KONSEP DASAR

SISTEM PENDUKUNG KEPUTUSAN

Pengertian Sistem
Terdapat banyak pengertian tentang sistem, tetapi dari asal kata “sistem” maka
dapat diperoleh sedikit gambaran tentang apa itu sistem. Kata “sistem” berasal
dari bahasa Yunani yaitu systema yang berarti kesatuan, yakni keseluruhan
bagian-bagian yang mempunyai hubungan satu dengan yang lainnya.
Menurut Henry C. Lucas Jr, sistem adalah suatu komponen atau variabel yang
terorganisasi, saling bergantung satu sama lain dan terpadu. Menurut Gordon B.
Davis, sebuah sistem terdiri dari bagian-bagian yang saling berkaitan yang
beroperasi bersama-sama untuk mencapai beberapa sasaran tujuan. Sedangkan
menurut Jogiyanto, sistem adalah kumpulan elemen-elemen yang berinteraksi
untuk mencapai suatu tujuan tertentu.
Dari definisi di atas, dapat ditarik suatu kesimpulan bahwa sistem adalah
kumpulan semua unsur yang ada dalam suatu lingkup permasalahan yang saling
berintegrasi, sehingga setiap informasi yang ada akan dapat dimanfaatkan oleh
pihak-pihak yang ada dalam lingkup permasalahan untuk mencapai suatu tujuan
tertentu.
Menurut Gordon B. Davis sistem mempunyai karakteristik sebagai berikut:
Tujuan: sistem harus mempunyai tujuan, sehingga segala aktivitasnya
terarah pada satu tujuan yang pasti.
Kesatuan: sistem merupakan suatu kesatuan yang bulat dan utuh.
Suatu sistem akan menghasilkan nilai lebih dalam satu kesatuan dibandingkan
jika bagian-bagiannya berjalan sendiri-sendiri. Dan suatu sistem akan kehilangan
nilai serta fungsinya jika ada bagiannya yang tidak berfungsi.
Keterkaitan: setiap bagian dari suatu sistem saling terkait satu sama
lainnya dan memiliki ketergantungan antara satu dengan lainnya.
Keterbukaan: sistem pasti memiliki batasan-batasan, dan pasti
berinteraksi dengan sistem yang lebih luas yang berada di luar dirinya. Sistem
lebih luas yang berada di luar sistem, di sebut lingkungan. Esensinya adalah sistem
bekerja melalui lingkungan dan bekerja terhadap lingkungan. Jika ada sistem yang
tertutup, maka sebenarnya sistem itu gagal berhubungan dengan lingkungannya.
Transformasi: sistem harus melakukan kegiatan dalam upayanya
mencapai tujuan. Dalam kegiatan itu, sistem pasti memerlukan input yang kemudian
ditransformasikan menjadi suatu bentuk keluaran sesuai dengan tujuan sistem.
Mekanisme Pengendalian: untuk menjaga agar sistem selalu berjalan
sesuai dengan tujuan, maka harus ada mekanisme pengendalian yang menjaga
arah dari suatu sistem.

Struktur Sistem
Sistem secara umum dibagi atas 3 bagian yaitu masukan (input), proses (process)
dan keluaran (output). Ketiga bagian dasar pembentuk sistem ini akan dikelilingi
oleh suatu lingkungan (environment). Selain itu, biasanya suatu sistem akan
dirancang dengan memasukkan unsur umpan balik (feedback). Bagan dari sistem
dapat dilihat pada gambar 1
berikut.
 Gambar 1. Bagan Sistem
1.
2. Masukkan (Input) merupakan bagian awal sistem yang meliputi semua
hal yang dijadikan masukan atau masuk ke dalam sistem tersebut.
3. Proses (Process) merupakan suatu pekerjaan yang menstransformasikan
masukan menjadi keluaran.
4. Keluaran (Output) adalah produk jadi atau hasil dari pengolahan
masukan oleh proses.
5. Lingkungan (Environment) adalah tempat dimana sistem tersebut berada
atau diletakkan. Yang termasuk lingkungan adalah semua elemen yang berada di luar
sistem yang mempengaruhi dan dipengaruhi oleh sistem tersebut.
6. Umpan Balik (Feedback) adalah suatu sensor yang berguna untuk
mencegah timbulnya keluaran yang tidak sesuai dengan yang diinginkan atau
memberikan informasi bila hal ini terjadi.

Pengertian Keputusan
Literatur manajemen menyatakan bahwa suatu keputusan adalah penentuan
suatu pilihan. Ada yang menyatakan keputusan sebagai pilihan tentang suatu
bagian tindakan atau di sebut course of action. Sedangkan menurut Daihani,
keputusan adalah suatu pilihan dari strategi tindakan atau di sebut strategy for
action.
Melengkapi pendapat para ahli di atas, Daihani menambahkan kata alternatif
dalam definisinya. Selengkapnya kedua ahli tersebut merumuskan bahwa :
Keputusan adalah suatu pilihan yang mengarah kepada tujuan yang
diinginkan (to a certain desired objective).
Keputusan adalah aktivitas pemilihan tindakan dari sekumpulan
alternatif untuk memecahkan suatu masalah.
Menurut Hasan, keputusan adalah hasil pemecahan masalah yang harus dapat
menjawab pertanyaan tentang apa yang dibicarakan dalam perencanaan.
Keputusan dapat berupa tindakan terhadap pelaksanaan yang sangat
menyimpang dari rencana semula.
Menurut Agustina, keputusan adalah pilihan di antara alternatif- alternatif.
Definisi ini mengandung tiga pengertian, yaitu adalah pilihan atas dasar logika
atau pertimbangan, ada beberapa alternatif yang harus dipilih dari salah satu yang
terbaik, dan ada tujuan yang ingin dicapai dan keputusan itu makin mendekatkan
pada tujuan tersebut.
Dari pengertian-pengertian di atas, dapat ditarik suatu kesimpulan bahwa
keputusan merupakan suatu pemecahan masalah yang dilakukan melalui satu
pemilihan dari beberapa alternatif.

Macam-macam Keputusan
Menurut Kendall terdapat tiga macam keputusan, yang biasanya dibayangkan
oleh banyak orang bahwa keputusan sebagai keputusan- keputusan yang sudah
ada dalam suatu deretan langkah dari terstruktur ke tidak terstruktur.
1. Keputusan terstruktur adalah suatu keputusan di mana semua atau
sebagian besar dari variabel-variabel yang ada diketahui dan bisa diprogram
secara total. Keputusan yang terstruktur bersifat rutin dan memerlukan sedikit
pendapat manusia begitu variabel-variabel tersebut diprogram.
2. Keputusan tidak terstruktur adalah keputusan yang tetap resistan
terhadap komputerisasi dan tergantung sepenuhnya pada intuisi.
3. Keputusan semi terstruktur adalah keputusan yang bisa
diprogramkan sebagian namun masih memerlukan pendapat manusia.

Definisi dan Karakteristik Sistem Pendukung Keputusan (SPK)

Konsep Sistem Pendukung Keputusan pertama kali dinyatakan oleh Michael S.
Scott Morton pada tahun 1970 dengan istilah “Management Decision System”.
Setelah pernyataan tersebut, beberapa perusahaan dan perguruan tinggi
melakukan riset dan mengembangkan konsep Sistem Pendukung Keputusan. Pada
dasarnya SPK dirancang untuk mendukung seluruh tahap pengambilan
keputusan mulai dari mengidentifikasi masalah, memilih data yang relevan,
menentukan pendekatan yang digunakan dalam proses pengambilan keputusan,
sampai mengevaluasi pemilihan alternatif.
Ada berbagai pendapatan mengenai SPK, antara lain disebutkan di bawah ini:
1. Menurut Scott, SPK merupakan suatu sistem interaktif berbasis
komputer, yang membantu pengambil keputusan melalui penggunaan data dan
model-model keputusan untuk memecahkan masalah-masalah yang sifatnya semi
terstruktur dan tidak terstruktur, yang intinya mempertinggi efektifitas
pengambil keputusan.
2. Menurut Alavi and Napier, SPK merupakan suatu kumpulan prosedur
pemrosesan data dan informasi yang berorientasi pada penggunaan model untuk
menghasilkan berbagai jawaban yang dapat membantu manajemen dalam
pengambilan keputusan. Sistem ini harus sederhana, mudah dan adaptif.
3. Menurut Little, SPK adalah suatu sistem informasi berbasis komputer
yang menghasilkan berbagai alternatif keputusan untuk membantu manajemen
dalam menangani berbagai permasalahan yang semi terstruktur ataupun tidak
terstruktur dengan menggunakan data dan model.
4. Menurut Sparague and Carlson, SPK adalah sistem komputer yang
bersifat mendukung dan bukan mengambil alih suatu pengambilan keputusan
untuk masalah-masalah semi terstruktur dan tidak terstruktur dengan
menggunakan data dan model.
5. Sedangkan menurut Al-Hamdany, SPK adalah sistem informasi
interaktif yang mendukung proses pembuatan keputusan melalui presentasi
informasi yang dirancang secara spesifik untuk pendekatan penyelesaian masalah
dan kebutuhan-kebutuhan aplikasi para pembuat keputusan, serta tidak
membuat keputusan untuk pengguna.
Dari berbagai definisi di atas dapat disimpulkan bahwa SPK adalah suatu sistem
informasi yang spesifik yang ditujukan untuk membantu manajemen dalam
mengambil keputusan yang berkaitan dengan persoalan yang bersifat semi
terstruktur secara efektif dan efisien, serta tidak menggantikan fungsi pengambil
keputusan dalam membuat keputusan.
Karena SPK merupakan suatu pendukung pengambilan keputusan dengan
menggunakan berbagai informasi yang ada, maka Raymond McLeod Jr.
memasukkan SPK sebagai bagian dari Management Information System dan
mendefinisikan SPK sebagai sistem penghasil informasi spesifik yang ditujukan
untuk memecahkan suatu masalah tertentu yang harus dipecahkan oleh manajer
pada berbagai tingkatan. Menurut Laudon meskipun SPK merupakan bagian dari
MIS, namun terdapat perbedaan di antara keduanya. Perbedaan utamanya yaitu:
MIS menghasilkan informasi yang lebih bersifat rutin dan terprogram.
SPK lebih dikaitkan dengan proses pengambilan keputusan yang
spesisfik.
Selain perbedaan di atas, menurut Turban beberapa karakteristik SPK yang
membedakan dengan sistem informasi lainnya adalah:
1. Berfungsi untuk membantu proses pengambilan keputusan untuk
memecahkan masalah yang sifatnya semi terstruktur maupun tidak terstruktur.
2. Bekerja dengan melakukan kombinasi model-model dan teknik-
teknik analisis dengan memasukkan data yang telah ada dan fungsi pencari
informasi.
3. Dibuat dengan menggunakan bentuk yang memudahkan pemakai (user
friendly) dengan berbagai instruksi yang interaktif sehingga tidak perlu seorang ahli
komputer untuk menggunakannya.
4. Sedapat mungkin dibuat dengan fleksibilitas dan kemampuan
adaptasi yang tinggi untuk menyesuaikan dengan berbagai perubahan dalam
lingkungan dan kebutuhan pemakai.
5. Keunikannya terletak pada dimungkinkannya intuisi dan penilaian
pribadi pengambil keputusan untuk turut dijadikan dasar pengambilan
keputusan.

Kelebihan Sistem Pendukung Keputusan (SPK)

Sistem Pendukung Keputusan (SPK) dapat memberikan beberapa keuntungan-
keuntungan bagi pemakainya. Menurut Turban maupun McLeod keuntungan-
keuntungan tersebut meliputi:
1. Memperluas kemampuan pengambil keputusan dalam memproses
data/informasi untuk pengambilan keputusan.
2. Menghemat waktu yang dibutuhkan untuk memecahkan masalah,
terutama berbagai masalah yang sangat kompleks dan tidak terstruktur.
3. Menghasilkan solusi dengan lebih cepat dan hasilnya dapat diandalkan.
4. Mampu memberikan berbagai alternatif dalam pengambilan
keputusan, meskipun seandainya SPK tidak mampu memecahkan masalah yang
dihadapi oleh pengambil keputusan, namun dapat digunakan sebagai stimulan
dalam memahami persoalan.
5. Memperkuat keyakinan pengambil keputusan terhadap keputusan
yang diambilnya.
6. Memberikan keuntungan kompetitif bagi organisasi secara
keseluruhan dengan penghematan waktu, tenaga dan biaya.
Kekurangan dari Sistem Pendukung Keputusan (SPK)
Walaupun dirancang dengan sangat teliti dan mempertimbangkan seluruh faktor
yang ada, menurut Turban SPK mempunyai kelemahan atau keterbatasan,
diantaranya yaitu:
1. Ada beberapa kemampuan manajemen dan bakat manusia yang tidak
dapat dimodelkan, sehingga model yang ada dalam sistem tidak semuanya
mencerminkan persoalan sebenarnya.
2. SPK terbatas untuk memberikan alternatif dari pengetahuan yang
diberikan kepadanya (pengatahuan dasar serta model dasar) pada waktu
perancangan program tersebut.
3. Proses-proses yang dapat dilakukan oleh SPK biasanya tergantung
juga pada kemampuan perangkat lunak yang digunakan. Harus selalu diadakan
perubahan secara kontinyu untuk menyesuaikan dengan keadaan lingkungan
yang terus berubah agar sistem tersebut up to date.
4. Bagaimanapun juga harus diingat bahwa SPK dirancang untuk
membantu/mendukung pengambilan keputusan dengan mengolah informasi dan
data yang diperlukan, dan bukan untuk mengambil alih pengambilan keputusan.

Tujuan Sistem Pendukung Keputusan (SPK)

Menurut Jopih secara global, dapat dikatakan bahwa tujuan dari SPK adalah untuk
meningkatkan kemampuan para pengambil keputusan dengan memberikan
alternatif-alternatif keputusan yang lebih banyak atau lebih baik dan membantu
untuk merumuskan masalah dan keadaan yang dihadapi. Dengan demikian SPK dapat
menghemat waktu, tenaga dan biaya. Jadi dapatlah dikatakan secara singkat bahwa
tujuan SPK adalah untuk meningkatkan efektivitas (do the right things) dan efesiensi
(do the things right) dalam pengambilan keputusan. Walaupun demikian, penekanan
dari suatu SPK adalah pada peningkatan efektivitas dari pengambilan keputusan dari
pada efisiensinya.

Tingkatan Teknologi Sistem Pendukung Keputusan (SPK)

Turban maupun Sparague and Watson menyatakan bahwa dalam merancang serta
menggunakan SPK dikenal tiga tingkatan teknologi yang berupa perangkat keras
(hardware) atau perangkat lunak (software). Tingkatan tersebut dipergunakan oleh
orang-orang dengan kemampuan teknik yang berbeda, dan pada dasarnya bervariasi
dalam cakupan tugas dimana mereka dapat diaplikasikan.
a. Specific Decision Support System (SDSS)
Specific Decision Support System (SDSS) adalah sistem yang ditujukan untuk
membantu pemecahan serangkaian masalah dengan karakteristik yang spesifik.
Melalui pengkombinasian model, basis data serta teknik representasi tertentu,
sistem ini menghasilkan berbagai alternatif yang akan memudahkan pengambil
keputusan dalam melaksanakan tugasnya. Sistem ini pada hakikatnya, dapat juga
digunakan untuk menjelaskan, memperkuat atau memberikan justifikasi terhadap
suatu keputusan yang akan diambil oleh manajemen. Contoh dari SDSS ini adalah
sistem interaktif grafik dalam evaluasi penjadwalan produksi.

b. Decision Support System Generator (DSSG)

Menurut Sprague and Watson Decision Support System Generator (Pembangkit Sistem
Pendukung Keputusan) ini merupakan suatu paket yang menghubungkan perangkat
keras (hardware) dengan perangkat lunak (software) yang menyediakan kemampuan
untuk membangun suatu SDSS secara cepat dan mudah.
Salah satu contoh pengembangan pertama dari DSSG adalah Geodata Analysis and
Display (GADS). GADS ini berisi peta, kamus data dan alternatif prosedur yang
kemudian dipakai dalam pembuatan SDSS pada sistem kepolisian di San Jose.
Berikutnya adalah Interactive Financial Planning System (IFPS) dari Executive
Systems. DSSG diantaranya meliputi fasilitas penyiapan laporan, bahasa simulasi,
tampilan grafik, subrutin statistik, dan sebagainya.

c. Decision Support System Tools (DSST)

Menurut Suryadi dan Ramdhani sistem ini merupakan teknologi yang paling dasar
dalam merancang dan membangun SPK. DSST terdiri dari elemen hardware dan
software yang dapat memudahkan pengembangan SDSS dan DSSG. Tingkatan
teknologi ini yang paling banyak dikembangkan akhir-akhir ini, termasuk
didalamnya pengembangan bahasa untuk keperluan tertentu, peningkatan sistem
operasi untuk mendukung perancangan subsistem dialog, perancangan grafik
berwarna, dan perancangan subsistem lainnya. Yang termasuk dengan kategori-
kategori teknologi ini antara lain bahasa pemrograman (BASIC, FORTRAN, DBASE
IV, C, PASCAL, dan sebagainya), sistem operasi komputer khusus, perangkat lunak
pengakses data, dan sebagainya.
Hubungan antara Ketiga Tingkatan Teknologi SPK
Decision Support System Tools (DSST) dapat digunakan untuk membangun suatu
aplikasi Specific Decision Support System (SDSS) secara langsung. Hal ini sebenarnya
sama saja dengan proses perancangan aplikasi tradisional lainnya, yaitu dengan
menggunakan alat-alat seperti bahasa pemrograman dengan tujuan umum, perangkat
lunak untuk mengakses data, paket- paket sub rutin, dan lain-lain. Pada dasarnya, hal
yang paling sulit dihadapi oleh perancang dalam membangun suatu aplikasi SPK
adalah kemampuan mengantisipasi perubahan yang terjadi (mempertahankan
fleksibilitas sistem). Hubungan antara ketiga tingkatan teknologi SPK diatas dapat
ditunjukkan pada gambar 2 berikut:

Specifics DSS “Applications”

DSS Tools

Gambar 2. Tiga Tingkatan Teknologi SPK

Sebagaimana diketahui bahwa suatu perubahan pada karakteristik SPK tidak hanya
mengakibatkan perubahan lingkungan, tetapi juga mengubah cara manajer untuk
melakukan pendekatan pada masalah yang dihadapinya. Karena itu, faktor yang
penting dalam menggunakan peralatan dasar adalah kebutuhan untuk melibatkan
user (pengguna) secara langsung dalam mengubah dan memodifikasi SPK.
Decision Support System Generator (DSSG) pada dasarnya digunakan untuk
menciptakan suatu “platform” atau rencana induk yang juga digunakan sebagai media
komunikasi antara perancang dengan pengguna. Sehingga apabila akan diadakan
pengembangan lebih lanjut di mana SDSS dapat dikembangkan secara tetap dan
dimodifikasi dengan kerjasama user, serta dengan tidak membutuhkan banyak waktu
dan tenaga.

Pihak-Pihak yang Berperan dalam Pengembangan SPK

Terdapat lima pihak yang berperan dalam pengembangan ketiga tingkatan SPK.
Keterkaitan antara peran-peran dengan tiga tingkatan teknologi SPK, dapat
dilihat pada gambar 3 yang disebut dengan kerangka kerja pengembangan SPK.
Kelima peran tersebut adalah:
a. Manager atau pemakai (user), yaitu pihak yang terlibat langsung dengan
proses pengambilan keputusan, yang harus mengambil tindakan dan bertanggung
jawab atas konsekuensinya terhadap keputusan yang diambil.
b. Intermediary atau penghubung, yaitu pihak yang membantu user,
seperti staff pimpinan yang bertugas sebagai pemberi saran atau informasi,
menerjemahkan kebutuhan manajer pada perancang.
c. DSS Builder atau pembangun SPK (fasilitator), yaitu pihak yang
mengembangkan SDSS dari DSSG, di mana user ataupun intermediary berinteraksi
secara langsung.
d. Technical Supporter atau teknisi pendukung, yaitu pihak yang bertugas
mengembangkan kemampuan atau menambahkan komponen sistem informasi
tambahan (jika dibutuhkan dalam pengembangan DSSG), penambahan database baru,
model analisis baru, dan format tampilan data tambahan.
e. Toolsmith atau pengembang peralatan, yaitu pihak yang mengembangkan
teknologi baru, baik hardware maupun software, serta meningkatkan efisiensi
hubungan antar subsistem dalam SPK.

Specifics DSS “Applications”

Manager (User)

Intermediary

Adaptive Modification DSS DSS Buildier

Generator

Technical Supporter

Toolsmith

DSS Tools

Gambar 3. Lima Pihak yang Berperan dalam Pengembangan SPK

Komponen-Komponen Sistem Pendukung Keputusan (SPK)

Menurut Carter et. al. Sistem Pendukung Keputusan (SPK) memiliki tiga komponen
utama atau subsistem utama yang menentukan kapabilitas teknis SPK, antara lain
subsistem data, subsistem model dan subsistem dialog, seperti yang ditunjukkan
pada gambar 4 halaman berikut.
Subsistem Data (Data Subsystem)
Subsistem data merupakan komponen SPK yang menyediakan data yang dibutuhkan
oleh sistem. Data yang dimaksud disimpan dalam data baseyang diorganisasikan oleh
suatu sistem yang disebut DBMS (Data Base Management System). Melalui DBMS,
memungkinkan data yang diperlukan dapat diekstraksi secara cepat.

Subsistem Model (Model Subsystem)

Subsistem model merupakan cara bagaimana data yang diambil dari DBMS akan
diolah dengan model-model yang dibuat sehingga menghasilkan suatu
pemecahan atau hasil yang diinginkan. Menurut
McLeod model-model yang digunakan dapat diklasifikasikan ke dalam bentuk
model-model berikut ini:
Model Fisik
Penggambaran entity dalam bentuk tiga dimensi. Misalnya entity
berupa market pusat pembelanjaan. Model Narasi
Menggambarkan entitasnya secara lisan dan tulisan. Semua
komunikasi bisnis adalah model narasi.
Model Grafik
Menggambarkan entitasnya dalam jumlah garis, simbol atau bentuk. Model
Matematika
Model-model matematika menggunakan notasi-notasi dan persamaan matematis
untuk mempresentasikan sistem. Atribut-atribut dinyatakan dengan variabel-
variabel, dan aktivitas-aktivitas dinyatakan dengan fungsi matematika yang
menjelaskan hubungan antar variabel-variabel tersebut.

atabase
Model base
Central Information
System Database Model
Management Management

Dialog
Management

Local area network/

wide area network User
Workstation/PCs
 User User User

Gambar 4. Komponen Sistem Pendukung Keputusan (SPK)

Pemodelan pada SPK mencakup tujuh permasalahan, yaitu:

a. Identifikasi masalah dan analisis lingkungan.
Pada tahap ini akan dilakukan pengawasan, pelacakan, dan interpretasi terhadap
informasi-informasi yang telah terkumpul. Analisis dilakukan terhadap domain
dan dinamika dari lingkungan yang ada. Pada bagian ini perlu juga diidentifikasi
budaya organisasi dan proses pengambilan keputusan. Dapat digunakan business
intelligence tools untuk keperluan tersebut.
b. Identifikasi variabel.
Pada tahap ini akan diidentifikasi variabel-variabel yang relevan. Variabel tersebut
meliputi variabel keputusan, variabel intermediate (tak terkontrol), dan variabel
hasil. Untuk kepentingan tersebut, dapat digunakan influence diagram untuk
menunjukkan relasi antar variabel- variabel tersebut.
c. Peramalan (forecasting).
Apabila suatu SPK diimplemantasikan, maka akibatnya akan dirasakan di
kemudian hari. Oleh karena itu, peramalan mutlak diperlukan.
d. Penggunaan beberapa model keputusan.
Suatu sistem pendukung keputusan dapat terdiri-atas beberapa model. Masing-
masing model merepresentasikan bagian yang berbeda dari masalah
pengambilan keputusan.
e. Seleksi kategori model yang sesuai.
Ada tujuh kategori model SPK sebagaimana telah dijelaskan pada bagian
terdahulu. Setiap kategori memiliki beberapa teknik-teknik tertentu. Pada dasarnya,
teknik-teknik tersebut dapat diaplikasikan baik dalam model statis maupun
model dinamis. Model statis umumnya memberikan asumsi adanya operasi
perulangan dengan menggunakan kondisi yang identik. Model dinamik (time-
dependent) merepresentasikan scenario yang senantiasa berubah dari waktu ke
waktu.
f. Manajemen model.
Untuk menjaga integritas dan aplikabilitasnya, model perlu dikelola sebaik
mungkin. Untuk keperluan tersebut dibutuhkan suatu model base management
system. Model Base Management System (MBMS) merupakan paket perangkat lunak
yang dibangun dengan kapabilitas yang mirip dengan DBMS. Kapabilitas MBMS
meliputi: kontrol, fleksibilitas, umpan balik, antarmuka, adanya pengurangan
redundansi, dan adanya peningkatan konsistensi.
g. Pemodelan berbasis pengetahuan.
Sistem berbasis pengetahuan menggunakan sekumpulan aturan dalam
menyelesaikan permasalahannya. Sistem pakar merupakan salah satu model
pendukung keputusan yang bersifat kualitatif. Sistem pakar merupakan sistem
berbasis pengetahuan.

Subsistem dari manajemen model dari Sistem Pendukung Keputusan terdiri dari
elemen-elemen berikut ini:
Basis Model
Basis model berisi rutin dan statistik khusus, keuangan, forecasting, ilmu
manajemen, dan model kuantitatif lainnya yang memberikan kapabilitas analisis
pada sebuah sistem pendukung keputusan. Kemampuan untuk invokasi,
menjalankan, mengubah, menggabungkan, dan menginspeksi model merupakan
suatu kapabilitas kunci dari sistem pendukung keputusan dan yang
membedakannya dengan CBIS (Computer Base Information System) lainnya.
Model dalam basis model dapat dibagi menjadi empat katagori utama, dan satu
katagori pendukung, yaitu:
1. Strategis: Model strategis digunakan untuk mendukung
manajemen puncak untuk menjalankan tanggung jawab dalam perencanaan
strategis.
2. Taktis: Model Taktis digunakan terutama oleh manajemen tingkat
menengah, untuk membantu mengalokasikan dan mengontrol sumber daya
organisasi.
3. Operasional: Model ini digunakan untuk mendukung aktivitas
kerja harian transaksi organisasi.
4. Analitik: Model ini digunakan untuk menganalisis data, model ini
meliputi model statik, ilmu manajemen, algoritma data mining, model keuangan,
dan lainnya.
5. Blok Pembangunan Model dan Rutin: Selain berisi model strategis,
taktis, dan operasional, basis model juga berisi blok pembangunan model dan
rutin. Contoh-contohnya meliputi satu rutin generator dengan jumlah acak,
kurva, atau line-fitting rutin, rutin komputasi present-value, dan analisis regresi.
Blok pembangunan ini dapat digunakan dalam beberapa cara. Dapat disebarkan
untuk aplikasi sebagai analisis data, dapat juga digunakan sebagai komponen
present-value, dan analisis regresi.

Sistem Manajemen Basis Model

Fungsi perangkat lunak Sistem Manajemen Basis Model (MBMS) adalah untuk
membuat model dengan menggunakan bahasa pemrograman, alat sistem pendukung
keputusan atau subrutin, dan blok pembangunan lainnya, membangkitkan rutin baru
dan laporan, pembaruan dan perubahan model, dan manipulasi data model. MBMS
mampu mengaitkan model-model dengan link yang tepat melalui sebuah database.
Peran direktori model yang terhubung ke MBMS sama dengan direktori database.
Direktori model adalah katalog dari semua model dan perangkat lunak lainnya
pada basis model. Yang berisi definisi model dan fungsi utamanya adalah menjawab
pertanyaan tentang ketersediaan dan kapabilitas model. Sistem Manajemen Basis
Model/Model Base Management System (MBMS) berisi beberapa elemen antara lain,
yaitu :
1. Eksekusi Model : Eksekusi Model adalah proses mengontrol
jalannya model.
2. Integrasi Model : Model ini mencakup gabungan operasi dari
beberapa model saat diperlukan (misalnya mengarahkan output suatu model,
katakanlah perkiraan, untuk diproses model lain, misal model perencanaan
pemrograman linier).
3. Perintah (Comman Processor Model) : Model ini digunakan untuk
menerima dan menginterpretasikan instruksi-instruksi pemodelan dari komponen
antarmuka pengguna dan merutekannya ke MBMS, eksekusi model atau fungsi-fungsi
integrasi elemen-elemen tersebut beserta antarmukanya dengan komponen sistem
pendukung keputusan.
Kemampuan subsistem model dalam Sistem Pendukung Keputusan antara lain :
1. Mampu menciptakan model–model baru dengan cepat dan mudah.
2. Mampu mengkatalogkan dan mengelola model untuk mendukung
semua tingkat pemakai.
3. Mampu menghubungkan model–model dengan basis data melalui
hubungan yang sesuai.
4. Mampu mengelola basis model dengan fungsi manajemen yang
analog dengan database manajemen.

SubSistem Dialog (User System Interface)

Melalui sistem dialog inilah, SPK yang dibuat akan diimplementasikan sehingga
user atau pemakai dapat berkomunikasi dengan sistem yang dirancang secara
interaktif. Subsistem dialog dapat dibagi menjadi 3 bagian yaitu:
a. Bahasa Aksi (Action language): suatu perangkat lunak yang digunakan
user untuk berkomunikasi dengan sistem, melalui berbagai media seperti: keyboard,
joystick, mouse atau device lainnya.
b. Bahasa Tampilan (Display): merupakan sarana tampilan yang dapat
diperoleh oleh user, seperti printer, monitor, plotter, dan device lainnya.
c. Basis Pengetahuan (Knowledge Base): bagian mutlak yang harus
diketahui oleh user agar pemakaian sistem dapat berfungsi secara efektif.
Kombinasi dari berbagai kemampuan di atas dikenal sebagai gaya dialog (Dialog
Style), yang terdiri dari:
1. Dialog Tanya Jawab: dalam dialog ini, sistem bertanya kepada user,
kemudian user menjawab, dan seterusnya sampai SPK mengeluarkan alternatif
jawaban yang diperlukan untuk mendukung keputusan setelah data inputnya
lengkap.
2. Dialog Perintah: sistem ini mengijinkan user untuk memberikan
perintah-perintah yang tersedia oleh sistem untuk menjalankan fungsi yang ada
dalam SPK.
3. Dialog Menu: gaya dialog yang paling populer di mana user
memilih satu dari beberapa alternatif menu yang telah disediakan. Dalam
menetukan pilihan, user cukup menekan tombol tertentu yang akan
menghasilkan respon/jawaban.
4. Dialog Input/Output: dialog ini menyediakan form masukan (input), di
mana user memasukkan perintah dan data, serta form keluaran (output) yang
merupakan respon dari sistem. Setelah memeriksa keluaran, user dapat mengisi form
masukan lainnya dan melanjutkan dialog selanjutnya.

Teknik Perancangan SPK

Cara pendekatan atau teknik yang digunakan dalam perancangan SPK sangat
tergantung pada kondisi dan waktu yang tersedia. Ada banyak cara yang dapat
digunakan untuk perancangan SPK, tetapi pada dasarnya teknik- teknik tersebut
diklasifikasikan dalam tiga kategori, yaitu:
1. Perancangan dengan cara cepat (quick hit)
Cara ini ditempuh bila dibutuhkan SPK yang mempunyai kemampuan khusus dan
dapat memberikan hasil yang cukup, namun waktu perancangan yang tersedia
relatif singkat. Untuk proses pengembangan selanjutnya baru dipikirkan
kemudian dan tidak terlalu menjadi pertimbangan saat ini.
2. Perancangan dengan cara bertahap
Perancangan SPK dengan cara ini dilakukan dengan membuat suatu SDSS, dimana
pembuatannya disesuaikan dengan perancangan masa yang akan datang,
sehingga bagian yang telah dikembangkan dalam sistem awal dapat digunakan
lagi untuk pengembangan selanjutnya.
3. Perancangan suatu SPK lengkap
Sebelum suatu SPK dibuat, maka terlebih dahulu dikembangkan DSSG yang
lengkap dan struktur organisasi untuk mengelolanya.

Proses Perancangan Sistem Pendukung Keputusan (SPK)

Pada dasarnya, untuk membangun suatu SPK dikenal delapan tahapan seperti pada
gambar 5 yang memiliki berbagai variasi. Selain itu, terdapat pula SPK yang
dibangun tanpa melalui seluruh tahapan tersebut. Delapan tahapan perancangan
SPK antara lain:
1. Perencanaan (Planning)
Perencanaan pada umumnya berhubungan dengan perumusan masalah serta
penentuan tujuan dari SPK.
2. Penelitian (Research)
Penelitian berhubungan dengan pencarian data serta sumber daya yang tersedia.
3. Analisis (Analysis)
Tahap ini termasuk penentuan teknik perancangan dan pendekatan
pengembangan sistem yang akan dilakukan serta sumber data yang dibutuhkan.
4. Perancangan (Design)
Dalam tahap ini dilakukan perancangan terhadap ketiga subsistem dari SPK yaitu
subsistem database, subsistem model dan subsistem dialog.
5. Pembangunan (Construction)
Tahap ini merupakan kelanjutan dari tahap perancangan, di mana ketiga
subsistem yang dirancang digabungkan menjadi suatu SPK. Pada tahap ini di mulai
penulisan bahasa pemrograman bagi SPK.
6. Implementasi (Implementation)
Tahap ini merupakan penerapan SPK yang dibangun, yang terdapat beberapa
tugas yang harus dilakukan seperti testing, evaluation, demonstration, orientation,
training, dan deployment.
Langkah A Perencanaan
(Planning)

Tahap Pra Langkah B

Perancangan
 Penelitian
(Research)

Langkah C Analisa
(Analysis)

Perancangan
Tahap Perancangan(Langkah D) SubsistemDatabase Perancangan Perancangan
SubsistemModel SubsistemDialog

Langkah E Pembangunan
(Construction)

Langkah F

Implementasi
Langkah G(Implementation)

Pemeliharaan
(Maintenance)
Langkah H Adaptasi
(Adaptation)

Gambar 5. Langkah-Langkah Perancangan SPK

7. Pemeliharaan (Maintenance)
Tahap ini melibatkan perencanaan dukungan yang harus dilakukan terus menerus untuk
mempertahankan keandalan sistem.
8. Adaptasi (Adaptation)
Dalam tahap ini dilakukan pengulangan terhadap tahap-tahap di atas sebagai
tanggapan atas perubahan kebutuhan user.
 SISTEM PENDUKUNG KEPUTUSAN

Dalam bab ini, ikhtisar teknik dan aplikasi yang terkait dengan pengambilan keputusan
cerdas disajikan. Proses pengambilan keputusan dan elemen kualitas keputusan dibahas.
Sebuah taksonomi sistem pendukung keputusan dijelaskan. Teknik yang berasal dari
kecerdasan buatan yang berguna untuk merancang dan mengembangkan sistem
pendukung keputusan cerdas dijelaskan. Penerapan sistem pendukung keputusan cerdas
ke berbagai domain disorot. Ringkasan dari kesimpulan disajikan di akhir bab ini.

1.1 PENDAHULUAN
Sistem pendukung keputusan, secara umum, adalah kelas khusus dari sistem
informasi terkomputerisasi yang mendukung kegiatan pengambilan keputusan di berbagai
domain, mis. pertanian, bioteknologi, keuangan, perbankan, manufaktur, kesehatan,
pendidikan, dan pemerintah. Deskripsi singkat tentang sistem pendukung keputusan
disediakan dalam [pp.25, 1], seperti dikutip:
“Sistem pendukung keputusan adalah teknologi yang membantu mendapatkan
pengetahuan yang tepat kepada pengambil keputusan yang tepat pada waktu
yang tepat dalam representasi yang tepat dengan biaya yang tepat.”

Memang, kita menghadapi berbagai tugas pengambilan keputusan dalam kehidupan

kita sehari-hari. Kita disajikan dengan banyak informasi dan/atau data dalam aktivitas
sehari- hari, dan kita, baik secara sadar maupun tidak sadar, harus mengambil keputusan
berdasarkan informasi dan/atau data yang diterima. Situasi ini diperburuk oleh world-
wide-web sebagai sumber informasi dan berbagi pengetahuan dan penggunaan kembali.
Meskipun ada banyak informasi dan/atau sumber data yang heterogen di world-wide-web,
mulai dari dokumen teks hingga gambar multi-media; dari file audio ke aliran video,
informasi dan/atau data sering kali kompleks dan multi-segi, dan terdiri dari berbagai jenis
gangguan. Dengan demikian, kita harus membuat keputusan tentang kemungkinan
tindakan terbaik (atau serangkaian tindakan yang dioptimalkan) dari alternatif yang
tersedia. Namun, membuat keputusan yang baik dan akurat adalah tugas yang menantang.
Hal ini karena konflik dan pengorbanan sering terjadi karena berbagai tujuan dan sasaran
yang harus dipenuhi secara bersamaan oleh pembuat keputusan. Oleh karena itu,
bermanfaat jika beberapa sistem pendukung keputusan yang cerdas dapat digunakan
untuk membantu kita dalam membuat keputusan yang cepat dan tepat.
Menurut [2], konsep pendukung keputusan berasal dari dua bidang penelitian
utama:
(i) studi teoritis pengambilan keputusan organisasi di Institut Teknologi Carnegie pada
akhir 1950-an/awal 1960-an; (ii) pengembangan teknis sistem komputer interaktif
terutama di Massachusetts Institute of Technology pada 1960-an. Namun demikian,
munculnya teknologi
digital dan teknik pemrosesan informasi untuk mendukung pemecahan masalah dan tugas
pengambilan keputusan lebih lanjut mengakibatkan munculnya sistem pendukung
keputusan cerdas. Memang, sistem pendukung keputusan telah berkembang secara
substansial dan banyak teknik baru seperti gudang data, OLAP, penambangan data dan
teknologi web telah dimasukkan ke dalam desain dan pengembangan sistem pendukung
keputusan sejak awal 1970-an [3]. Seperti dijelaskan dalam [4], sistem teknologi informasi
berdasarkan perangkat lunak spreadsheet telah digunakan untuk mendukung kegiatan
pengambilan keputusan pada 1970-an. Pada 1980-an, model optimasi dari riset operasi
dan riset ilmu manajemen telah dimasukkan untuk merancang sistem pendukung
keputusan. Pada 1990-an, teknik dari kecerdasan buatan dan statistik telah lebih
meningkatkan desain dan penerapan sistem pendukung keputusan.
Lalu apa yang membentuk sistem pendukung keputusan cerdas yang sukses? Enam
atribut yang mewakili karakteristik tingkat tinggi dari sistem pendukung keputusan yang
sukses dibahas dalam [5]. Mereka adalah (i) interaktivitas: sistem pendukung keputusan
bekerja dengan baik dengan orang lain, yang mencakup database lain serta pengguna
manusia; (ii) deteksi peristiwa dan perubahan: sistem pendukung keputusan memantau
dan mengenali perubahan dan peristiwa penting; (iii) bantuan representasi: sistem
pendukung keputusan mewakili dan mengomunikasikan informasi secara efektif dengan
cara yang berpusat pada manusia; (iv) deteksi dan pemulihan kesalahan: sistem
pendukung keputusan memeriksa kesalahan yang dibuat oleh pengguna, dan, pada saat
yang sama, mengetahui keterbatasannya sendiri; (v) informasi dari data: sistem
pendukung keputusan menggunakan teknik cerdas untuk mengekstrak informasi yang
berguna dari data yang banyak dan untuk menangani outlier serta ambiguitas lain dalam
sumber data; (vi) kemampuan prediktif: sistem pendukung keputusan menilai efek
perubahan dan memprediksi dampak pada kinerja masa depan, baik dalam jangka pendek
(prediksi taktis) atau jangka panjang (prediksi strategis).
Organisasi bab ini adalah sebagai berikut. Pada bagian dua, beberapa aspek umum
yang berkaitan dengan proses pengambilan keputusan, elemen yang berguna untuk
mengukur kualitas keputusan, dan taksonomi sistem pendukung keputusan dijelaskan.
Pada bagian tiga, sejumlah teknik berbasis kecerdasan buatan yang berguna untuk desain
dan pengembangan sistem pendukung keputusan cerdas disajikan. Penerapan sistem
pendukung keputusan cerdas ini ke berbagai domain yang berbeda dibahas di bagian
empat. Ringkasan dari catatan penutup diberikan di bagian lima.

1.2 ASPEK UMUM PENGAMBILAN KEPUTUSAN

Pada bagian ini diuraikan aspek-aspek umum yang berkaitan dengan proses
pengambilan keputusan, kualitas keputusan, dan jenis-jenis sistem pendukung keputusan,
sebagai berikut.
Proses Pengambilan Keputusan
Selama bertahun-tahun, sejumlah paradigma untuk menggambarkan proses
pengambilan keputusan manusia telah diusulkan. Diantaranya, paradigma yang
dikemukakan oleh Simon (peraih Nobel) [6] diuji dan digunakan secara luas [7, 8]. Ini
terdiri dari tiga fase, yaitu, kecerdasan, desain, dan pilihan. Kemudian, fase implementasi
lain untuk paradigma Simon ditambahkan, seperti yang ditunjukkan pada Gambar 1 [9,
10]. Pada fase intelijen, pembuat keputusan mengamati realitas, dan menetapkan
pemahaman tentang domain masalah dan peluang yang terkait. Informasi yang diperlukan
berkaitan dengan semua aspek masalah yang diteliti juga dikumpulkan. Pada tahap desain,
kriteria keputusan dan alternatif dikembangkan dengan menggunakan model tertentu,
dengan peristiwa tak terkendali yang relevan diidentifikasi. Hubungan antara keputusan,
alternatif, dan peristiwa harus ditentukan dan diukur dengan jelas. Hal ini memungkinkan
alternatif keputusan untuk dievaluasi secara logis pada fase berikutnya, yaitu fase pilihan.
Selain itu, tindakan yang paling memenuhi kriteria keputusan dirumuskan. Pada tahap
implementasi, pengambil keputusan perlu mempertimbangkan kembali analisis dan
evaluasi keputusan, serta mempertimbangkan konsekuensi dari rekomendasi. Rencana
implementasi kemudian dikembangkan, dengan sumber daya yang diperlukan diamankan.
Sekarang siap untuk menerapkan rencana implementasi ke dalam tindakan.
Perhatikan bahwa proses pengambilan keputusan adalah proses yang
berkelanjutan dalam lingkaran umpan balik. Ini berarti bahwa pengambil keputusan harus
terus-menerus mempertimbangkan kembali dan mengevaluasi kembali realitas dan
perubahan dalam domain masalah. Setelah memperoleh informasi baru, perlu untuk
mengunjungi kembali satu atau lebih, jika tidak semua, dari empat fase yang terlibat. Proses
umpan balik memungkinkan perubahan dan perbaikan pada keputusan sebelumnya untuk
diselesaikan, sehingga dapat memenuhi kebutuhan dan tuntutan domain masalah saat ini.
Kualitas Keputusan
Sesuai dengan [11], jenis keputusan secara garis besar dapat dikategorikan menjadi
dua, yaitu keputusan operasional dan keputusan strategis. Keputusan operasional
berkaitan dengan pengelolaan operasi, yang berfokus pada hasil dalam jangka pendek.
Hasil dari keputusan operasional, yaitu apakah keputusan itu baik atau tidak, diketahui
dengan cukup cepat. Proses pengambilan keputusan juga memperhatikan detail dan
biasanya mengabaikan ketidakpastian dan menghindari alternatif baru [11].
Di sisi lain, keputusan strategis melibatkan prediksi yang berkaitan dengan isu-isu
penting secara jangka panjang. Proses pengambilan keputusan mempertimbangkan
ketidakpastian, dan memilih di antara alternatif yang berbeda secara signifikan. Sementara
kualitas keputusan operasional dapat dinilai dari hasil jangka pendek, keputusan strategis
biasanya melibatkan hasil jauh ke masa depan.
 Dapatkan pemahaman masalah/peluang

Tentukan hubungan antara kriteria, alternatif, dan

Pertimbangkan konsekuensi dari rekomendasi

Gambar 1.1 Proses pengambilan keputusan (Sumber: [9])

Dengan kata lain, sulit untuk menilai kualitas keputusan strategis berdasarkan
hasil, yang melibatkan ketidakpastian dalam cakrawala waktu yang lama. Dengan
demikian, seperangkat ukuran kualitas keputusan diperkenalkan di [11], seperti yang
ditunjukkan pada Gambar 1.2. Ada enam elemen kualitas keputusan, yaitu, (i) kerangka
yang sesuai; (ii) alternatif yang kreatif dan dapat dilakukan; (iii) informasi yang bermakna
dan andal; (iv) nilai dan pertukaran yang jelas; (v) penalaran yang benar secara logis; dan
(vi) komitmen untuk bertindak. Setiap elemen dari kualitas keputusan dibahas sebagai
berikut, dan rinciannya tersedia di [11].
 Gambar 1.2 Elemen kualitas keputusan (sumber: [11])

(i) Kerangka yang tepat: Karena keputusan strategis biasanya menghasilkan

konsekuensi jangka panjang yang besar, tim pembuat keputusan dari latar
belakang yang berbeda diperlukan dalam proses pengambilan keputusan.
Akibatnya, kerangka yang tepat harus ditetapkan, dengan tujuan yang jelas,
perspektif yang sadar, dan ruang lingkup yang ditentukan.
(ii) Alternatif yang kreatif dan dapat dilakukan: Karena sifat ketidakpastian,
membuat keputusan strategis perlu mempertimbangkan banyak alternatif.
Oleh karena itu, sangat penting untuk mengeksplorasi semua kemungkinan
dan untuk memahami sepenuhnya berbagai alternatif yang tersedia sebelum
membuat keputusan. Kualitas dicapai ketika sejumlah alternatif inovatif dan
dapat direalisasikan yang berbeda ditetapkan untuk dipertimbangkan.
(iii) Informasi yang bermakna dan andal: Kualitas informasi sangat penting dalam
mempengaruhi keputusan strategis. Tim pengambil keputusan harus
menyusun informasi yang benar dan eksplisit berdasarkan fakta yang sesuai.
Ketidakpastian yang terlibat kemudian dapat dinyatakan dalam bentuk
penilaian probabilistik.
(iv) Nilai dan trade-off yang jelas: Keputusan strategis perlu mempertimbangkan
berbagai trade-off, yang mencakup trade-off antara pengembalian sekarang
dan masa depan, trade-off antara risiko dan kepastian, serta trade-off. off di
antara kriteria yang berbeda. Dengan demikian, pernyataan eksplisit tentang
nilai-nilai fundamental perlu ditetapkan.
(v) Penalaran yang benar secara logis: Karena keputusan strategis bersifat
kompleks, konsekuensi dari setiap alternatif pada ukuran nilai harus
dievaluasi secara komprehensif. Dalam hal ini, pilihan kerangka, alternatif,
informasi, dan nilai yang jelas diperlukan agar penalaran logis dapat
dilakukan.
 (vi) Komitmen untuk bertindak: Dalam setiap proses pengambilan keputusan,
komitmen penuh untuk menerapkan rencana tindakan merupakan faktor
penting untuk memastikan keberhasilan. Tanpa komitmen dari semua pihak
yang terlibat, tidak mungkin mendapatkan hasil yang berguna dan
bermanfaat, bahkan dengan rencana aksi yang paling canggih dan
komprehensif di tangan.
Taksonomi Sistem Pendukung Keputusan
Dalam [12, 13] lima jenis sistem pendukung keputusan yang berbeda, yaitu,
komunikasi-driven, data-driven, dokumen-driven, pengetahuan-driven, dan model-driven,
diusulkan. Uraian singkat masing-masing jenis sistem pendukung keputusan adalah
sebagai berikut.
(i) Sistem pendukung keputusan yang digerakkan oleh komunikasi: kelompok
sasaran dari sistem pendukung keputusan ini adalah tim internal, yang
mencakup mitra, dalam suatu organisasi untuk membangun kolaborasi yang
efisien, mis. pertemuan yang sukses. Web atau server klien adalah teknologi
paling umum yang digunakan untuk menyebarkan sistem pendukung
keputusan ini.
(ii) sistem pendukung keputusan berbasis data: sistem ini berguna untuk
menanyakan database atau gudang data untuk mencari jawaban spesifik untuk
tujuan tertentu. Mereka dapat digunakan menggunakan sistem mainframe,
tautan klien/server, atau melalui web.
(iii) sistem pendukung keputusan berbasis dokumen: sistem ini digunakan untuk
mencari halaman web dan menemukan dokumen pada sekumpulan kata
kunci atau istilah pencarian tertentu. Mereka dapat diimplementasikan melalui
web atausistem klien/server;
(iv) sistem pendukung keputusan berbasis pengetahuan: ini mencakup berbagai
paradigma dalam kecerdasan buatan untuk membantu pembuat keputusan
dari domain yang berbeda. Berbagai teknik penambangan data, yang meliputi
jaringan saraf, logika fuzzy, algoritma evolusioner, penalaran berbasis kasus,
dapat digunakan untuk mengembangkan sistem ini guna menyediakan
keahlian dan informasi khusus untuk melakukan masalah pengambilan
keputusan tertentu. Mereka dapat digunakan menggunakan sistem
klien/server, web, atau perangkat lunak yang berjalan pada komputer yang
berdiri sendiri;
(v) sistem pendukung keputusan berbasis model: ini adalah sistem kompleks
yang dikembangkan berdasarkan beberapa model (misalnya model
matematis dan analitis) untuk membantu menganalisis keputusan atau
memilih di antara alternatif yang berbeda. Mereka dapat digunakan melalui
perangkat lunak/perangkat keras di komputer yang berdiri sendiri, sistem
klien/server, atau web.

1.3 TEKNIK UNTUK PENGAMBILAN KEPUTUSAN YANG CERDAS

Jenis sistem pendukung keputusan yang tercakup dalam buku ini terutama terdiri
dari sistem berbasis pengetahuan dan sistem berbasis model. Dengan demikian, sejumlah
paradigma yang berguna di bawah payung kecerdasan buatan yang telah banyak
digunakan untuk merancang dan mengembangkan sistem pendukung keputusan cerdas
dijelaskan di bagian ini. Ini termasuk jaringan saraf tiruan, komputasi evolusioner, sistem
fuzzy, penalaran berbasis kasus, dan sistem berbasis agen.
Jaringan Syaraf Tiruan
Jaringan saraf tiruan, cabang dari kecerdasan buatan, berasal dari penelitian dalam
pemodelan sistem saraf di otak manusia. McCulloch dan Pitts [14] adalah pelopor yang
memprakarsai pemodelan matematika neuron buatan. Jaringan syaraf tiruan sekarang
muncul dalam bentuk model komputasi paralel masif dengan sejumlah besar elemen
pemrosesan sederhana yang saling berhubungan (dikenal sebagai neuron) yang mampu
menyesuaikan diri dengan sampel data. Secara umum, jaringan saraf tiruan dikategorikan
menjadi dua: jaringan terawasi dan tidak terawasi. Jaringan yang diawasi menerima dan
menggunakan sampel data input dan sampel data output target untuk pembelajaran.
Sampel data target bertindak sebagai sinyal pengawasan untuk mengoreksi prediksi
jaringan selama siklus pelatihan. Di antara jaringan terawasi yang populer termasuk
jaringan perceptron multi- layer [15] dan jaringan fungsi basis radial [16]. Di sisi lain,
jaringan tanpa pengawasan hanya menerima dan menggunakan sampel data input tanpa
sinyal pengawasan untuk pembelajaran. Peta yang mengatur diri sendiri [17] dan model
teori resonansi adaptif [18] adalah di antara beberapa jaringan tanpa pengawasan yang
populer. Dua contoh, satu jaringan yang diawasi dan jaringan yang tidak diawasi, dijelaskan
sebagai berikut.
Jaringan Perceptron Multi-layer
Jaringan multi-layer perceptron adalah jaringan feedforward. Strukturnya terdiri
dari sekumpulan neuron yang tersusun menjadi dua atau lebih lapisan. Ini memiliki lapisan
input, satu atau beberapa lapisan tersembunyi, dan lapisan output. Lapisan input adalah
lapisan hipotetis di mana output dari neuron sama dengan inputnya. Dengan kata lain,
lapisan input digunakan untuk menyebarkan input yang diterimanya dari lingkungan ke
lapisan tersembunyi tanpa ada pemrosesan informasi yang dilakukan pada input. Biasanya
ada satu atau lebih lapisan tersembunyi yang diapit di antara lapisan input dan output.
Lapisan keluaran menghasilkan hasil kembali ke lingkungan. Perceptron multi-layer
adalah jaringan feedforward karena informasi mengalir dalam satu arah hanya dalam
jaringan, yaitu, input disajikan pada lapisan input, dan kemudian disebarkan melalui
lapisan tersembunyi, dan output dihasilkan pada lapisan output. . Gambar 1.3
menggambarkan contoh struktur jaringanperceptron multi-layer dengan tiga lapisan.

Gambar 1.3 Contoh perceptron multi-layer

 Setiap lingkaran pada Gambar 1.3 mewakili neuron. Jaringan ini disebut sebagai
jaringan 4-3-1, karena ada empat neuron input di lapisan input, tiga neuron tersembunyi di
lapisan tersembunyi, dan satu neuron output di lapisan output. Hubungan antara neuron
dalam dua lapisan berturut-turut dikenal sebagai bobot. Setiap neuron menerima input
dari lapisan sebelumnya dan, melalui bobot, menghasilkan output ke lapisan berikutnya.
Biasanya, bobot dalam jaringan saraf tiruan mewakili pengetahuan yang dipelajari dari
sampel data input, dan menentukan perilaku jaringan. Jaringan memodifikasi bobotnya
menggunakan beberapa algoritma pembelajaran selama fase pelatihan.
Algoritma backpropagation adalah algoritma pelatihan yang paling populer
untuk
multi-layer perceptron [15]. Ini adalah algoritma pembelajaran berdasarkan aturan
koreksi kesalahan, dan kesalahan kuadrat rata-rata biasanya digunakan sebagai ukuran
kesalahan. Pembelajaran menggunakan algoritma back-propagation terdiri dari dua fase.
Dalam lintasan maju, input disebarkan ke depan melalui bobot untuk mencapai lapisan
keluaran dan menghasilkan keluaran yang diprediksi. Kesalahan antara output yang
diprediksi dan output target dihitung. Dalam lintasan mundur, kesalahan pada lapisan
keluaran dipropagasi mundur ke lapisan masukan, dengan turunan parsial dari kesalahan
total sehubungan dengan bobot di setiap lapisan muncul di sepanjang jalan [19]. Kesalahan
tersebut kemudian digunakan untuk memperbarui bobot. Alasannya adalah untuk
meminimalkan ukuran kesalahan total melalui proses pembelajaran yang berulang. Proses
pembelajaran berhenti ketika kriteria berhenti tercapai, mis. ukuran kesalahan total lebih
rendah dari ambang batas, atau jumlah periode pembelajaran yang telah ditentukan
sebelumnya tercapai.
Teori Resonansi Adaptif
Teori resonansi adaptif, yang berasal dari penelitian Grossberg [20-22], mencoba
untuk mengatasi masalah yang berkaitan dengan proses kognitif manusia, dan merancang
metode komputasi yang meniru aktivitas belajar otak. Sejak awal pertama dari jaringan
yang dikenal sebagai ART1 [18], sejumlah arsitektur, baik model tak terawasi [23-25] dan
terawasi [26, 27], telah dikembangkan. Tidak seperti jaringan saraf tiruan lainnya, model
teori resonansi adaptif memiliki struktur yang berkembang, yaitu jumlah neuron dapat
ditingkatkan bila diperlukan. Gambar 1.4 menunjukkan arsitektur generik dari jaringan
teori resonansi adaptif tanpa pengawasan.
 Gambar 1.4 Arsitektur generik dari jaringan teori resonansi adaptif tanpa pengawasan.
Tanda positif (+) menunjukkan hubungan rangsang, sedangkan tanda negatif (-)
menunjukkan hubungan penghambatan.

Jaringan terdiri dari dua lapisan neuron yang memainkan peran berbeda pada
waktu yang berbeda: F1 - lapisan input/perbandingan; dan F 2 - lapisan
keluaran/pengenalan. Kedua lapisan ini saling terkait oleh hubungan umpan-maju dan
umpan balik (bobot) dua arah, yaitu bobot umpan maju atau bottom-up dari F1 ke F2, dan
bobot umpan balik atau top-down dari F2 ke F1. Selain itu, beberapa sinyal logika kontrol,
mis. kontrol gain dan sirkuit reset, hadir. Perhatikan bahwa ada tiga saluran input yang
mungkin untuk F1 dan F2 . Pola input, kontrol gain 1, dan bobot top-down dikaitkan
dengan F1 ; sedangkan bobot bottom-up, kontrol gain 2, dan sinyal reset dikaitkan dengan
F2 . Menurut [18], F1 dan F2 mematuhi apa yang disebut aturan 2/3 (dua dari tiga), yaitu,
neuron di F1 dan F2 menjadi aktif hanya jika setidaknya dua dari tiga sumber inputnya
aktif. Deskripsi pengoperasian jaringan adalah sebagai berikut.
Gambar 1.5 menunjukkan siklus pencocokan pola yang khas dalam jaringan teori
resonansi adaptif tanpa pengawasan. Pertama, vektor input, a, mendaftarkan dirinya
sebagai pola aktivitas memori jangka pendek, X, melintasi lapisan F1. Hal ini menghasilkan
pola keluaran, U, untuk ditransmisikan dari F1 dan F2 melalui bobot bottom-up, atau yang
disebut jejak memori jangka panjang. Setiap node F 2 menerima pola U yang ditimbang
oleh memori jangka panjang yang sesuai. Sebuah pola memori jangka pendek, Y, dibentuk
di F2 untuk menunjukkan respons terhadap stimulus yang masuk. Dengan dinamika
persaingan internal penguatan diri dan penghambatan lateral (on-centre off-surround
competition) [18], neuron yang memiliki aktivasi terbesar dipilih sebagai pemenang
sementara semua neuron lainnya dimatikan (winner-take- semua). Jadi, hanya satu
komponen Y yang sesuai dengan neuron pemenang yang bukan nol.
 Gambar 1.5 Skenario pencocokan pola tipikal dalam jaringan teori resonansi adaptif
tanpa pengawasan. (a) Vektor input menuju F1 dan menginduksi pola memori jangka
pendek (STM)yang menghasilkan stimulus untuk ditransmisikan ke F 2 melalui memori
jangka panjang (LTM) dari bawah ke atas. (b) Berdasarkan tanggapan, neuron pemenang
di F2 dipilih, dan prototipe dikirim ke F1 melalui LTM top-down. (c) Menanggapi
ketidakcocokan antara vektor input dan pola STM F1 baru (X*), sinyal reset dimulai
untuk menghambat neuron pemenang.
(d) Vektor input diterapkan kembali ke F1 untuk memulai pencarian baru.

Neuron pemenang mengirimkan vektor prototipenya, P, ke F1 melalui bobot top-

down. Pola memori jangka pendek baru, X*, terbentuk di seluruh F1. Pola X* dan input a
dibandingkan pada F1. Uji kewaspadaan dilakukan di mana tingkat pencocokan X* dengan
a diuji terhadap ambang batas yang disebut parameter kewaspadaan,𝜌, pada rangkaian
reset. Jika tes kewaspadaan dipenuhi, jaringan memasuki keadaan resonansi untuk
memungkinkan memori jangka panjang dari neuron pemenang untuk belajar atau
beradaptasi dengan informasi baru yang diwakili oleh memori jangka pendek di F 1. Fakta
bahwa belajar hanya terjadi dalam keadaan resonansi menunjukkan nama "teori resonansi
adaptif" [18].
 Di sisi lain, jika uji kewaspadaan gagal, siklus pencarian dipicu untuk menemukan
simpul F2 prototipikal yang lebih cocok. Sinyal reset dikirim oleh sirkuit reset ke lapisan
F2.
Sinyal reset ini memiliki efek dua kali lipat: untuk menghambat neuron F2 yang menang
selama sisa siklus pencocokan pola; dan untuk menyegarkan aktivitas apapun di jaringan
sehingga input a dapat dipulihkan di F1 untuk memulai siklus pencocokan pola.
Pencarian berlanjut sampai simpul F2 dapat memenuhi uji kewaspadaan. Jika tidak
adasimpul seperti itu, simpul baru dibuat di F2 untuk mengkodekan pola input. Oleh karena
itu, F2 adalah lapisan dinamis di mana jumlah node dapat ditingkatkan selama
pembelajaran untuk menyerap informasi baru secara mandiri.
Komputasi Evolusioner
Komputasi evolusioner disebut sebagai model komputasi yang berguna untuk
menangani tugas pengambilan keputusan berbasis optimasi. Dalam memecahkan
kompleks, masalah dunia nyata, seseorang dapat menggunakan metode yang meniru
afinitas dari alam. Dalam hal ini, model komputasi evolusioner yang terinspirasi secara
biologis kohesif dengan gagasan merancang solusi yang mengeksploitasi beberapa aspek
proses evolusi alami. Secara umum, ada lima jenis model komputasi evolusioner, yaitu,
pemrograman evolusioner, strategi evolusi, pemrograman genetik, dan sistem
pengklasifikasi pembelajaran, dan algoritma genetika.
Diperkenalkan oleh Fogel, Owens, dan Walsh [28], pemrograman evolusioner
mensimulasikan perilaku cerdas melalui mesin keadaan terbatas. Dalam hal ini, solusi
kandidat untuk suatu masalah dianggap sebagai populasi mesin keadaan hingga. Solusi
baru (keturunan) dihasilkan dengan memutasikan kandidat solusi (orang tua). Semua
kandidat solusi kemudian dinilai dengan fungsi fitness. Strategi evolusioner [29] pertama
kali dikembangkan untuk mengoptimalkan parameter perangkat aeroteknologi. Metode ini
didasarkan pada konsep evolusi evolusi. Setiap solusi kandidat dalam populasi dibentuk
oleh blok bangunan genetik dan seperangkat parameter strategi yang memodelkan
perilaku solusi kandidat dalam lingkungannya. Baik blok bangunan genetik dan parameter
strategi berpartisipasi dalam evolusi.
Evolusi karakteristik genetik diatur oleh parameter strategi yang juga diadaptasi
dari evolusi. Dirancang oleh Koza [30], pemrograman genetik bertujuan untuk membuat
komputer memecahkan masalah tanpa diprogram secara eksplisit untuk melakukannya.
Individu direpresentasikan sebagai program yang dapat dieksekusi (mis., Pohon). Operator
genetik diterapkan untuk menghasilkan individu baru. Sistem pengklasifikasi
pembelajaran [31] menggunakan modul penemuan aturan evolusioner untuk menangani
tugas pembelajaran mesin. Pengetahuan dikodekan menggunakan kumpulan aturan
produksi. Setiap aturan produksi dianggap sebagai pengklasifikasi. Aturan diperbarui
menurut beberapa prosedur evolusioner tertentu.
Dikembangkan oleh Holland [32, 33], algoritma genetika adalah model komputasi
evolusioner yang paling populer dan banyak digunakan. Algoritma genetika pada dasarnya
adalah kelas strategi pencarian berbasis populasi yang memanfaatkan pendekatan
berulang untuk melakukan pencarian global pada ruang solusi dari masalah yang diberikan.
Gambar 1.6merangkum langkah-langkah yang terlibat dalam algoritma genetika yang khas.
Pada ketersediaan populasi individu, seleksi, yang didasarkan pada prinsip survival of the
fittest mengikuti adanya tekanan lingkungan, dilakukan untuk memilih individu yang
lebih cocok dengan lingkungan. Mengingat fungsi kebugaran, satu set solusi kandidat
secara acak. Kegunaan solusi kandidat dinilai menggunakan fungsi fitness.
Berdasarkan nilai fitness tersebut, solusi kandidat yang lebih fit memiliki peluang
yang
lebih besar untuk terpilih pada generasi berikutnya melalui beberapa operator genetik,
yaitu rekombinasi (crossover) dan mutasi. Di satu sisi, rekombinasi diterapkan pada dua
atau lebih solusi kandidat induk, dan satu atau lebih solusi kandidat baru (keturunan)
dihasilkan/dihasilkan. Di sisi lain, mutasi diterapkan pada satu solusi kandidat induk, dan
solusi kandidat baru dihasilkan. Solusi kandidat baru bersaing di antara mereka sendiri,
berdasarkan nilai-nilai kebugaran, untuk mendapatkan tempat di generasi berikutnya.
Meskipun solusi kandidat dengan nilai fitness yang lebih tinggi adalah menguntungkan,
dalam beberapa skema seleksi, misalnya seleksi peringkat [35], solusi kandidat dengan nilai
fitness yang relatif rendah dimasukkan dalam generasi berikutnya untuk menjaga
keragaman populasi. Proses seleksi, rekombinasi, dan mutasi diulangi dari satu generasi
populasi ke generasi lain sampai kriteria terminasi terpenuhi, misalnya, solusi kandidat
yang mampu memenuhi beberapa persyaratan yang ditentukan sebelumnya diperoleh atau
yang telah ditentukan sebelumnya. jumlah generasi tercapai.

1. Biarkan generasi sekarang, k=0.

2. Menghasilkan populasi awal individu.
3. Ulangi
Mengevaluasi kebugaran setiap individu dalam populasi.
Pilih orang tua dari populasi sesuai dengan nilai fitness mereka.
Terapkan crossover ke orang tua yang dipilih.
Terapkan mutasi pada individu baru dari (c).
Menggantikan induk dengan keturunannya.
Naikkan k sebanyak 1.
4. Sampai kriteria terminasi terpenuhi.

Gambar 1.6 Sebuah algoritma genetika yang khas

Sistem Fuzzy
Logika fuzzy diperkenalkan oleh Zadeh pada tahun 1965 [35]. Ini adalah bentuk
logika multi-nilai yang berasal dari teori himpunan fuzzy untuk menangani penalaran
manusia dan proses membuat inferensi dan keputusan yang diturunkan berdasarkan
variabel linguistik manusia di dunia nyata. Teori himpunan fuzzy bekerja dengan data
dan/atau informasi yang tidak pasti dan tidak tepat. Memang, himpunan fuzzy
menggeneralisasi konsep himpunan konvensional dengan memperluas derajat
keanggotaan menjadi nilai antara 0 dan 1. Fitur "ketidakjelasan" seperti itu terjadi di
banyak situasi dunia nyata, di mana sulit untuk memutuskan apakah sesuatu dapat
dikategorikan secara tepat ke dalam kelas tertentu atau tidak.
Sistem fuzzy, yang mengasimilasi konsep dari teori himpunan fuzzy dan logika
fuzzy, menyediakan kerangka kerja untuk menangani pengetahuan akal sehat yang
direpresentasikan dalam bentuk linguistik atau numerik yang tidak pasti. Ada dua
karakteristik yang berguna dari sistem fuzzy, yaitu mereka cocok untuk penalaran yang
tidak pasti atau
perkiraan, terutama untuk sistem di mana model matematika sulit untuk diturunkan;
mereka memungkinkan keputusan untuk disimpulkan menggunakan informasi yang tidak
lengkap atau tidak pasti dengan variabel linguistik manusia yang mudah dipahami.
Gambar 7 menggambarkan sistem inferensi fuzzy yang terdiri dari tiga prosedur, yaitu
fuzzifikasi, penalaran atau inferensi, dan defuzzifikasi, sebagai berikut.

Gambar 1.7 Sistem inferensi fuzzy tipikal

Fuzzifikasi, secara umum, adalah proses mentransformasikan suatu masukan tegas

menjadi himpunan nilai keanggotaan fuzzy. Misalnya, misalkan x = ' Tinggi' adalah input,
dan tiga fungsi keanggotaan fuzzy, seperti yang ditunjukkan pada Gambar 8, digunakan
untuk mewakili input x dalam istilah linguistik fuzzy, yaitu, seperti 'pendek', 'sedang' dan '
tinggi'. Oleh karena itu, nilai crisp x difuzzifikasi menjadi tiga nilai fuzzy yang menunjukkan
derajat keanggotaannya dalam himpunan fuzzy tertentu, yaitu 𝜇𝑠ℎ𝑜𝑟𝑡 (𝑥) ,
𝜇𝑚𝑒𝑑𝑖𝑢𝑚 (𝑥) , dan
𝜇𝑡𝑎𝑙𝑙 (𝑥). Ini nilai keanggotaan fuzzy membentuk input fuzzy ke mesin inferensi. Selain
fungsi
keanggotaan Gaussian yang ditunjukkan pada Gambar 8, fungsi matematika lainnya dapat
digunakan untuk mewakili himpunan fuzzy, mis. fungsi lonceng segitiga, trapesium, dan
umum.

Gambar 1.8 Fuzzifikasi untuk mendapatkan nilai keanggotaan fuzzy

Mesin inferensi fuzzy berisi serangkaian aturan fuzzy tipe IF-THEN untuk
mengubah input fuzzy menjadi output fuzzy. Aturan fuzzy ini diminta dari pakar domain,
dan digunakan untuk melakukan penalaran berdasarkan input fuzzy. Setiap aturan fuzzy
terdiri dari bagian: anteseden dari bagian IF dan konsekuen dari bagian THEN, sebagai
berikut: di mana xi dan Y adalah input dan output, dan, Fi dan G masing-masing adalah
variabel linguistik input dan output atau himpunan fuzzy. Jika anteseden dari aturan yang
diberikan memiliki lebih dari satu bagian, proses yang dikenal sebagai implikasi dilakukan.
Operator fuzzy, seperti AND atau OR, dapat diterapkan untuk mendapatkan hasil yang
representatif dari anteseden untuk aturan tersebut. Beberapa metode dapat digunakan
untuk melakukan inferensi dengan operator AND atau OR. Sebagai contoh, sistem inferensi
fuzzy tradisional Mamdani [36] memperlakukan AND dan OR sebagai fungsi “min” dan
“maks”. Hasil representatif kemudian diterapkan pada aturan konsekuen, yaitu variabel
linguistik keluaran yang diwakili oleh fungsi keanggotaan fuzzy. Proses implikasi ini
diterapkan pada setiap aturan. Karena serangkaian aturan tersedia, proses agregasi untuk
menggabungkan semua konsekuensi aturan diperlukan. Dengan agregasi, himpunan fuzzy
yang mewakili output dari setiap aturan digabungkan menjadi satu himpunan fuzzy. Sekali
lagi, beberapa operator agregat, mis. "maks" atau "jumlah", tersedia untuk melakukan
agregasi.
Defuzzifikasi adalah kebalikan dari proses fuzzifikasi. Hal ini bertujuan untuk
mendapatkan nilai representatif dari keluaran himpunan fuzzy, dan untuk menghasilkan
keluaran yang tajam. Pusat gravitasi adalah salah satu operator defuzzifikasi yang paling
banyak digunakan, yang mirip dengan nilai yang diharapkan dari distribusi probabilitas.
Operator defuzzifikasi lainnya, mis. rata-rata maksimum, garis bagi luas, maksimum
terkecil, dan maksimum terbesar, juga tersedia [36]. Contoh dari output tajam yang
didefuzzifikasi ditunjukkan pada Gambar 9.

Gambar 1.9 Defuzzifikasi untuk menghasilkan output yang tajam

Penalaran Berbasis Kasus
Penalaran berbasis kasus [37] adalah cabang dari kecerdasan buatan yang didir
ikan pada teori psikologis penalaran manusia. Penalaran berbasis kasus mengakui bahwa
manusia sering memecahkan masalah baru dengan membandingkannya dengan masalah
serupa yang telah mereka selesaikan di masa lalu [38]. Penalaran berbasis kasus dapat
digunakan sebagai pendekatan pendukung keputusan di mana solusi serupa sebelumnya
diambil dan dikonsultasikan untuk memecahkan masalah baru. Sistem penalaran berbasis
kasus menarik basis pengetahuannya dari serangkaian kasus masalah dan solusi masa lalu
yang cukup besar. Alasan penalaran berbasis kasus adalah bahwa situasi berulang dengan
keteraturan. Apa yang dilakukan dalam satu situasi kemungkinan akan berlaku dalam
situasi yang sama [39]. Seperti yang ditunjukkan pada Gambar 10, siklus penalaran
berbasis kasus yang khas umumnya mencakup empat prosedur dasar, yaitu, pengambilan,
penggunaan kembali, dan merevisi kasus, dan mempertahankan [37].
 Sistem penalaran berbasis kasus terdiri dari pustaka kasus, yang merupakan
gudang kasus historis. Pertimbangkan bahwa masalah baru (kasus baru) disajikan.
Berdasarkan kasus baru, dilakukan penelusuran melalui perpustakaan kasus untuk
menemukan kasus-kasus historis yang paling mirip dengan kasus baru. Perbandingan
terdiri dari pencocokan atribut kasus baru dengan masing-masing kasus historis, dan
menghitung untuk setiap kasus metrik kesamaan. Metrik ini memberikan indikasi
seberapa dekat kasus baru dengan setiap kasus historis. Kasus historis yang paling mirip
diambil dan digabungkan dengan kasus baru melalui proses reuse untuk membentuk kasus
yang terpecahkan, yaitu solusi yang diusulkan untuk kasus baru.
Melalui proses revisi, solusi yang diusulkan kemudian dievaluasi kebenarannya,
mis. dengan membandingkan solusi dengan sinyal pengawasan atau kelas target yang
dikonfirmasi. Solusi yang diusulkan perlu diperbaiki jika gagal menyelesaikan kasus baru
secara memuaskan. Setelah dipastikan bahwa solusi yang diusulkan bekerja dengan baik,
proses penyimpanan dimulai. Solusi yang diusulkan diserap ke dalam perpustakaan kasus
sebagai kasus baru yang dipelajari atau informasi yang berguna dari solusi yang diusulkan
diintegrasikan dengan beberapa kasus serupa yang sudah ada. Tujuannya adalah untuk
terus meningkatkan sistem penalaran berbasis kasus.
Dari Gambar 10 terlihat bahwa pengetahuan umum berperan dalam siklus
penalaran berbasis kasus. Pengetahuan umum berguna untuk melengkapi informasi yang
terkandung dalam kasus-kasus sejarah. Akibatnya, solusi yang diusulkan dapat
dirumuskan dengan cara yang akurat tidak hanya berdasarkan kasus yang diambil tetapi
juga dari pengetahuan yang bergantung pada domain umum.

Gambar 1.10 Siklus penalaran berbasis kasus tipikal (sumber: [39])

Sistem Berbasis Agen
Sistem berbasis agen umumnya dianggap sebagai paradigma kecerdasan buatan terdistribusi.
Dalam [40], agen digambarkan sebagai "program komputer canggih yang bertindak secara mandiri atas
nama penggunanya, di lingkungan terdistribusi terbuka, untuk memecahkan semakin banyak masalah
kompleks". Hal ini menunjukkan bahwa agen mampu membuat keputusan dan melakukan tugas secara
mandiri. Memang, agen cerdas adalah entitas yang dapat diperbaiki untuk mengubah lingkungan dan
mengubah tujuan. Mereka belajar dari pengalaman dan membuat pilihan yang tepat mengingat
keterbatasan persepsi dan komputasi yang terbatas [41].
Agen memiliki berbagai fitur. Misalnya, fitur agen yang esensial versus yang memberdayakan
dijelaskan dalam [42]. Fitur penting dari agen termasuk orientasi tujuan, ketekunan, dan reaktivitas dan
interaktivitas. Di sisi lain, fitur pemberdayaan agen termasuk kecerdasan buatan, mobilitas, dan
interaktivitas. Sebagaimana dinyatakan dalam [43], sistem berbasis agen diberdayakan oleh kecerdasan
dan kemampuan mereka untuk berkomunikasi satu sama lain. Alih-alih satu agen, ansambel agen dapat
digunakan untuk membentuk sistem multi-agen. Seperti yang ditunjukkan pada Gambar 11, sistem multi-
agen duduk di kuadran dengan tingkat kecerdasan yang tinggi dan tingkat kemampuan komunikasi yang
tinggi.

Gambar 1.11 Perbandingan sistem berbasis agen dan sistem lainnya (Sumber: [43]) Dalam sistem

multi-agen, sejumlah area telah diselidiki. Ini termasuk arsitektur agen,

arsitektur agen-sistem, dan infrastruktur agen [44]. Studi dalam arsitektur agen fokus pada arsitektur
internal agen, seperti komponen untuk persepsi, penalaran, dan tindakan. Dalam arsitektur sistem agen,
interaksi agen dan arsitektur organisasi dianalisis, di mana agen beroperasi dan berinteraksi di bawah
batasan lingkungan yang ditentukan. Dalam infrastruktur agen, mekanisme antarmuka sistem multi-
agen, yang terutama aspek komunikasi antar agen dipelajari [45].
Untuk melakukan tugas tertentu, hubungan antara kumpulan agen dalam sistem multi-agen perlu
mengikuti beberapa model yang telah ditentukan sebelumnya. Salah satu model paling awal adalah
model penalaran Beliefs, Desires, Intentions [46]. Dalam model ini, keyakinan mewakili pemahaman agen
tentang dunia luar, seperti informasi yang diperoleh dari lingkungan sekitar; keinginan adalah tujuan
yang ingin dicapai agen; dan niat adalah rencana yang digunakan agen untuk mencapai keinginannya
[47].
Model penalaran lainnya adalah model komunikasi negosiasi kepercayaan yang diusulkan dalam
[48]. Gambar 12 menunjukkan jenis interaksi yang mungkin terjadi di antara agen. Model ini didasarkan
pada premis bahwa asal dan pembenaran kekuatan keyakinan berasal dari sumber keyakinan. Dalam
model ini, empat kemungkinan sumber keyakinan dipertimbangkan: pengalaman langsung, kategorisasi,
penalaran, dan reputasi [48].

Gambar 1.12 Model komunikasi negosiasi kepercayaan untuk sistem multi-agen (Sumber:[48])

Dalam model komunikasi-negosiasi kepercayaan, komunikasi berkaitan dengan interaksi di

antara agen agar mereka saling memahami. Negosiasi, di sisi lain, berkaitan dengan bagaimana tim agen
dibentuk. Bagian inti dari model ini pada dasarnya adalah pada kepercayaan, dimana perhatian utama
adalah bagaimana seorang agen menangani kepercayaan dan berinteraksi dengan agen lain. Pertanyaan
yang diajukan termasuk 'haruskah agen memercayai informasi yang diberikan oleh agen lain?' atau
'haruskah agen memercayai agen lain untuk melakukan tugas tertentu?' Memang, agen dalam tim
berkolaborasi satu sama lain, dan saling percaya ( hubungan antar tim). Model tersebut menggambarkan
kepercayaan sebagai ikatan yang dapat diperkuat melalui pertukaran token bersertifikat. Pada dasarnya,
kepercayaan bersifat dinamis. Itu diperkuat oleh interaksi yang berhasil, dan dilemahkan oleh hasil yang
tidak berhasil. Model ini berguna untuk menangani berbagai skenario dalam masalah pengambilan
keputusan yang kompleks.
Keterangan
Sejumlah teknik kecerdasan buatan, yaitu, jaringan saraf tiruan, komputasi evolusioner, sistem
fuzzy, penalaran berbasis kasus, dan sistem berbasis agen, yang dapat diterapkan untuk merancang dan
mengembangkan sistem pendukung keputusan cerdas telah dijelaskan secara singkat. Selain
menggunakan setiap teknik cerdas untuk memecahkan masalah dunia nyata, solusi yang lebih efektif
dapat diperoleh jika digunakan dalam kombinasi. Memang, paradigma hibrida yang menggabungkan dua
atau lebih teknik cerdas menjadi semakin populer untuk menangani masalah yang kompleks. Contoh dari
paradigma hybrid antara lain neural-fuzzy, neural-genetic, fuzzy-genetic, neural-fuzzy-genetic, fuzzy case
based reasoning, model penalaran berbasis kasus evolusioner, sistem berbasis agen fuzzy, dan sistem
penalaran berbasis kasus multi-agen, untuk sebutkan beberapa. Setiap kombinasi membawa sinergi ke
sistem yang dihasilkan sedemikian rupa sehingga paradigma hibrida mengeksploitasi keunggulan teknik
konstituen dan, pada saat yang sama, menghindari kekurangannya. Contoh aplikasi dijelaskan di bagian
berikutnya.

1.4 CONTOH APLIKASI

Di bagian ini, contoh aplikasi yang berkaitan dengan teknik cerdas serta teknik cerdas hibrida
untuk melakukan masalah pengambilan keputusan disajikan. Perhatikan bahwa contoh aplikasi ini hanya
mewakili sampel kecil dari publikasi terbaru dalam literatur yang mencakup teknik cerdas serta
paradigma hibridnya dengan aplikasi untuk mendukung proses pengambilan keputusan manusia di
berbagai domain. Sebuah jaringan saraf berbasis backpropagation yang mencoba untuk memodelkan
faktor emosional dalam pembelajaran manusia dan pengambilan keputusan diusulkan dalam [49].
Jaringan backpropagation emosional mencakup bobot emosional tambahan yang diperbarui
menggunakan dua parameter emosional, yaitu kecemasan dan kepercayaan diri. Hasil eksperimen pada
masalah pengenalan wajah menunjukkan penambahan parameter emosional mampu menghasilkan
tingkat pengenalan yang lebih tinggi dan waktu pengenalan yang lebih cepat.
Hibrida yang dikenal sebagai Bayesian ARTMAP, yang menggabungkan jaringan saraf Fuzzy
ARTMAP dan kerangka kerja Bayesian, diusulkan dalam [50]. Framework Bayesian digunakan untuk
meningkatkan akurasi klasifikasi dan mengurangi jumlah kategori pada Fuzzy ARTMAP. Berdasarkan
sintetik dan 20 database dunia nyata, ditunjukkan bahwa Bayesian ARTMAP mampu mengungguli Fuzzy
ARTMAP dalam hal akurasi klasifikasi, sensitivitas terhadap tumpang tindih statistik, kurva
pembelajaran, kerugian yang diharapkan, dan proliferasi kategori. Di bidang medis, sistem pendukung
keputusan berdasarkan pohon keputusan, yaitu, C4.5, dan jaringan saraf backpropagation untuk
membangun sistem pendukung keputusan untuk prediksi kecukupan rejimen vankomisin dilaporkan di
[51].
Bagging juga diadopsi untuk meningkatkan kinerja. Hasilnya menunjukkan bahwa akurasi
keseluruhan sistem pendukung keputusan berbasis C4.5 atau jaringan saraf lebih baik daripada model
farmakokinetik satu kompartemen benchmark. Di sisi lain, sistem ensemble berbasis classifier yang
terdiri dari jaringan saraf, mesin vektor pendukung, jaringan Bayesian, dan pohon keputusan untuk
mendukung diagnosis penyakit kardiovaskular berdasarkan chip aptamer disajikan [52]. Sekali lagi, hasil
menunjukkan bahwa sistem mampu menghasilkan akurasi diagnostik yang tinggi. Peramalan penjualan
adalah masalah yang menantang karena volatilitas permintaan. Sebuah jaringan saraf baru yang dikenal
sebagai mesin pembelajaran ekstrim untuk menyelidiki hubungan antara jumlah penjualan dan faktor-
faktor signifikan yang mempengaruhi permintaan dikembangkan [53]. Dengan menggunakan data nyata
dari pengecer mode di Hong Kong, ditunjukkan bahwa model yang diusulkan mampu mengungguli
jaringan saraf propagasi balik pada beberapa tugas peramalan penjualan.
Algoritme evolusi multi-tujuan untuk pengelolaan air tanah yang mengoptimalkan
penempatan dan pengoperasian fasilitas pemompaan dari waktu ke waktu dijelaskan dalam [54].
Menggunakan masalah tiga wilayah, algoritme berguna dalam membantu penyelidikan ke dalam tradeoff
biaya antara wilayah yang berbeda dengan memberikan perkiraan ke set Pareto-optimal. Model
komputasi evolusioner lain yang menerapkan dua operator pencarian lokal dan Tabu Search untuk
menangani masalah perutean inventaris diusulkan dalam [55]. Dua komponen utama dari rantai
pasokan, yaitu logistik transportasi dan pengendalian persediaan, diperiksa. Operator pencarian lokal
digunakan untuk menangani aspek inventaris dan perutean masalah, sementara Pencarian Tabu untuk
lebih lanjut mengurangi biaya transportasi. Hasil yang memuaskan baik dalam hal efektivitas dan
ketahanan dilaporkan.
Sebuah algoritma evolusioner digabungkan dengan teknik ekspektasi-maksimalisasi untuk
merumuskan jaringan Bayesian berdasarkan database yang tidak lengkap disarankan dalam [56].
Kumpulan data dunia nyata yang terkait dengan pemasaran langsung, yaitu, memprediksi pembeli
potensial dari catatan pembelian pelanggan sebelumnya, diterapkan untuk mengevaluasi penerapan
sistem yang diusulkan. Hasilnya menunjukkan bahwa sistem yang diusulkan mampu mengungguli
metode lain dengan adanya nilai yang hilang. Pengiriman ekonomi adalah masalah optimasi yang sangat
terbatas yang melibatkan interaksi antara variabel keputusan. Sebuah sistem optimasi gerombolan
partikel berbasis clustering fuzzy untuk melakukan masalah pengiriman tenaga listrik dijelaskan dalam
[57]. Kinerja sistem yang diusulkan diperiksa menggunakan sistem uji enam generator standar IEEE 30
bus. Solusi berkualitas tinggi dihasilkan oleh sistem yang diusulkan.
Masalah analisis keputusan atribut ganda melibatkan atribut kuantitatif dan kualitatif dengan
ketidakpastian, mis. ketidaklengkapan (atau ketidaktahuan) dan ketidakjelasan (atau ketidakjelasan).
Untuk mengatasi masalah ini, model penalaran pembuktian kelas interval fuzzy diusulkan dalam [58].
Ketidaktahuan lokal dan ketidakjelasan kelas dimodelkan menggunakan struktur keyakinan fuzzy
terdistribusi, yang mengarah ke matriks keputusan keyakinan kabur. Kemanjuran dan penerapan model
yang diusulkan diilustrasikan dengan contoh numerik.
Sebuah metode untuk memangkas alternatif keputusan di memerintahkan operator rata-rata
tertimbang disarankan [59]. Alternatif-alternatif inferior yang kurang kompetitif di antara alternatif-
alternatif yang bersaing dalam proses agregasi rata-rata tertimbang terurut diidentifikasi dan
dihilangkan. Kemanjuran metode yang diusulkan ditunjukkan dengan menggunakan masalah keputusan
simulasi dari berbagai ukuran. Hasil penelitian menunjukkan bahwa jumlah alternatif dapat dikurangi
secara drastis dengan menerapkan metode yang diusulkan. Dalam [60], kemampuan sistem fuzzy hirarkis
untuk fungsi perkiraan dalam ruang input diskrit diperiksa. Properti berguna yang berkaitan dengan
sistem fuzzy hierarkis untuk pendekatan fungsi dan akurasi pendekatan yang terkait dibahas. Metode
identifikasi sistem fuzzy hierarkis yang menggabungkan pengetahuan manusia dan data numerik untuk
konstruksi dan identifikasi sistem diusulkan. Penerapan metode yang diusulkan untuk mendukung
keputusan pemilihan lokasi, yaitu, masalah pengambilan keputusan strategis yang dihadapi oleh
banyak perusahaan ritel dan jasa, ditunjukkan. Berdasarkan beberapa data komersial nyata, metode
yang diusulkan mengungguli regresi dan pendekatanjaringan saraf.
Sebuah sistem klasifikasi persediaan berdasarkan proses hirarki analitik fuzzy
dijelaskan dalam [61]. Konsep fuzzy terintegrasi dengan data persediaan nyata, dan sistem pendukung
keputusan yang berguna untuk klasifikasi persediaan multi-kriteria dikembangkan. Efektivitas metode
yang diusulkan ditunjukkan dengan menggunakan studi yang dilakukan di sebuah perusahaan peralatan
listrik. Di sisi lain, model hibrida yang menggabungkan pengukuran kesamaan fuzzy dan pengambilan
keputusan multi-kriteria fuzzy untuk desain berbasis kasus di bawah lingkungan fuzzy diusulkan dalam
[62]. Keuntungan menggunakan himpunan fuzzy termasuk meningkatkan peluang kecocokan yang baik,
menghindari “terlalu sedikit” kasus yang diambil, dan memungkinkan situasi dengan deskripsi linguistik
untuk ditangani. Metode yang diusulkan diterapkan pada desain konkuren transformator daya, dan solusi
yang lebih cocok, dibandingkan dengan solusi dari metode pengambilan hanya pengukuran kesamaan,
dihasilkan.
Model penalaran berbasis kasus yang direvisi untuk melakukan masalah pengambilan keputusan
dalam manajemen proyek dijelaskan dalam [63]. Pendekatan deskripsi masalah baru, yaitu, arsitektur
kriteria hierarkis, diusulkan untuk meningkatkan teknik penalaran berbasis kasus tradisional, dan
sistem rekomendasi untuk perencanaan proyek perangkat lunak, yang didasarkan pada keputusan ganda
dan teknik penambangan pengetahuan, diimplementasikan. Eksperimen menggunakan 41 proyek nyata
dari sebuah perusahaan konsultan perangkat lunak menunjukkan bahwa model penalaran berbasis kasus
yang direvisi efektif untuk manajer proyek dalam merencanakan dan menganalisis kegiatan manajemen
proyek.
Berdasarkan penalaran berbasis kasus hybrid dan teknik penalaran berbasis aturan, sistem
pendukung keputusan klinis untuk ICU dibangun [64]. Penalaran berbasis kasus mampu melengkapi
kesulitan dalam memperoleh pengetahuan eksplisit untuk membangun sistem berbasis aturan. Model
hybrid yang diusulkan mampu memberikan dukungan keputusan klinis untuk semua domain ICU.
Kemanjuran model yang diusulkan ditunjukkan dengan menggunakan data ICU nyata serta data simulasi.
Sistem penalaran berbasis kasus umum untuk membantu manajer keselamatan membuat keputusan
tentang tindakan pencegahan dijelaskan dalam [65]. Sistem membuat rekomendasi berdasarkan insiden
serupa di masa lalu dan saran yang didorong oleh keahlian. Sistem ini diuji menggunakan database
kecelakaan nyata dari industri kelautan, dan kegunaan sistem ini ditunjukkan.
Sebuah alat pengambilan keputusan, dikembangkan berdasarkan sistem multi-agen, untuk
menganalisis dan memahami perubahan harga dinamis di pasar tenaga grosir dijelaskan dalam [66].
Sistem ini mampu menciptakan kerangka kerja untuk menilai strategi perdagangan baru dalam
lingkungan perdagangan listrik yang kompetitif. Kemampuan sistem yang diusulkan dalam hal estimasi,
transmisi, pengambilan keputusan, analisis, dan kecerdasan dibandingkan dengan perangkat lunak
perdagangan listrik lainnya. Sistem yang diusulkan juga menunjukkan akurasi estimasi yang lebih baik
dibandingkan dengan jaringan saraf dan algoritma genetika. Sebuah studi menggunakan kumpulan data
yang berkaitan dengan krisis listrik California dilakukan, dan hasilnya mengkonfirmasi validitas sistem.
Dalam [67], sebuah pendekatan untuk menggabungkan pembelajaran Bayesian ke dalam sistem multi-
agen dijelaskan. Sebuah studi untuk menunjukkan bahwa sistem belajar untuk mengidentifikasi agen
yang tepat untuk menjawab pertanyaan teks bebas dan pencarian kata kunci untuk kontrak pertahanan
dilakukan. Keefektifan sistem yang diusulkan ditentukan dengan menganalisis akurasi dan tingkat
pembelajaran dalam sistem. Sistem diuji terhadap data historis yang diketahui, dan hasilnya
menunjukkan bahwa pembelajaran Bayesian adalah pendekatan yang bermakna, dan bahwa
pembelajaran memang terjadi dalam sistem multi-agen.
Peran agen otomatis untuk pendukung keputusan di pasar elektronik telah menarik
banyak perhatian. Dengan demikian, kemanjuran menggunakan agen otomatis untuk mempelajari
strategi penawaran yang melibatkan banyak penjual dalam lelang terbalik dipelajari di [68]. Dikatakan
bahwa agen harus dapat mempelajari strategi respons yang optimal atau terbaik ketika mereka ada
(perilaku rasional) dan harus menunjukkan varians keuntungan yang rendah (konvergensi). Sifat yang
diinginkan dari perilaku rasional dan konvergensi ditunjukkan dengan menggunakan agen pembelajaran
evolusioner dan penguatan.
Sistem pendukung keputusan berbasis multi-agen untuk membantu individu dan kelompok
mempertimbangkan perspektif etis dalam kinerja tugas mereka dijelaskan dalam [69]. Empat peran
berbeda untuk dukungan pemecahan masalah etis, yaitu. penasihat, fasilitator kelompok, pelatih
interaksi, dan peramal, dijelaskan. Model keyakinan-keinginan- niat dalam teknologi agen digunakan
sebagai metode untuk mendukung interaksi pengguna, mensimulasikan pemecahan masalah, dan
memprediksi hasil di masa depan. Desain dan penerapan sistem multi-agen untuk mengatasi masalah
manufaktur, yaitu penjadwalan produksi, disajikan dalam [70]. Skema koordinasi untuk sistem multi-
agen diusulkan, dan kemanjurannya diuji terhadap kerangka pembelajaran multi-agen yang ada tanpa
koordinasi. Agen di lantai pabrik manufaktur bertindak sebagai operator untuk mengirimkan pekerjaan
melalui mesin. Basis pengetahuan aturan pengiriman dan algoritme genetika yang mempelajari aturan
pengiriman baru dari waktu ke waktu disematkan ke dalam agen. Hasilnya menunjukkan bahwa sistem
multi-agen di mana agen mengoordinasikan tindakan mereka berkinerja lebih baik daripada yang agen
tidak mengoordinasikan tindakan mereka.

1.5 KESIMPULAN
Ikhtisar pengambilan keputusan yang cerdas disajikan dalam bab ini. Proses pengambilan
keputusan manusia dan elemen yang terkait dengan kualitas keputusan dibahas. Taksonomi sistem
pendukung keputusan juga dijelaskan. Teknik dari kecerdasan buatan yang berguna untuk desain dan
pengembangan model pengambilan keputusan yang cerdas juga disajikan. Ini termasuk jaringan saraf
tiruan, komputasi evolusioner, sistem fuzzy, penalaran berbasis kasus, serta sistem multi-agen. Contoh
aplikasi yang menunjukkan bagaimana teknik cerdas dan hibrid dapat digunakan untuk mengatasi
masalah pengambilan keputusan disorot. Dapat dibayangkan bahwa aspek-aspek umum dari
pengambilan keputusan, serta teknik- teknik cerdas dan contoh-contoh penerapannya yang terkait dalam
berbagai domain seperti yang disajikan dalam bab ini berfungsi sebagai latar belakang bagi pembaca
untuk lebih memahami dan memahami bab-bab yang tercakup dalam buku ini.
 SISTEM PENDUKUNG KEPUTUSAN

Proses Pengambilan Keputusan

Pengambilan keputusan meliputi beberapa tahap dan melalui beberapa proses

(Lucas, 1992). Menurut Simon (1960), pengambilan keputusan meliputi empat tahap
yang saling berhubungan dan berurutan. Empat proses tersebut adalah:
(1) Intelligence
Tahap ini merupakan proses penelusuran dan pendeteksian dari lingkup
problematika serta proses pengenalan masalah. Data masukan diperoleh, diproses,
dan diuji dalam rangka mengidentifikasikan masalah.
(2) Design
Tahap ini merupakan proses menemukan dan mengembangkan alternatif. Tahap ini
meliputi proses untuk mengerti masalah, menurunkan solusi dan menguji kelayakan
solusi.
(3) Choice
Pada tahap ini dilakukan poses pemilihan di antara berbagai alternatif tindakan
yang mungkin dijalankan. Tahap ini meliputi pencarian, evaluasi, dan rekomendasi
solusi yang sesuai untuk model yang telah dibuat. Solusi dari model merupakan nilai
spesifik untuk variabel hasil pada alternatif yang dipilih.
(4) Implementation
Tahap implementasi adalah tahap pelaksanaan dari keputusan yang telah diambil.
Pada tahap ini perlu disusun serangkaian tindakan yang terencana, sehingga hasil
keputusan dapat dipantau dan disesuaikan apabila diperlukan perbaikan.
Dalam hal ini, model Simon juga menggambarkan kontribusi Sistem Informasi
Manajemen (SIM) dan Ilmu Manajemen / Operations Research (IM / OR) terhadap
proses pengambilan keputusan, seperti terlihat pada Gambar 1

INTELLIGENCE SISTEM INFORMASI MANAJEMEN /

(PENELUSURAN LINGKUP
PEGOLAHAN DATA ELEKTRONIK

DESIGN

(PERANCANGAN SISTEM

PENDUKU
ILMU MANAJEMEN / NG
CHOICE OPERATIONS RESEARCH KEPUTUS
AN

IMPLEMENTATION
 Gambar 1Fase Proses Pengambilan Keputusan Sumber:
Sistem Pendukung Keputusan (Suryadi,2002)

Berdasarkan pada keempat tahap di atas, jelas bahwa Pengolahan Data

Elektronik (PDE) dan SIM mempunyai kontribusi dalam fase Intelligence, sedangkan
IM/OR berperan penting dalam fase Choice. Tidak tampak pendukung yang berarti pada
tahap Design, walaupun pada kenyataannya fase ini merupakan salah satu kontribusi
dasar dari suatu Sistem Pendukung Keputusan.
Pengambilan keputusan adalah pemilihan beberapa tindakan alternatif yang ada
untuk mencapai satu atau beberapa tujuan yang telah ditetapkan (Turban, 2005).

Karakteristik Sistem Pendukung Keputusan

Turban (2005) mengemukakan karakteristik dan kapabilitas kunci dari SistemPendukung

Keputusan adalah sebagai berikut (Gambar 4.2):
(1) Dukungan untuk pengambil keputusan, terutama pada situasi semiterstruktur
dan tak terstruktur.
(2) Dukungan untuk semua level manajerial, dari eksekutif puncak sampai manajer
lini.
(3) Dukungan untuk individu dan kelompok.

(4) Dukungan untuk semua keputusan independen dan atau sekuensial.

(5) Dukungan di semua fase proses pengambilan keputusan: inteligensi, desain,

pilihan, dan implementasi.
(6) Dukungan pada berbagai proses dan gaya pengambilan keputusan.

(7) Kemampuan sistem beradaptasi dengan cepat dimana pengambil keputusan dapat
menghadapi masalah-masalah baru dan pada saat yang sama dapat menanganinya
dengan cara mengadaptasikan sistem terhadap kondisi-kondisi perubahan yang
terjadi.
(8) Pengguna merasa seperti di rumah. User-friendly, kapabilitas grafis yang kuat, dan
sebuah bahasa interaktif yang alami.
(9) Peningkatan terhadap keefektifan pengambilan keputusan (akurasi, timelines,

kualitas) dari pada efisiensi (biaya).

(10) Pengambil keputusan mengontrol penuh semua langkah proses pengambilan

keputusan dalam memecahkan masalah.
(11) Pengguna akhir dapat mengembangkan dan memodifikasi sistem sederhana.

(12) Menggunakan model-model dalam penganalisisan situasi pengambilan keputusan.

Disediakannya akses untuk berbagai sumber data, format, dan tipe, mulai dari
sistem informasi geografi (GIS) sampai sistem berorientasi objek.
(13) Dapat dilakukan sebagai alat standalone yang digunakan oleh seorang pengambil
keputusan pada satu lokasi atau didistribusikan di satu organisasi keseluruhan
dan di beberapa organisasi sepanjang rantai persediaan.
 1
14 2

13 3

12 4

11 5

10 6

Gambar 2Karakteristik dan Kapabilitas SPK

Sumber : Decision Support Systems and Intelligent Systems (Turban,2005)

Komponen-Komponen Sistem Pendukung Keputusan

Menurut Turban (2005), Sistem Pendukung Keputusan terdiri dari empat subsistem,
yaitu:
(1) Manajemen Data, meliputi basis data yang berisi data-data yang relevan dengan
keadaan dan dikelola oleh perangkat lunak yang disebut dengan Database
Management System (DBMS).
(2) Manajemen Model berupa sebuah paket perangkat lunak yang berisi model- model
finansial, statistik, management science, atau model kuantitatif, yang menyediakan
kemampuan analisa dan perangkat lunak manajemen yang sesuai.
(3) Subsistem Dialog atau komunikasi, merupakan subsistem yang dipakai oleh user
untuk berkomunikasi dan memberi perintah (menyediakan user interface).
(4) Manajemen Knowledge yang mendukung subsistem lain atau berlaku sebagai
komponen yang berdiri sendiri.

Sistem Berbasis
Sistem Berbasis
Data internal Komputer
Data
internal lainnya
Manajemen Manajemen
Data Model

Manajemen
Manajemen

Antarmuka
Antarmuka Pengguna
Pengguna

Manajer
Manajer(Pengguna)
(Pengguna)
 Manajer (Pengguna)

Gambar 3 Model Konseptul Sistem Pendukung Keputusan Sumber :

Decision Support Systems and Intelligent Systems(Turban,2005)

a. Subsistem Manajemen Data

Subsistem manajemen data terdiri dari elemen berikut ini:

(1) DSS database adalah kumpulan data yang saling terkait yang diorganisasi
untuk memenuhi kebutuhan dan struktur sebuah oraganisasi dan dapat
digunakan oleh lebih dari satu orang untuk lebih dari satu aplikasi.
(2) Sistem Manajemen basis data adalah pembuatan, pengaksesan, dan
pembaharuan (update) oleh DBMS yang mempunyai fungsi utama sebagai
tempat penyimpanan, mendapatkan kembali (retrieval) dan pengontrolan.
Direktori merupakan sebuah katalog dari semua data di dalam basis data.
(3) Query Facility, yang menyediakan fasilitas akses data. Fungsi utamannya
adalah untuk operasi seleksi dan manipulasi data dengan menggunakan
model-model yang sesuai dari model management

b. Subsistem Manajemen Model

Subsistem manajemen model terdiri atas elemen-elemen berikut ini:

(1) Basis Model.
Berisikan model-model seperti manajemen keuangan, statistik, ilmu manajemen
yang bersifat kuantitatif yang memberikan kapabilitas analisispada sebuah SPK.
Model Strategis digunakan untuk mendukung manajemen puncak untuk
menjalankan tanggungjawab perencanaan strategis. Ketika model ini digunakan
dalam suatu SPK, maka yang menjadi tujuan di dalamnya adalah untuk
membantu pengambilan keputusan strategis yang sifatnya jangka panjang.
Model Taktis digunakan terutama oleh manajemen madya untuk membantu
mengalokasikan dan mengontrol sumber daya organisasi.
Model Operasional digunakan untuk mendukung aktifitas kerja harian pada
oraganisasi.
Model Analitik digunakan untuk menganalisis data (untuk apllikasi sendiri),
sebagai komponen dari model yang lebih besar, dan digunakan untuk
menentukan variabel dan parameter model.
Sistem Manajemen Basis Model
Merupakan sistem software yang fungsi utamanya untuk membuat modeldengan
menggunakan bahasa pemrograman, alat SPK dan atau subrutin, dan balok
pembangun lainnya; membangkitkan rutin baru dan laporan; pembaruan dan
perubahan model; dan manipulasi model.
(2) Direktori Model

Peran direktori model sama dengan direktori basis data. Direktori model adalah
katalog dari semua model dan perangkat lunak lainnya pada basis model. Ia
berisi definisi model dan fungsi utamanya adalah menjawab pertanyaan tentang
ketersediaan dan kapabilitas model.
(3) Eksekusi Model, Integrasi, dan Prosesor Perintah
 Eksekusi model adalah proses mengontrol jalannya model saat ini. Integrasi
model mencakup gabungan operasi beberapa model saat diperlukan atau
menintegrasikan SPK dengan aplikasi lain. Sedangkan prosesor model digunakan
untuk menerima dan mengintepretasikan instruksi-instruksi pemodelan.
c. Subsistem Dialog

Komponen dialog SPK adalah perangkat lunak dan perangkat keras yang
menyediakan antarmuka untuk SPK. Istilah antarmuka pengguna mencakup semua
aspek komunikasi antara satu pengguna dan SPK. Cakupannya tidak hanya perangkat
lunak dan perangkat keras, tapi juga faktor-faktor yang berkaitan dengan kemudahan
pengguna, kemampuan untuk dapat diakses, dan interaksi manusia- mesin.
d. Subsistem Manajemen Knowledge

Banyak masalah tak terstruktur dan bahkan semi terstruktur yang sangat kompleks
sehingga solusinya memerlukan keahlian. Oleh karena itu banyak SPK canggih yang
dilengkapi dengan komponen manajemen knowledge. Komponen ini menyediakan
keahlian untuk memecahkan beberapa aspek masalah dan memberikan pengetahuan
yang dapat meningkatkan operasi komponen SPK lainnya.
Berikut adalah modul-modul Sistem Pendukung Keputusan dengan menggunakan
beberapa teknik penyelesaian yang anda bisa pergunakan untuk memahami bagaimana
sebuah Sistem Pendukung Keputusan diaplikasikan.

MODUL 1 PENCOCOKAN
PROFIL
Maksud dari pencocokan profil (profile matching) adalah sebuah mekanisme
pengambilan keputusan dengan mengasumsikan bahwa terdapat tingkat variabel
predikator yang ideal yang harus dimiliki oleh pelamar, bukannya tingkat minimal yang
harus dipenuhi atau dilewati.
Dalam pencocokan profil, dilakukan identifikasi terhadap kelompok karyawan yang
baik maupun yang buruk. Para karyawan dalam kelompok tersebut diukur
menggunakan kriteria penilaian. Misalnya, karyawan yang ideal mungkin memiliki
kecerdasan rata-rata, kepekaan sosia yang baik, kebutuhan yang rendah untuk
mendominasi orang lain, dan tingkat kemampuan perencanaan yang tinggi. Dalam
pencocokan profil, pelamar kerja yang diangkat adalah pelamar yang paling mendekati
profil yang ideal seorang karyawan yang berhasil.
Aspek-aspek Penilaian

Sistem pendukung keputusan tersebut dirancang sedemikian rupa sehingga pengguna

yang dalam hal ini adalah manajer bagian sumber daya manusia bisa menentukan
aspek-aspek penilaian sendiri secara dinamis sehingga sistem pendukung keputusan
tersebut bisa dipakai lebih luas.
Berikut dicontohkan menggunakan 3 aspek penilaian yaitu :

1. Aspek Kecerdasan

Aspek ini memiliki 10 faktor yaitu :

a. Common Sence, kemampuan berfikir konkrit praktis sehingga diperoleh

pandangan yang bersifat umum dan realistis
 b. Verbalisasi Ide, kecakapan mengolah dan mengintegrasi suatu gagasan pemikiran
yang bersifat verbal.
c. Sistematika Berfikir, kelincahan berfikir dalam menangkap suatu hubungan
asosiasi antara satu gejala dengan gejala lain menggunakan logika yang
sistematis
d. Penalaran dan Sosial Real, kecakapan dalam memahami suatu inti persoalan dari
dua gejala secara mendalam sehingga mampu melakukan penalaran secara logis
dan merumuskan suatu hasil yang realistis
e. Konsentrasi, kemantapan untuk memusatkan perhatian dalam mencamkan suatu
persoalan.
f. Logika Praktis, kecakapan untuk memecahkan masalah secara logis dan runtut
dengan cara praktis dan sederhana
g. Fleksibilitas Berfikir, cara pendekatan berfikir yang bervariasi, tidak terpaku
pada satu metode saja, dan cakap menganalisis informasi secara faktual
h. Imajinasi Kreatif, kecakapan untuk mencari alternatif pemecahan masalah secara
kreatif melalui upaya membayangkan hubungan gejala secara menyeluruh
i. Antisipasi, kecakapan dalam memprediksi suatu kejadian (akibat) dan mampu
mengenali adanya gejala-gejala perubahan
2. Aspek Sikap Kerja

Aspek ini memiliki 6 faktor yaitu :

a. Energi Psikis, mengungkap besarnya potensi energi kerja, terutama ketika berada
di bawah tekanan Ketelitian dan Tanggung Jawab, menunjukkan adanya
kesediaan bertanggung jawab, teliti, serta kepedulian, tetapi bisa berarti pula
mudah dipengaruhi, labil, dan kurang waspada
b. Kehati-hatian, adanya kecermatan, hati-hati, konsentrasi, kesiagaan, dan
kemantapan kerja terhadap pengaruh tekanan
c. Pengendalian Perasaan, adanya ketenangan, penyesuaian diri, dan keseimbangan.
Bisa juga berarti sebaliknya, yakni menggambarkan temperamen secara penuh,
mudah terangsang, dan cenderung egosentris.
d. Dorongan Berprestasi, menggambarkan kesediaan dan kemampuan berprestasi,
serta kemampuan untuk mengembangkan diri.
e. Vitalitas dan Perencanaan, menunjukkan ambisi untuk mengarahkan diri dan
mengatur kemampuan dalam mengatur tempo dan irama kerja.
3. Aspek Perilaku

Aspek ini memiliki 4 faktor yaitu :

a. Kekuasaan (Dominance), kemampuan untuk menahan diri dalam bersikap egois

dan menghilangkan sikap senioritas
b. Pengaruh (Influences), kemampuan karyawan untuk membimbing aktivitas
karyawan lainnya, memotivasi, dan mendayagunakan sumber daya manusia dan
sumber daya teknik yang tersedia untuk menyelesaikan tugas dan mencapai solusi
atas masalah yang dihadapi dengan berpedoman pada kebijakan organisasi
c. Keteguhan Hati (Steadiness), kemampuan untuk menahan tekanan dan tetap
tenang dalam situasi kritis
d. Pemenuhan (Compliance), kemampuan untuk melakukan pekerjaan yang
disyaratkan dengan supervisi minimum serta kemampuan untuk memenuhi
kondisi yang menantang dan memecahkan masalah dari situasi yang baru.