04 pemodelan spk

1. Pemodelan SPK
June 25, 20161

2. Pemodelan
June 25, 20162
 Pemodelan merupakan suatu upaya untuk
melakukan analisis sistem pendukung
keputusan (SPK) dengan cara meniru
bentuk nyata-nya daripada melakukannya
pada sistem nyata

3. Alasan Penggunaan Model (1)
June 25, 20163
 Manipulasi model (seperti mengubah variabel)
akan lebih mudah dilakukan daripada
melakukannya pada sistem nyata.
 Model dapat menghemat waktu.
 Biaya untuk menganalisis model jauh lebih
murah jika dibandingkan dengan
mengaplikasikannya pada sistem nyata.
 Resiko kesalahan pada bentuk model dengan
melakukan trial & error (coba-coba) jauh lebih
rendah jika dibandingkan dengan melakukannya
pada sistem nyata

4. Alasan Penggunaan Model (2)
June 25, 20164
 Lingkungan bisnis yang banyak mengandung
ketidakpastian.
 Model matematika dapat menganalisis
kemungkinan solusi dalam jumlah yang lebih
banyak bahkan tidak terbatas.
 Model meningkatkan pembelajaran & pelatihan.
 Model-model dan metode-metode untuk
mendapatkan solusi telah tersedia di web.
 Ada beberapa Java applet (atau pemrograman
web lainnya) yang tersedia untuk
menyelesaikan model-model tersebut.

5. Pemodelan dalam MSS
June 25, 20165
 Model statistik
 Digunakan untuk mencarii relasi di antara variabel. Model
ini merupakan pre program dalam tool software
pengembangan SPK
 Model Finansial
 Untuk pengembangan laporan pemasukan dan proyeksi
data finansial untuk beberapa tahun. Model ini semi
terstruktur
 Model Optimasi
 Model yang dibuat menggunakan model manajemen
sains yang disebut pendekatan linear programming

6. Aspek dalam pemodelan
June 25, 20166
 Mencakup tujuh permasalahan:
1. Identifikasi masalah dan analisis lingkungan.
2. Identifikasi variabel
3. Peramalan (forecasting).
4. Penggunaan beberapa model keputusan.
5. Seleksi kategori model yang sesuai.
6. Manajemen model.
7. Pemodelan berbasis pengetahuan

7. 1. Identifikasi Masalah dan Analisis
Lingkungan
June 25, 20167
 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

8. 2. Identifikasi Variabel
June 25, 20168
 Pada tahap ini akan diidentifikasi variabel-
variabel yang relevan.
 Variabel tersebut meliputi variabel keputusan,
variabel intermediate (tak terkontrol), dan
variabel hasil.

9. 3. Peramalan (forecasting)
June 25, 20169
 Apabila suatu SPK diimplemantasikan, maka
akibatnya akan dirasakan di kemudian hari.
 Oleh karena itu, peramalan mutlak diperlukan

10. 4. Penggunaan Beberapa Model
June 25, 201610
 Suatu sistem pendukung keputusan dapat terdiri-
atas beberapa model
 Masing-masing model merepresentasikan
bagian yang berbeda dari masalah pengambilan
keputusan

11. 5. Seleksi Kategori Model
June 25, 201611
 Setiap kategori memiliki beberapa teknik-teknik
tertentu.
 Pada dasarnya, teknik-teknik tersebut dapat
diaplikasikan baik dalam model statis maupun
model dinamis

12. Kategori Model
June 25, 201612
 Model statis umumnya memberikan asumsi adanya
operasi perulangan dengan menggunakan kondisi
yang identik
 Mengambil satu kejadian saja dalam suatu situasi
 Kejadian tersebut terjadi dalam 1 interval
 Terdapat stabilitas
 Model dinamik (time-dependent) merepresentasikan
skenario yang senantiasa berubah dari waktu ke
waktu
 Merepresentasikan skenario yang berubah-ubah
 Merepresentasikan situasi pengambilan keputusan yang
butuh waktu berminggu-minggu atau berbulan-bulan
 Bergantung pada waktu
 Dapat menunjukkan tren dan pola pada waktu tertentu

13. 6. Manajemen Model (1)
June 25, 201613
 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

14. Manajemen Model (2)
June 25, 201614
 Kapabilitas MBMS meliputi:
 kontrol,
 fleksibilitas,
 umpan balik,
 antarmuka,
 adanya pengurangan redundansi, dan
 adanya peningkatan konsistensi.

15. 7. Pemodelan Berbasis Pengetahuan
June 25, 201615
 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

16. Analisis keputusan dari sedikit alternatif
June 25, 201616
 Terdapat 2 kasus dalam analisis keputusan:
 Satu tujuan (single goal)
 Menggunakan pendekatan tabel keputusan atau pohon
keputusan
 Banyak tujuan (multiple goal)

17. Tabel Keputusan
June 25, 201617
 Tabel keputusan merupakan metode pengambilan
keputusan yang cukup sederhana.
 Metode ini menggunakan bantuan tabel yang berisi
hubungan antara beberapa atribut yang
mempengaruhi atribut tertentu.
 Umumnya, tabel keputusan ini digunakan untuk
penyelesaian masalah yang tidak melibatkan banyak
alternatif.

18. Tabel Keputusan (cont)
June 25, 201618
 Pada tabel keputusan, nilai kebenaran suatu kondisi
diberikan berdasarkan nilai logika dari setiap atribut
Ek.
 Hanya ada dua nilai kebenaran, yaitu Ek = benar
atau Ek = salah.
 Secara umum, tabel keputusan berbentuk:
D = E {E1, E2, ..., EK}
dengan D adalah nilai kebenaran suatu kondisi, dan
Ei adalah nilai kebenaran atribut ke-i (i = 1, 2, ... K).

19. Contoh 1:
June 25, 201619
 Jurusan Teknik Informatika akan melakukan
rekrutmen asisten untuk beberapa laboratorium di
lingkungannya.
 Persyaratan untuk menjadi asisten di suatu
laboratorium ditentukan oleh nilai beberapa
matakuliah.
 Setiap laboratorium dimungkinkan memiliki syarat
nilai yang berbeda.

20. Tabel Keputusan
June 25, 201620
Variabel
Logika
Ekspresi Logika
E1 Memiliki IPK > 3,00
E2 Minimal tengah duduk di semester 3
E3 Nilai matakuliah algoritma pemrograman = A
E4 Nilai matakuliah kecerdasan buatan = A
E5 Nilai matakuliah basisdata = A
E6 Nilai matakuliah grafika komputer = A
E7 Nilai matakuliah jaringan komputer = A
E8 Nilai matakuliah informatika kedokteran minimal B

21. Tabel Keputusan
June 25, 201621
No
Atribut*
Laboratorium
E1 E2 E3 E4 E5 E6 E7 E8
1 Y Y Y
Pemrograman &
Informatika Teori
2 Y Y Komputasi & Sist. Cerdas
3 Y Y Y Sistem Informasi & RPL
4 Y Y Grafika & Multimedia
5 Y Y Y Sistem & Jaringan Komp.
6 Y Y Y Informatika Kedokteran
7 Y Y Y Informatika Kedokteran
8 Y Y Y Informatika Kedokteran
9 Y Y Y Informatika Kedokteran

22. Tabel Keputusan
June 25, 201622
 Kombinasi untuk semua Ei (i=1,2,...,8) pada aturan tersebut
merupakan pengetahuan untuk menentukan pemilihan
asisten laboratorium.
 Sebagai contoh untuk laboratorium Pemrograman &
Informatika Teori dapat digunakan aturan pertama, yaitu:
 Untuk laboratorium Informatika Kedokteran dapat digunakan
aturan ke-6, ke-7, ke-8, dan ke-9, yaitu:
dengan • adalah operator AND; dan + adalah operator OR.
321 EEED 
861851841831 EEEEEEEEEEEED 

23. Contoh 2
June 25, 201623
 Suatu institusi pendidikan tinggi akan memberikan
penilaian terhadap produktivitas staf pengajarnya
dalam waktu 1 tahun.
 Ada 5 kriteria yang akan diberikan, yaitu: tidak
produktif, kurang produktif, cukup produktif,
produktif, dan sangat produktif.
 Atribut yang digunakan untuk memberikan penilaian
adalah sebagai berikut.
 C1 = jumlah karya ilmiah yang dihasilkan
 C2 = jumlah diktat (bahan ajar) yang dihasilkan
 C3 = jumlah buku referensi yang dihasilkan

24. Tabel Keputusan
June 25, 201624
Kategori
Atribut
C1 C2 C3
Sangat Produktif > 6 > 2  1
Produktif 5 atau 6  2 Tidak
dipertimbangkan
Cukup Produktif 3 atau 4  1 Tidak
dipertimbangkan
Kurang Produktif 1 atau 2 Tidak
dipertimbangkan
Tidak
dipertimbangkan
Tidak Produktif 0 0 0

25. Tabel Keputusan
June 25, 201625
 Nilai ”Tidak dipertimbangkan” berarti berapapun
nilainya diperbolehkan.
 Sedangkan nilai 0 berarti, tidak menghasilkan.
 Misalkan seorang staf bernama Edi, telah
menghasilkan karya ilmiah sebanyak 3 karya, diktat
sebanyak 2 karya, dan tidak menghasilkan buku
referensi, maka Edi termasuk dalam kategori ”Cukup
Produktif”.

26. Pohon Keputusan
June 25, 201626
 Pohon keputusan adalah salah satu metode
penyelesaian masalah keputusan dengan cara
merepresentasikan pengetahuan dalam bentuk
pohon.
 Suatu pohon memiliki conditional node yang
menunjukkan kebenaran suatu ekspresi atau
atribut.
 Conditional node tersebut memberikan beberapa
kemungkinan nilai, dapat berupa nilai boolean
(Benar atau Salah), atau beberapa alternatif nilai
yang mungkin dimiliki oleh suatu atribut, misal
untuk atribut Tekanan Darah (Rendah, Normal,
Tinggi).

27. Pohon Keputusan
June 25, 201627
 Untuk kasus pemilihan dosen produktif akan dibuat pohon
keputusannya.
C1
C2
C3
> 6
> 2
Sangat
Produktif
 1
C2
5 atau 6
C2
3 atau 4
C2
1 atau 2
0
Produktif
 2
Cukup
Produktif
 1
Kurang
Produktif
C3
0
Tidak
Produktif
0

28. Multi-Attribute Decision Making (MADM)
June 25, 201628
 Secara umum, model Multi-Attribute Decision
Making (MADM) dapat didefinisikan sebagai berikut
(Zimermann, 1991):
 Misalkan A = {ai | i = 1,...,n} adalah himpunan alternatif-
alternatif keputusan dan C = {cj | j = 1,..., m} adalah
himpunan tujuan yang diharapkan, maka akan ditentukan
alternatif x0 yang memiliki derajat harapan tertinggi
terhadap tujuan–tujuan yang relevan cj.

29. Multi-Attribute Decision Making (MADM)
June 25, 201629
 Janko (2005) memberikan batasan tentang adanya
beberapa fitur umum yang akan digunakan dalam
MADM, yaitu:
 Alternatif, adalah obyek-obyek yang berbeda dan memiliki
kesempatan yang sama untuk dipilih oleh pengambil
keputusan.
 Atribut, sering juga disebut sebagai karakteristik,
komponen, atau kriteria keputusan. Meskipun pada
kebanyakan kriteria bersifat satu level, namun tidak
menutup kemungkinan adanya sub kriteria yang
berhubungan dengan kriteria yang telah diberikan.

30. Multi-Attribute Decision Making (MADM)
June 25, 201630
 Konflik antar kriteria, beberapa kriteria biasanya
mempunyai konflik antara satu dengan yang lainnya,
misalnya kriteria keuntungan akan mengalami konflik
dengan kriteria biaya.
 Bobot keputusan, bobot keputusan menunjukkan
kepentingan relatif dari setiap kriteria, W = (w1, w2, ..., wn).
Pada MADM akan dicari bobot kepentingan dari setiap
kriteria.
 Matriks keputusan, suatu matriks keputusan X yang
berukuran m x n, berisi elemen-elemen xij, yang
merepresentasikan rating dari alternatif Ai (i=1,2,...,m)
terhadap kriteria Cj (j=1,2,...,n).

31. Multi-Attribute Decision Making (MADM)
June 25, 201631
Masalah
Kriteria-1
(C1)
Kriteria-2
(C2)
Kriteria-m
(Cm)
. . .
Alternatif-1
(A1)
Alternatif-2
(A2)
Alternatif-n
(An)
. . .

32. Multi-Attribute Decision Making (MADM)
June 25, 201632
 Ada beberapa metode yang dapat digunakan untuk
menyelesaikan masalah MADM, antara lain:
 Simple Additive Weighting (SAW)
 Weighted Product (WP)
 TOPSIS
 Analytic Hierarchy Process (AHP)

33. Analytic Hierarchy Process (AHP)
June 25, 201633
MASALAH
KRITERIA-1 KRITERIA-2 KRITERIA-n
KRITERIA-1,1 KRITERIA-n,1
ALTERNATIF 1 ALTERNATIF 2 ALTERNATIF m
…
… …
…

34. Optimasi dengan pemrograman matematis
June 25, 201634
 Digunakan untuk membantu menyelesaikan
masalah manajerial, untuk mengalokasikan
resources yang terbatas (misal tenaga kerja, modal,
mesin) diantara sekian banyak aktivitas untuk
mengoptimalkan tujuan yang ditetapkan
 Contoh: Linear Programming

35. Simulasi
June 25, 201635
 Teknik untuk melakukan percobaan (misalnya “what-
if”) dengan komputer digital pada suatu model
 Karakteristik:
 Menirukan suatu kondisi nyata
 Melibatkan pengujian pada nilai-nilai tertentu dari
keputusan atau uncontrollable variabel dan mengamati
akibatknya pada variabel output
 Digunakan bila permasalahan terlalu kompleks untuk
diselesaikan dengan optimasi numerik

36. Pemrograman Heuristics
June 25, 201636
 Pendekatan yang dapat menghasilkan solusi yang
layak dan cukup baik pada berbagai permasalahan
kompleks
 Kapan menggunakan heuristics
 Input data tidak pasti atau terbatas
 Permasalahan terlalu kompleks sehingga model optimasi
menjadi terlalu disederhanakan
 Waktu komputasi untuk optimasi terlalu lama
 Adanya kemungkinan untuk meningkatkan efisiensi
proses optimasi