
dicapai dengan menjaga agar diskusi kelompok tetap terfokus pada masalah yang
dibicarakan, sehingga waktu tidak terbuang sia-sia. Ekstra waktu yang dimiliki dapat
digunakan untuk mendiskusikan masalah secara lebih mendetail, sehingga didapatkan
definisi masalah yang lebih baik. Atau, ekstra waktu yang dimiliki dapat digunakan
untuk mengidentifikasi alternatif-alternatif yang sebelumnya tampak tidak mungkin.
Evaluasi alternatif yang lebih banyak akan meningkatkan kesempatan mendapatkan
solusi yang lebih baik.

8.3 Letak Lingkungan GDSS

GDSS membantu pemecahan masalah dengan cara menyediakan lokasi yang

kondusif untuk komunikasi. Pada tiap lokasi, para anggota kelompok dapat bertemu
dalam waktu yang bersamaan atau waktu yang berbeda. Jika para anggota bertemu
pada saat yang bersamaan, maka lokasi ini disebut pertukaran sinkron (synchronous
exchange). Salah satu contoh adalah pertemuan komite. Jika para anggota bertemu
pada waktu yang berbeda-beda, maka lokasi ini disebut pertukaran asinkron
(asynchronous exchange). Salah satu contoh adalah saling berbalas komunikasi
melalui e-mail.

8.4 Ruang Keputusan

 Ruang keputusan (decision room) adalah tempat sekelompok kecil orang yang
bertemu langsung. Ruangan ini membantu komunikasi melalui kombinasi perabotan,
peralatan, dan tempat. Peralatan mencakup kombinasi komputer, mikrofon penangkap
suara, kamera video, dan layar lebar. Di tengah-tengah ruangan terletak konsol
fasilitator. Fasilitator (Facilitator) adalah seseorang yang tugas utamanya adalah
menjaga diskusi di jalurnya.

Berdasarkan pengaturan yang ditentukan untuk masing-masing sesi, pesan yang

dimasukkan oleh salah seorang anggota kelompok kepada anggota lain dapat
ditampilkan pada layar lebar untuk dilihat seluruh anggota kelompok. Materi lain yang
penting untuk diskusi ini juga dapat ditampilkan dari media seperti gambar PowerPoint,
videotape, slide berwarna, dan transparansi.

Dua buah fitur GDSS yang unik adalah komunikasi paralel dan anonimitas.
Komunikasi paralel (parallel communication) terjadi ketika semua peserta memasukkan
komentar pada saat yang bersamaan, dan anonimitas (anonimity) adalah ketika tidak
ada yang dapat mengetahui siapa yang memberikan komentar tertentu. Anonimitas
memungkinkan para peserta untuk mengatakan apa yang mereka pikirkan tanpa takut
diejek oleh anggota kelompok yang lain. Selain itu, fitur ini memungkinkan masing-
masing ide untuk dievaluasi berdasarkan kelebihannya dan bukan berdasarkan siapa
yang memberikannya.

8.5 Jaringan Keputusan Wilayah Lokal

Jika tidak memungkinkan untuk sekelompok kecil orang untuk bertemu langsung,
maka para anggota dapat berinteraksi melalui LAN. Seorang anggota dapat
memasukkan komentar ke dalam komputer dan melihat komentar yang diberikan
anggota lain di layar.

8.6 Sesi Legislatif

Jika kelompok yang ada terlalu besar untuk suatu ruang keputusan, maka akan
dibutuhkan sesi legislatif. Ukuran yang besar akan membatasi komunikasi. Kesempatan
partisipasi secara rata oleh semua anggota kelompok menjadi berkurang atau waktu
yang tersedia
akan berkurang. Salah satu solusi untuk masalah ini adalah fasilitator memutuskan
materi mana yang harus ditampilkan di layar untuk dilihat seluruh kelompok.

8.7 Konferensi Yang Dimediasi Komputer

Beberapa aplikasi virtual memungkinkan komunikasi antara kelompok-kelompok

besar yang memiliki anggota yang tersebar di berbagai wilayah geografis. Aplikasi ini
secara kolektif dikenal sebagai aplikasi konferensi jarak jauh, yang mencakup
konferensi komputer, konferensi audio, dan konferensi video.

8.8 Meletakkan DSS pada Tempatnya

Telah dilihat bagaimana cakupan dukungan keputusan yang diberikan oleh DSS
telah meluas dibandingkan ketika Gorry dan Scott-Morton pertama kali mengutarakan
ide untuk mengatasi masalah semiterstruktur. Perluasan cakupan ini merupakan saksi
keberhasilan DSS. Konsep ini telah bekerja dengan amat baik sehingga para
pengembang terus memikirkan fitur- fitur baru untuk ditambahkan.

Ketika kecerdasan buatan ditambahkan, fitur ini benar-benar mengubah karakter

DSS. Seseorang pernah menggambarkan perbedaan antara DSS dan sistem pakar
dengan cara menjelaskan bahwa ketika seorang manajer menggunakan DSS, maka ia
duduk di depan komputer dan berusaha menemukan bagaimana cara menggunakan
tampilan informasi untuk menyelesaikan masalah. Ketika manajer menggunakan sistem
pakar, manajer duduk di depan komputer, namun seorang konsultan duduk di sebelah
manajer dan memberi saran mengenai bagaimana memecahkan masalah. Kecerdasan
buatan memungkinkan DSS untuk memberikan tingkat dukungan keputusan yang
semula tidak dibayangkan oleh para visioner DSS.
 KESIMPULAN

Proses pengambilan keputusan ini menggunakan softwareexpert choice yang mampu

membantu pengambilan keputusan terhadap proses kenaikan jabatan.SDM
sebagai aspek penentu keberhasilan kerja dari perusahaan merupakan
salah satu elemen yang sangat penting. Sistem pendukung keputusan yang dibuat
adalah pemilihan karyawan yang sesuai kriteria yang ada pada satu jabatan tertentu.
Dalam hal ini bertugas menganalisis karyawan yang cocok dengan kriteria. Penilaian
karyawan sesuai dengan kriteria yang telah ditentukan memudahkan proses
kenaikan jabatan. Cara perhitungan yang dipergunakan dalam pemetaan terdiri dari
aspek-aspek : Keterampilan, Potensi, Ability, skill. Hasil perhitungan AHP yang
diterapkan dengan softwareexpert choice ini akan menghasilkan keluaran nilai
intensitas prioritas karyawan tertinggi sehingga karyawan yang memiliki nilai
tertinggi layak untuk mendapatkan jabatan yang dipromosikan. Karena
keterbatasan waktu maka ada hal-hal yang belum dapat diselesaikan, sehingga
untuk pengembangan selanjutnya ada beberapa saran pengembangan yang perlu
diperhatikan yaitu sebagai berikut :

1. Saat ini aplikasi belum sempurna, perlu ada perbaikan pada tampilan-tampilan
sehingga dapat lebih menarik. Misalnya dibuatkan program dalam bentuk menu yang
mempermudah input data oleh pengguna.

2. System yang dibuat dalam bentuk on-line, agar lebih mudah untuk input datanya.
 DAFTAR PUSTAKA

Anggraini, D. (2019). The Effect Accounting Conservatism, Firm Size And

Dividend Policy On Earning Response Coefficient. EPRA International
Journal of Multidisciplinary Research, 4(4), 281-293

Damayanti, K., Fardinal., (2019). The Effect of Information Technology

Utilization, Management Support, Internal Control, and User
Competence on Accounting Information System Quality. Schollars
Bulletin, 5(12), 751-758.

Hanifah, S., Sarpingah, S., & Putra, Y. M., (2020). The Effect of Level of
Education, Accounting Knowledge, and Utilization Of Information
Technology Toward Quality The Quality of MSME ’ s Financial Reports.
The 1st Annual Conference Economics, Business, and Social Sciences
(ACEBISS) 2019, 1 (3). https://doi.org/10.4108/eai.3-2-

2020.163573

Herliansyah, Y., Nugroho, L., Ardilla, D., & Putra, Y. M., (2020). The
Determinants of Micro, Small and Medium Entrepreneur (MSME)
Become Customer of Islamic Banks (Religion, Religiosity, and Location
of Islamic Banks ). The 1st Annual Conference Economics, Business,
and Social Sciences (ACEBISS) 2019, 1 , (2).
https://doi.org/10.4108/eai.26-3-2019.2290775

Kharisma, M., & Faisol, D. A. (2019). Effect of Corporate Social

Responsibility and Company Transparency on Tax Avoidance with
Profitability as Moderating Variables (In Manufacturing Companies That
Are Listing on The Idx 2015-2017 Period). Scholar Bulletin, 5(8), 439-
443

Nugroho, L., Mastur, A.A., Fardinal, F., Putra, Y.M., (2019). Hajj,
Civilization and Islamic Banking Contribution Discourses. Location of
Islamic Banks ). The 1st AnnuaScl Conference Economics,
 Business, and Social Sciences (ACEBISS) 2019, 1 (11),
http://dx.doi.org/10.4108/eai.26-3-2019.2290773

Putra, Y. M., (2018). Sistem Pengambilan Keputusan. Modul Kuliah

Sistem Informasi Manajemen. FEB-Universitas Mercu Buana: Jakarta