Teknologi Pengambilan Keputusan

A. Sistem Pengambilan Keputusan

SPK merupakan sistem yang dibuat untuk membantu organisasi dalam mengatasi
masalah yang kompleks dengan menyediakan informasi, alat analisis, dan metode evaluasi
untuk mendukung proses pengambilan Keputusan yang efektif. SPK menggunakan data dan
model Keputusan untuk menghasilkan rekomendasi atau Solusi yang terbaik dari berbagai
alternatif yang tersedia.
Komponen-Komponen SPK
1) Basis Data
Basis data merupakan kumpulan data yang relevan yang digunakan dalam proses
pengambilan keputusan.

Referensi: Turban, E., Aronson, J. E., & Liang, T. P. (2019). Decision Support
Systems and Intelligent Systems. Pearson.

2) Model Keputusan
Model keputusan merupakan sesuatu yang formal dari proses pengambilan keputusan
yang mencakup struktur logis dari masalah.

Referensi: Power, D. J., & Sharda, R. (2007). Model-Driven Decision Support

Systems: Concepts and Research Directions. Decision Support Systems, 43(3), 1044–
1061.

3) Antarmuka
Antarmuka pengguna merupakan bagian dari SPK yang memungkinkan pengguna
untuk lebih banyak berinteraksi dengan mengakses informasi, memasukkan data, dan
menerima hasil.

Referensi: Hang, P., & Walji, M. F. (2011). TURF: Toward a Unified Framework of
EHR Usability. Journal of Biomedical Informatics, 44(6), 1056–1067.

4) Algoritma dan Teknik Analisis

Algoritma dan teknik analisis digunakan untuk menganalisis data, memprediksi hasil,
dan menyajikan informasi.

Referensi: Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and
Techniques. Morgan Kaufmann.

B. Data Mining
Data Mining merupakan proses pengolahan informasi yang berguna untuk
menemukan pola yang dapat digunakan untuk pengambilan Keputusan yang akurat.
Proses Data Mining
1. Pemahaman Bisnis: Tahap ini melibatkan pemahaman mendalam tentang masalah
bisnis yang akan diselesaikan melalui data mining. Tujuannya adalah untuk
mengidentifikasi tujuan bisnis, kebutuhan data, dan kriteria kesuksesan.
2. Pemahaman Data: Langkah ini mencakup pengumpulan data yang relevan,
pemahaman terhadap struktur data, serta identifikasi potensi masalah atau kekurangan
data yang perlu diperbaiki sebelum proses data mining dilakukan.
3. Pemrosesan Data: Pada tahap ini, data yang telah dikumpulkan diproses dan
dipersiapkan untuk analisis lebih lanjut. Ini termasuk pembersihan data (data
cleansing), transformasi data, dan integrasi data dari berbagai sumber.
4. Pemilihan Teknik Data Mining: Tahap ini melibatkan pemilihan teknik atau metode
data mining yang paling sesuai untuk mencapai tujuan analisis. Ini dapat mencakup
teknik-teknik seperti clustering, klasifikasi, asosiasi, atau prediksi.
5. Penerapan Teknik Data Mining: Langkah ini adalah implementasi teknik data
mining yang dipilih pada data yang telah diproses sebelumnya. Ini melibatkan
penggunaan algoritma-algoritma khusus untuk mengekstraksi pola atau informasi
yang bermanfaat dari data.
6. Evaluasi dan Interpretasi Hasil: Setelah proses data mining selesai, hasilnya
dievaluasi untuk memastikan keakuratan dan kegunaannya. Hasil yang ditemukan
kemudian diinterpretasikan dalam konteks bisnis dan diuji untuk validitasnya.
7. Penggunaan dan Diseminasi: Langkah terakhir melibatkan penggunaan hasil data
mining untuk pengambilan keputusan bisnis yang lebih baik. Informasi yang
ditemukan juga dapat diseminasi ke pihak-pihak yang terkait untuk mendukung
proses pengambilan keputusan.
Sumber Referensi:
 Han, J., Kamber, M., & Pei, J. (2011). Data Mining: Concepts and Techniques.
Morgan Kaufmann. (Chapter 1: Introduction)
 Witten, I. H., Frank, E., Hall, M. A., & Pal, C. J. (2016). Data Mining: Practical
Machine Learning Tools and Techniques. Morgan Kaufmann. (Chapter 1: Data
Mining)
 Larose, D. T. (2014). Discovering Knowledge in Data: An Introduction to Data
Mining. Wiley. (Chapter 1: Introduction to Data Mining)

C. Analisis Big Data

Analisis Big Data merupakan proses mengumpulkan data yang besar, kompleks, dan
bervariasi.
Aplikasi Analisis Big Data
1. Hadoop:
o Penjelasan: Hadoop adalah platform perangkat lunak open-source yang
digunakan untuk menyimpan dan mengelola data yang sangat besar secara
terdistribusi. Ini menggunakan model pemrosesan paralel di atas cluster
komputer untuk memproses data secara efisien.
o Sumber Referensi: White, T. (2015). Hadoop: The Definitive Guide. O'Reilly
Media.
2. Apache Spark:
o Penjelasan: Apache Spark adalah platform pemrosesan data cepat dan umum
yang dirancang untuk analisis Big Data. Ini menyediakan kemampuan untuk
pemrosesan data in-memory yang cepat dan mendukung berbagai macam
tugas analisis data.
o Sumber Referensi: Zaharia, M., et al. (2018). Learning Spark: Lightning-Fast
Big Data Analysis. O'Reilly Media.
3. Apache Flink:
o Penjelasan: Apache Flink adalah platform pemrosesan data open-source yang
dirancang untuk memproses data streaming dan batch dengan performa tinggi.
Ini memungkinkan analisis real-time yang cepat dan akurat terhadap aliran
data yang kontinu.
o Sumber Referensi: Carbone, P., et al. (2015). Apache Flink: Distributed
Stream and Batch Data Processing. Springer.
4. NoSQL Databases:
o Penjelasan: Basis data NoSQL (Not Only SQL) adalah solusi penyimpanan
data yang fleksibel dan dapat diperluas secara horizontal. Ini cocok untuk
menyimpan dan mengelola data semi-terstruktur atau tidak terstruktur dalam
lingkungan Big Data.
o Sumber Referensi: Sadalage, P. J., & Fowler, M. (2012). NoSQL Distilled: A
Brief Guide to the Emerging World of Polyglot Persistence. Addison-Wesley.
5. Apache Kafka:
o Penjelasan: Apache Kafka adalah platform streaming open-source yang
digunakan untuk memproses, mengirim, dan menyimpan aliran data dalam
skala besar secara real-time. Ini sering digunakan untuk mengintegrasikan
sistem yang terdistribusi dan menerapkan arsitektur event-driven.
o Sumber Referensi: Narkhede, N., et al. (2018). Kafka: The Definitive Guide.
O'Reilly Media.
 6. TensorFlow:
o Penjelasan: TensorFlow adalah perpustakaan open-source yang digunakan
untuk pembelajaran mesin dan pengolahan data berbasis tensor. Ini sering
digunakan untuk membangun model kecerdasan buatan untuk analisis data
dan pengambilan keputusan dalam skala besar.
o Sumber Referensi: Gulli, A., & Pal, S. (2017). Deep Learning with
TensorFlow: Explore neural networks with Python. Manning Publications.

D. Kecerdasan Buatan
Kecerdasan Buatan atau Artificial Intelligence (AI) Merupakan bidang ilmu computer
yang bertujuan untuk membuat pengerjaan tugas menjadi lebih cepat dan jelas. Namun
teknologi ini harus diterapkan dengan benar sebagai pendamping bukan pengganti.
Aplikasi AI dalam Pengambilan Keputusan
1. Sistem Rekomendasi:
o Penjelasan: Sistem rekomendasi menggunakan teknik-teknik AI untuk
menganalisis pola perilaku pengguna dan memberikan rekomendasi yang
personal dan relevan. Ini dapat digunakan dalam berbagai platform seperti e-
commerce, streaming media, dan pemasaran online.
o Sumber Referensi: Ricci, F., et al. (2015). Recommender Systems:
Introduction and Challenges. Springer.
2. Analisis Sentimen:
o Penjelasan: Analisis sentimen menggunakan teknik-teknik AI untuk
mengekstrak dan menganalisis sentimen dari teks atau data media sosial. Ini
membantu dalam memahami pandangan atau opini publik tentang produk,
layanan, atau isu tertentu.
o Sumber Referensi: Liu, B. (2012). Sentiment Analysis and Opinion Mining.
Morgan & Claypool Publishers.
3. Pengoptimalan Proses:
o Penjelasan: AI digunakan untuk memodelkan dan mengoptimalkan proses
bisnis atau operasional dengan mempertimbangkan berbagai kendala dan
preferensi. Ini membantu dalam meningkatkan efisiensi, produktivitas, dan
kualitas hasil.
o Sumber Referensi: Pinedo, M. (2016). Planning and Scheduling in
Manufacturing and Services. Springer.
4. Sistem Pengambilan Keputusan Berbasis Pengetahuan:
o Penjelasan: Sistem pengambilan keputusan berbasis pengetahuan
menggunakan basis pengetahuan yang disajikan dalam bentuk aturan atau
 model untuk membuat keputusan yang cerdas dalam lingkungan yang
kompleks. Ini dapat digunakan dalam berbagai aplikasi termasuk bidang
kesehatan, keuangan, dan teknik.
o Sumber Referensi: Turban, E., et al. (2019). Decision Support Systems and
Intelligent Systems. Pearson.
5. Prediksi dan Forecasting:
o Penjelasan: AI digunakan untuk memprediksi perilaku masa depan atau tren
berdasarkan analisis data historis. Ini digunakan dalam berbagai konteks
seperti prediksi permintaan, analisis pasar, dan peramalan cuaca.
o Sumber Referensi: Hyndman, R. J., & Athanasopoulos, G. (2018).
Forecasting: Principles and Practice. OTexts.