Decision Support System

Nama : Fitri Susanti

NPM : 197006426045
Matkul : Sistem Pendukung Keputusan
Kelas : K.01
 DECISION SUPPORT SYSTEM
DSS adalah seperangkat sistem yang mampu memecahkan masalah secara efisien
dan efektif, yang bertujuan untuk membantu pengambil keputusan
Definisi DSS (Decision Support System) menurut Sprague dan Carlson (Sprague et.al.,
1993), yaitu : sistem yang berbasis komputer yang dipergunakan untuk membantu para
pengambil keputusan dalam rangka memecahkan masalah-masalah rumit yang
“mustahil” dilakukan dengan kalkulasi manual dengan cara melalui simulasi yang
interaktif dimana data dan model analisis sebagai komponen utama.
 Kelebihan dan Kekurangan DSS
KELEBIHAN
Memperluas kemampuan pengambil keputusan dalam memproses data/informasi untuk pengambilan keputusan.
Menghemat waktu yang dibutuhkan untuk memecahkan masalah, terutama berbagai masalah yang sangat
kompleks dan tidak terstruktur.
Menghasilkan solusi dengan lebih cepat dan hasilnya dapat diandalkan.
Mampu memberikan berbagai alternatif dalam pengambilan keputusan, meskipun seandainya DSS tidak mampu
memecahkan masalah yang dihadapi oleh pengambil keputusan, namun dapat digunakan sebagai stimulan dalam
memahami persoalan.
Memperkuat keyakinan pengambil keputusan terhadap keputusan yang diambilnya.
Memberikan keuntungan kompetitif bagi organisasi secara keseluruhan dengan penghematan waktu, tenaga dan
biaya.
KEKURANGAN
Sulit dalam memodelkan sistem bisnis
Mungkin akan menghasilkan suatu model bisnis yang tidak dapat menangkap semua pengaruh pada entity.
Dibutuhkan kemampuan matematika yang tinggi untuk mengembangkan suatu model yang lebih kompleks.
Komponen Decision Support System
a) Database
b) Model Base
c) Software System

Tujuan Decision Support System

Perintis DSS yang lain Peter G. W. Keen, bekerjasama dengan Scott Morton mendefinisikan tiga
tujuan yang harus dicapai DSS.
 Membantu manajer membuat keputusan untuk memecahkan masalah semi terstruktur.
 Mendukung keputusan manajer, dan bukannya mengubah atau mengganti keputusan
tersebut
 Meningkatkan efektivitas menajer dalam pembuatan keputusan, dan bukannya peningkatan
efisiensi.
 DDS TAXONOMY
Steven L. Alter – kandidat doktor di MIT (1975), dengan berdasarkan kerangka kerja Gorry dan
Scott Morton me-lakukan pengklasifikasian jenis-jenis aplikasi DSS (pengem -bangan taksonomi

Alter's taxonomy adalah klasifikasi sederhada dari DSS yang telah ditemukan dalam risetnya tahun
1975. Pengklasifikasian ini didasarkan pada operasi-operasi generik pendukung keputusan yang
diperluas dari data-oriented menjadi model-oriented.

Jenis-jenis Taksonomi DSS Alter :

Retrieving a single of information (mengambil elemen-elemen informasi

Providing a mechanism for ad hoc data analysis (mengalisis seluruh file

Providing prespecified aggregations of data in the form of reports (menyiapkan laporan dari
berbagai file).
Alter (1975) mengklasifikasikan 56 DSS menjadi tujuh kategori yang berbeda. Ketujuh kategori
tersebut adalah :
File drawer systems yang menyediakan pengaksesan terhadap detail data.
Data analysis systems yang mendukung proses manipulasi data dengan perangkat lunak yang
telah dibuat untuk tugas khusus.
Analysis information systems yang menyediakan akses terhadap database yang berorientasi
keputusan dan model-model kecil lainnya
Accounting and financial model-based DSS yang digunakan untuk menghitung konsekwensi dari
sebuah kemungkinan.
Representational model-based DSS yang memperkirakan konsekwensi dari suatu aksi yang
didasarkan pada model simulasi.
Optimization model-based DSS yang menyediakan solusi secara optimal dengan batasan-batasan
tertentu yang dapat memandu dalam pengambilan keputusan.
Suggestion DSS based on logic models yang menjalankan proses-proses yang lebih spesifik bagi
keputusan terstruktur atau tugas well-understood.
 CLINICAL DECISION SUPPORT SYSTEM (CDSS)
◦ CDSS merupakan tool dengan media elektronik yang digunakan untuk menentukan diagnosis,
interpretasi klinis, kecenderungan, pemberitahuan (alerting), pengingat (reminder), analisis prediktif
dengan aplikasi (layanan ataupun antar muka) yang terhubung dengan data
◦ CDSS memiliki tujuan utama untuk mendukung bermacam fungsi klinis, seperti misalya:
dokumentasi dan pengkodean klinis, mengatur kompleksitas klinis, menyimpan dan memelihara
database pasien, melakukan tracking order pasien, monitoring dan tindak lanjut kesehatan, maupun
tindakan pencegahan suatu penyakit.
MEDICAL LOGIC MODULE (MLM)
Medical logic module (MLM) adalah unit independen dalam basis pengetahuan perawatan kesehatan
yang mewakili pengetahuan yang diterbitkan tentang persyaratan untuk merawat pasien berdasarkan
satu keputusan medis.
Kemungkinan penggunaan adalah dengan program monitor acara di ruang perawatan intensif atau
dengan sistem informasi rumah sakit tentang terjadinya kondisi yang ditentukan.

Penerapan:
Sintaks Arden telah didefinisikan sebagai tata bahasa yang dapat membuat MLM dapat ditukar di
antara berbagai platform. Representasi XML Arden (ArdenML) dapat ditransformasikan oleh Extensible
Stylesheet Language Transformations (XSLTs) ke bentuk lain.
 EXPERT SYSTEM (SYSTEM PAKAR)
◦ Sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat
menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli, dan sistem pakar.

Keuntungan system pakar: Kelemahan system pakar:

 Memungkinkan orang awam bisa mengerjakan  Biaya yang diperlukan untuk membuat
pekerjaan para ahli. dan memeliharanya sangat mahal
 Bisa melakukan proses secara berulang secara
 Sulit dikembangkan. Hal itu tentu saja
otomatis.
erat kaitannya dengan ketersediaan
 Menyimpan pengetahuan dan keahlian para
pakar di bidangnya.
pakar.
 Meningkatkan output dan produktivitas  System pakar tidak 100% bernilai
 Meningktkan kualitas. pasar.
 Mampu mengambil dan melestarikan keahlian
para pakar.
 Mampu beroperasinya dalam lingkungan yang
berbahaya
 Memiliki kemampuan untuk mengakses
pengetahuan
 Memiliki reabilitas
 Meningkatkan kapabilitas system computer
 SISTEM PAKAR YANG TERKENAL
MYCIN
Paling terkenal, dibuat oleh Edward Shortlife of Standford University tahun 70-an. Sistem pakar
medical yang bisa mendiagnosa penyakit infeksi dan merekomendasi pengobatan.
DENDRAL
Mengidentifikasi struktur molekular campuran kimia yang tak dikenal.
XCON
Merupakan sistem pakar untuk membantu konfigurasi sistem komputer besar, membantu melayani
order langganan sistem komputer DEC VAX 11/780 ke dalam sistem spesifikasi final yang lengkap.
XSEL
Dirancang untuk membantu karyawan bagian penjualan dalam memilih komponen istem VAX. Karena
banyaknya pilihan karyawan tersebut sering menghadapi kesulitan dalam memilih suatu komponen
yang paling tepat.
SOPHIE :
Analisis sirkuit elektronik.
PROSPECTOR
Di desain oleh Sheffield Research Institute, akhir 70-an. Sistem pakar yang membantu ahli geologi
dalam mencari dan menemukan deposit.
 SISTEM PAKAR YANG TERKENAL (lanjutan)
DELTA
Dibuat oleh perusahaan General Electric (GE) membantu karyawan bagian pemeliharaan mesin lokomotif
diesel dalam memantau mesin-mesin yang tidak berfungsi dengan baik dan membimbing ke arah prosedur
perbaikan.
FOLIO
Sistem pakar yang menolong stock broker dan tugas manajer dalam menangani investasi bagi kepentingan
para langganannya. Stock broker mewawancarai langganan untuk menentukan tujuan sumber dan investasi
mereka.
EL
Digunakan untuk menganalisa dan membantu rekayasa rancangan sirkuit elektronik yang terbuat dari
transistor, dioda dan resistor.
YESMVS
Di desain oleh IBM awal tahun 80-an. Membantu operator komputer dan mengontrol sistem operasi MVS
(Multiple Virtual Storage).
ACE
Di desain dan dikembangkan oleh AT&T Bell Lab awal tahun 80-an. Sistem Pakar troubleshooting pada
sistem kabel telepon.
RAMALAN CUACA
Dengan diberi input tentang situasi cuaca yang sedang berlangsung, baik lokal maupun ditempat lain, maka
sistem pakar bisa menyajikan ramalan yang akurat tentang cuaca yang akan terjadi dalam suatu periode
tertentu.
 Artificial Neural Network Artificial (ANN)
ANN (Artificial Neural Network) adalah Suatu sistem pemrosesan informasi yang
mencoba meniru kinerja otak manusia. ANN merupakan generalisasi model
matematis dengan asumsi:
a) Pemrosesan informasi terjadi pada elemen sederhana (=neuron)
b) Sinyal dikirimkan diantara neuron-neuron melalui penghubung (=dendrit dan
akson)
c) Penghubung antar elemen memiliki bobot yang akan menambah atau mengurangi
sinyal
d) Untuk menentukan output, setiap neuron memiliki fungsi aktivasi (biasanya non
linier) yang dikenakan pada semua input
e) Besar output akan dibandingkan dengan threshold
 Artificial Neural Network Artificial (ANN) (lanjutan)
Kelebihan
Mampu mengakuisisi pengetahuan
walau tidak ada kepastian
Mampu melakukan generalisasi
dan ekstraksi dari suatu pola data
tertentu ANN dapat menciptakan
suatu pola pengetahuan melalui
pengaturan diri atau kemampuan
belajar (self organizing)
Memiliki fault tolerance, gangguan
dapat dianggap sebagai noise saja
Kemampuan perhitungan secara
paralel sehingga proses lebih
singkat
Kelemahan
 Kurang mampu untuk
melakukan operasi operasi
numerik dengan presisi tinggi
 Kurang mampu melakukan
operasi algoritma aritmatik,
operasi logika dan simbolis
 Lamanya proses training
yang mungkin terjadi dalam
waktu yang sangat lama
untuk jumlah data yang besar
 STUDI KASUS
“SISTEM PENDUKUNG KEPUTUSAN PENENTUAN PROSES
PERSALINAN”

◦ Proses persalinan ini mulai dari awal kehamilan sampai dengan mendekati
proses persalinan, ibu harus selalu memeriksakan kehamilannya kepada dokter
ataupun bidan. Ada beberapa faktor yang mempengaruhi proses persalinan ibu
yaitu posisi bayi, berat badan bayi serta kesanggupan ibu untuk proses
persalinan.

◦ Berdasarkan hal diatas maka diberikan sebuah usulan sistem kepada Rumah
Sakit Bersalin Amal Kita Medan dalam hal penentuan proses persalinan ibu.
Sistem ini nantinya akan membantu kerja dari dokter dan bidan yang menangani
ibu mulai dari proses kehamilan sampai menjelang persalinan dalam mengambil
sebuah keputusan untuk menentukan persalinan ibu secara normal ataupun
operasi (caesar).Konsep sistem pendukung keputusan ini didukung oleh Metode
Simple Additive Weight (SAW).
◦ Metode Simple Additive Weight (SAW) ini dipilih karena metode ini menentukan nilai
bobot untuk setiap atribut yang berpengaruh pada proses persalinan ibu, kemudian
dilanjutkan dengan proses perangkingan yang akan menyeleksi alternatif terbaik
dari sejumlah alternatif, dalam hal ini alternatif yang dimaksud adalah proses
persalinan ibu normal atau operasi (caesar) berdasarkan kriteria-kriteria (faktor)
yang ditentukan. Dengan metode perangkingan tersebut, diharapkan penilaian akan
lebih tepat karena didasarkan pada nilai kriteria dan bobot yang sudah ditentukan
sehingga akan mendapatkan hasil yang lebih akurat terhadap bagaimana proses
persalinan ibu.

Gambar metode Simple Additive Weight (SAW)

◦ Adapun skenarionya sebagai berikut :
◦ Petugas admin mengolah data pasien yang akan bersalin ke system yang sudah
dibuat dan selanjutnya data tersebut diserahkan kepada dokter yang menangani
pasien.
◦ Data pasien yang sudah diinput selanjutnya melalui sistem oleh admin di
kombinasikan dengan kriteria dan bobot untuk penentuan proses persalinan
◦ Dari kriteria dan nilai bobot yang ada di konversikan oleh sistem menjadi matriks
yang selanjutnya didapat perankingan.
◦ Perankingan ini disampaikan kepada pasien dan dokter yang menangani untuk
menentukan proses persalinan.