Konsep Sistem Pendukung Keputusan (SPK) / Decision Support Sistem (DSS)
pertama kali diungkapkan pada awal tahun 1970-an oleh Michael S. Scott
Morton dengan istilah Management Decision Sistem. Sistem tersebut adalah
suatu sistem yang berbasis komputer yang ditujukan untuk membantu
pengambil keputusan dengan memanfaatkan data dan model tertentu untuk
memecahkan berbagai persoalan yang tidak terstruktur.Istilah SPK mengacu
pada suatu sistem yang memanfaatkan dukungan komputer dalam proses
pengambilan keputusan. Untuk memberikan pengertian yang lebih mendalam,
akan diuraikan 10 difinisi mengenai Sistem Pendukung Keputusan /
Decision Support Sistem yang dikembangkan oleh beberapa ahli.
10 pendapat tentang pengertian sistem pendukung keputusan:
1. Little (1970)
Sistem
pendukung keputusan adalah sebuah himpunan/kumpulan prosedur berbasis
model untuk memproses data dan pertimbangan untuk membantu manajemen
dalam pembuatan keputusannya.
2. Alter (1990) membuat definisi
sistem pendukung keputusan dengan memabandingkannya dengan sebuah sistem
pemrosesan data elektronik (PDE) / Electronic Data Processing
tradisional dalam 5 hal :
SPK
Penggunaan :Aktif
Pengguna :Manajemen
Tujuan :Efektifitas
Time horizon :Sekarang dan masa depan
Kelebihan : Fleksibilitas
PDE
Penggunaan : Pasif
Pengguna : Operator/Pegawai
Tujuan : Efisiensi Mekanis
Time horizon :Masa Lalu
Kelebihan :Konsistensi
3. Keen (1980)
Sistem
pendukung keputusan adalah sistem berbasis komputer yang dibangun lewat
sebuah proses adaptif dari pembelajaran, pola-pola penggunan dan
evolusi sistem.
4. Bonczek (1980)
Sistem pendukung keputusan
sebagai sebuah sistem berbasis komputer yang terdiri atas
komponen-komponen antara lain komponen sistem bahasa (language),
komponen sistem pengetahuan (knowledge) dan komponen sistem pemrosesan
masalah (problem processing) yang saling berinteraksi satu dengan yang
lainnya.
5. Hick (1993)
Sistem pendukung keputusan sebagai
sekumpulan tools komputer yang terintegrasi yang mengijinkan seorang
decision maker untuk berinteraksi langsung dengan komputer untuk
menciptakan informasi yang berguna dalam membuat keputusan semi
terstruktur dan keputusan tak terstruktur yang tidak terantisipasi.
6. Man dan Watson
Sistem
pendukung keputusan merupakan suatu sistem yang interaktif, yang
membantu pengambil keputusan melalui penggunaan data dan model-model
keputusan untuk memecahkan masalah yang sifatnya semi terstruktur maupun
yang tidak terstruktur.
7. Moore and Chang
Sistem pendukung
keputusan dapat digambarkan sebagai sistem yang berkemampuan mendukung
analisis ad hoc data, dan pemodelan keputusan, berorientasi keputusan,
orientasi perencanaan masa depan, dan digunakan pada saat-saat yang
tidak biasa.
8. Bonczek (1980)
Sistem pendukung keputusan
sebagai sebuah sistem berbasis komputer yang terdiri atas
komponen-komponen antara lain komponen sistem bahasa (language),
komponen sistem pengetahuan (knowledge) dan komponen sistem pemrosesan
masalah.
9. Turban & Aronson (1998)
Sistem penunjang
keputusan sebagai sistem yang digunakan untuk mendukung dan membantu
pihak manajemen melakukan pengambilan keputusan pada kondisi semi
terstruktur dan tidak terstruktur. Pada dasarnya konsep DSS hanyalah
sebatas pada kegiatan membantu para manajer melakukan penilaian serta
menggantikan posisi dan peran manajer.
10. Raymond McLeod, Jr. (1998)
Sistem
pendukung keputusan merupakan sebuah sistem yang menyediakan kemampuan
untuk penyelesaian masalah dan komunikasi untuk permasalahan yang
bersifat semi-terstruktur.
Sumber:
http://jejakjari007.blogspot.com/2011/03/10-definisi-sistem-pendukung-keputusan.htmlPengertian Sistem Pendukung Keputusan
Ilustrasi Pendukung Keputusan
Sistem
Pendukung Keputusan (SPK) atau Decision Support System (DSS) adalah
sebuah sistem yang mampu memberikan kemampuan pemecahan masalah maupun
kemampuan pengkomunikasian untuk masalah dengan kondisi semi terstruktur
dan tak terstruktur. Sistem ini digunakan untuk membantu pengambilan
keputusan dalam situasi semi terstruktur dan situasi yang tidak
terstruktur, dimana tak seorangpun tahu secara pasti bagaimana keputusan
seharusnya dibuat (Turban, 2001).
SPK bertujuan untuk
menyediakan informasi, membimbing, memberikan prediksi serta mengarahkan
kepada pengguna informasi agar dapat melakukan pengambilan keputusan
dengan lebih baik.
SPK merupakan implementasi teori-teori
pengambilan keputusan yang telah diperkenalkan oleh ilmu-ilmu seperti
operation research dan menegement science, hanya bedanya adalah bahwa
jika dahulu untuk mencari penyelesaian masalah yang dihadapi harus
dilakukan perhitungan iterasi secara manual (biasanya untuk mencari
nilai minimum, maksimum, atau optimum), saat ini computer PC telah
menawarkan kemampuannya untuk menyelesaikan persoalan yang sama dalam
waktu relatif singkat.
Sprague dan Watson mendefinisikan Sistem
Pendukung Keputusan (SPK) sebagai sistem yang memiliki lima
karakteristik utama yaitu (Sprague
et.al, 1993):
Sistem yang berbasis komputer.
Dipergunakan untuk membantu para pengambil keputusan
Untuk memecahkan masalah-masalah rumit yang mustahil dilakukan dengan kalkulasi manual
Melalui cara simulasi yang interaktif
Dimana data dan model analisis sebaai komponen utama.
Komponen Sistem Pendukung Keputusan
Secara
umum Sistem Pendukung Keputusan dibangun oleh tiga komponen besar yaitu
database Management, Model Base dan Software System/User Interface.
Komponen SPK tersebut dapat digambarkan seperti gambar di bawah ini.
Komponen Sistem Pendukung Keputusan (SPK)
a. Database Management
Merupakan
subsistem data yang terorganisasi dalam suatu basis data. Data yang
merupakan suatu sistem pendukung keputusan dapat berasal dari luar
maupun dalam lingkungan. Untuk keperluan SPK, diperlukan data yang
relevan dengan permasalahan yang hendak dipecahkan melalui simulasi.
b. Model Base
Merupakan
suatu model yang merepresentasikan permasalahan kedalam format
kuantitatif (model matematika sebagai contohnya) sebagai dasar simulasi
atau pengambilan keputusan, termasuk didalamnya tujuan dari permaslahan
(objektif), komponen-komponen terkait, batasan-batasan yang ada
(constraints), dan hal-hal terkait lainnya. Model Base memungkinkan
pengambil keputusan menganalisa secara utuh dengan mengembangkan dan
membandingkan solusi alternatif.
c. User Interfase / Pengelolaan Dialog
Terkadang
disebut sebagai subsistem dialog, merupakan penggabungan antara dua
komponen sebelumnya yaitu Database Management dan Model Base yang
disatukan dalam komponen ketiga (user interface), setelah sebelumnya
dipresentasikan dalam bentuk model yang dimengerti computer. User
Interface menampilkan keluaran sistem bagi pemakai dan menerima masukan
dari pemakai kedalam Sistem Pendukung Keputusan.
Manfaat Sistem Pendukung Keputusan
SPK dapat memberikan berbagai manfaat dan keuntungan. Manfaat yang dapat diambil dari SPK adalah :
SPK memperluas kemampuan pengambil keputusan dalam memproses data / informasi bagi pemakainya.
SPK membantu pengambil keputusan untuk memecahkan masalah terutama barbagai masalah yang sangat kompleks dan tidak terstruktur.
SPK dapat menghasilkan solusi dengan lebih cepat serta hasilnya dapat diandalkan.
Walaupun
suatu SPK mungkin saja tidak mampu memecahkan masalah yang dihadapi
oleh pengambil keputusan, namun dia dapat menjadi stimulan bagi
pengambil keputusan dalam memahami persoalannya,karena mampu menyajikan
berbagai alternatif pemecahan.
Sumber:
http://www.kajianpustaka.com/2013/09/sistem-pendukung-keputusan-spk.htmlSejarah Singkat Sistem Pendukung Keputusan (DSS)
Sebelum
kita membahas atau mengetahui sejarah tentang bagaimana DSS ini
diciptakan dan berkembang sampai sekarang, kita harus tau dulu apa sih
sebenarnya DSS itu dan untuk apa DSS itu diciptakan ?
DSS itu adalah
sebuah system yang berbasis computer yang terdiri atas komponen-komponen
yang saling berhubungan 1 sama lain, sehingga komponen-komponen ini
mampu menghasilkan sebuah data informasi yang berguna untuk membantu
mengambil sebuah keputusan dalam sebuah bisnis yang akan dijalankan. DSS
ini sangat berguna untuk merencanakan sesuatu yang mungkin sulit untuk
dipecahkan secara manusiawi, sehingga system ini membantu kita dengan
memberikan informasi-informasi yang membandingkan, sehingga kita bisa
memilih apa yang harus kita lakukan. DSS ini hanya sebagai alat bantuan
saja untuk mengambil sebuah keputusan, dan keputusan akhir tetap di
tangan kita sendiri mau atau tidak menuruti apa yang telah
diinformasikan
Contoh sederhananya seperti ini, pada saat kita
memiliki modal dalam nominal 1 M, kita tidak tau bagaimana cara untuk
menginvestasikan uang tersebut sehingga kita mampu menghasilkan
keuntungan yang max, untuk memngetahui apa yang harus kita lakukan, maka
kita mengimput data- yang kita punya atau memasukan saja nilai nominal
yang akan kita investasikan, system pendukung keputusan ini akan
mengelolah data yang kita masukan dan menginformasi kan kepada kita apa
saja yang harus kita lakukan agar investasi kita bias menghasilkan laba
yang max. missal untuk membeli sham di PT a, atau membeli emas, atau
mendepositokan uang tersebut atau apa saja. Dan dengan informasi itu
kita dengan mudah untuk memilih apa yang harus kita lakukan selanjutnya
DSS
ini telah mengalami pembangunan, perkembangan, perluasan dan pergeseran
dalam teknologi selama beberapa tahun. Dibawah ini adalah searah
singkat mengenai DSS
Sebelum 1965 sistem informasi itu sangat mahal
dan berskala besar sehingga pada tahun 1960 an system pengambil
keputusan atau DSS ini di ciptakan. Pada tahun 1975 DSS mengalami
perluasan batasan-batasan, sampai pada akhir 1970 an tercipta MIT untuk
memperluas DSS. Dan pada tahun-tahun berikutnya perkembangan DSS selalu
terus di kembangkan untuk memperbaiki system-sistem yang sudah ada
karena semakin hari teknologi semakin perkembang, jadi DSS pun harus
bias mengimbanginya, dan sampai sekarang pun, masih banyak
inovasi-inovasi dan penelitihan yang dilakukan demi mengembangkan atau
memperluas DSS
Ini adalah DSS Time Line (dalam konstruksi)
Tahun
Milestone
1964
Awal Michael Scott Morton penelitian - melihat email dari Andrew McCosh
1967
Michael
Scott Morton penelitian selesai pada dampak dari komputer berbasis
perangkat tampilan visual pada proses pengambilan keputusan manajemen
1968
Scott Morton dan McCosh kertas; Scott Morton dan Stephens kertas
1975
Steve Alter menyelesaikan Ph.D.-nya MIT disertasi berjudul "Sebuah Studi Computer Aided Pengambilan Keputusan dalam Organisasi"
1978
pembangunan dimulai pada EIS yang disebut Manajemen Informasi dan Pendukung Keputusan (MIDS) sistem di Lockheed-Georgia
1981
pertama Konferensi Internasional mengenai Sistem Pendukung Keputusan, Atlanta, Georgia
1982
pendiri Metafora Sistem Komputer
1984
Teradata
database Komputer (DBC/1012) dikapalkan ke Wells Fargo, AT & T dan
Chrysler dengan sistem manajemen database relasional (RDBMS) pada
platform proprietary.
Demikian sejarah singkat mengenai DSS atau
Sistem pengambilan keputusan. Dan kesimpulan yang dapat kita ambil di
sini adalah bahwa system pengambilan keputusan ini sangat penting dalam
suatu perusahaan untuk mengembangkan suatu usahanya, tanpa system ini
suatu perusahaan atau usaha akan kesulitan untuk mengembangkan usahanya.
Dan DSS ini tidak hanya berhenti di satu titik kemampuan aja, tetapi
DSS ini tiap tahunnya mengalami perkembangan-perkenmbangan sehingga DSS
ini memiliki kemampuan yang lebih canggih lagi dan mampu mengatasi
setiap masalah dengan demi mudah. Dan sampai sekarang DSS masih terus
diteliti dan terus diinovasi, sehinnga DSS tidak akan pernah ketinggalan
jaman, dan DSS akan selalu siap membantu perusahaan dalam mengambil
berbagai keputusan besar atau kecil
Sumber:
http://chikaosacute.blogspot.com/2011/12/sejarah-singkat-sistem-pendukung.htmlSejarah Singkat Sistem Pendukung Keputusan
Sejarah Singkat Sistem Pendukung Keputusan
Ringkasan
Sistem
Informasi peneliti dan teknologi telah membangun dan diselidiki Sistem
Pendukung Keputusan (DSS) untuk sekitar 40 tahun. Tulisan ini
mengeksplorasi sejarah dan perkembangan di awal DSS dengan membangun
model-driven DSS pada akhir tahun 1960, perkembangan teori pada 1970-an,
dan pelaksanaan sistem perencanaan keuangan, DSS dan DSS spreadsheet
Group di awal 80-an dan pertengahan. Data warehouse, Sistem Informasi
Eksekutif, OLAP dan Business Intelligence berkembang pada akhir 1980-an
dan awal 1990-an. Akhirnya, babad berakhir dengan berbasis pengetahuan
DSS dan implementasi DSS berbasis Web pada pertengahan 1990-an.
I. Pendahuluan
Komputerisasi
sistem dukungan keputusan menjadi praktis dengan perkembangan
minicomputer, sistem timeshare operasi dan komputasi terdistribusi.
Sejarah pelaksanaan sistem seperti dimulai pada pertengahan 1960-an.
Dalam bidang teknologi yang beragam seperti DSS, mencatat sejarah tidak
rapi atau linier. Orang yang berbeda merasakan bidang Sistem Pendukung
Keputusan dari berbagai titik pandang dan melaporkan rekening yang
berbeda dari apa yang terjadi dan apa yang penting (lih., Arnott &
Pervan, 2005; Eom & Lee, 1990b; McCosh & Correa-Perez, 2006;
Power, 2003; Power, 2004a; Perak, 1991). Sebagai teknologi berkembang
aplikasi komputerisasi dukungan keputusan baru dikembangkan dan
dipelajari. Peneliti menggunakan beberapa kerangka kerja untuk membantu
membangun dan memahami sistem ini. Hari ini satu dapat mengatur sejarah
DSS ke dalam lima kategori DSS luas dijelaskan di Power (2001; 2002;
2004b), termasuk: komunikasi-driven, data-driven, dokumen didorong,
sistem pengambilan keputusan berbasis pengetahuan dan model-driven
dukungan.
Dokumen hypertext adalah titik awal dalam menjelaskan
asal-usul dari benang berbagai teknologi yang konvergen untuk memberikan
dukungan terintegrasi untuk manajer bekerja sendirian, dalam tim dan
dalam hierarki organisasi untuk mengelola organisasi dan membuat
keputusan yang lebih rasional. Sejarah adalah baik panduan untuk
aktivitas masa depan di bidang ini dan catatan dari ide-ide dan tindakan
orang-orang yang telah membantu memajukan pemikiran dan praktik kita.
Fakta-fakta sejarah dapat dipilah-pilah dan dipahami dengan lebih baik,
namun pengumpulan informasi lebih lanjut diperlukan. Ini halaman web
adalah sebuah titik awal dalam mengumpulkan rekening tangan lebih dulu
dan dalam membangun sebuah mosaik yang lebih lengkap tentang apa yang
terjadi di universitas-universitas, perusahaan perangkat lunak dan
organisasi untuk membangun dan menggunakan DSS.
Jejak dokumen ini
aplikasi pendukung keputusan dan studi penelitian yang berkaitan dengan
model dan manajemen data berorientasi, sistem manajemen ahli,
multidimensi analisis data, query dan alat pelaporan, pengolahan
analisis online (OLAP), Business Intelligence, kelompok DSS, konferensi
dan groupware, dokumen , DSS spasial dan Sistem Informasi Eksekutif
sebagai teknologi muncul, berkumpul dan menyimpang. Semua teknologi ini
telah digunakan untuk mendukung pengambilan keputusan. Sebuah tonggak
sejarah timeline utama relevan dengan DSS termasuk dalam Lampiran I.
Studi
tentang sistem pendukung keputusan adalah disiplin terapan yang
menggunakan pengetahuan dan terutama teori dari disiplin lain. Untuk
alasan ini, banyak pertanyaan DSS penelitian telah diperiksa karena
mereka yang menjadi perhatian orang-orang yang membangun dan menggunakan
DSS spesifik. Oleh karena banyak dari basis pengetahuan yang luas DSS
menyediakan generalisasi dan arah untuk membangun DSS yang lebih efektif
(lih., Baskerville & Myers, 2002; Keen, 1980).
Bagian
selanjutnya menggambarkan asal-usul bidang sistem pendukung keputusan.
Bagian 3 membahas sistem pendukung keputusan pengembangan teori yang
terjadi pada 1970-an dan awal 1980-an. Bagian 4 lembahas perkembangan
penting untuk komunikasi-didorong, dokumen data-driven, didorong,
pengetahuan-driven dan model-driven DSS (lih., Power, 2002). Bagian
terakhir membahas tentang bagaimana DSS praktek, penelitian dan
teknologi terus berkembang.
II. Sistem Pendukung Keputusan Asal
Studi
Scott Morton yang terlibat membangun, melaksanakan dan kemudian
pengujian interaktif, model-driven sistem manajemen keputusan. Fellow
Harvard Ph.D. mahasiswa Andrew McCosh menegaskan bahwa "konsep sistem
pendukung keputusan pertama kali diungkapkan oleh Scott Morton di kantor
ruang bawah tanah di Sherman Hall, Harvard Business School" dalam
diskusi mereka tentang disertasi Scott Morton. mempelajari bagaimana
komputer dan model analisis dapat membantu manajer membuat keputusan
bisnis yang berulang perencanaan kunci. Dia melakukan percobaan di mana
manajer benar-benar menggunakan Sistem Manajemen Keputusan (MDS).
Manajer pemasaran dan produksi menggunakan MDS untuk mengkoordinasikan
perencanaan produksi untuk peralatan binatu. MDS
Pekerjaan perintis
George Dantzig, Douglas Engelbart dan Jay Forrester cenderung
dipengaruhi kelayakan bangunan sistem pendukung keputusan
terkomputerisasi., Dantzig menjadi penelitian matematika di Rand
Corporation, di mana ia mulai menerapkan program linear pada komputer
eksperimen., Engelbart dan rekan mengembangkan hypermedia-groupware
sistem pertama disebut NLS (sistem online). NLS memfasilitasi pembuatan
perpustakaan digital dan penyimpanan dan pengambilan dokumen elektronik
menggunakan hypertext. NLS juga disediakan untuk di layar telekonferensi
video dan merupakan cikal bakal sistem pendukung keputusan kelompok.
Forrester terlibat dalam membangun SAGE (Semi-otomatis Lingkungan
Kantor) sistem pertahanan udara untuk Amerika Utara. SAGE mungkin adalah
pertama komputerisasi data-driven DSS. Juga, Profesor Forrester mulai
Kelompok Dinamika Sistem di Massachusetts Institute of Technology Sloan
School. Karyanya pada pemodelan perusahaan menyebabkan Dynamo
pemrograman, kompilator simulasi umum.
III. Teori Pembangunan
Pada
teori masalah yang berkaitan dengan DSS yang dibahas pada konferensi
akademis termasuk Institut Amerika untuk pertemuan Keputusan Sciences
dan ACM Konferensi SIGBDP pada Konferensi Internasional pertama mengenai
Sistem Pendukung Keputusan. Konferensi akademik disediakan forum untuk
ide, diskusi teori berbagi dan pertukaran informasi.
Pada sekitar
waktu yang sama, Keen dan Scott Morton memberikan orientasi perilaku
pertama luas untuk analisis sistem pendukung keputusan, desain,
implementasi, evaluasi dan pengembangan. Teks ini berpengaruh memberikan
kerangka untuk DSS mengajar di sekolah bisnis. McCosh dan Scott-Morton
buku DSS lebih berpengaruh dalam Eropa .
,Steven Alter diterbitkan
MIT nya hasil disertasi doktor dalam sebuah buku yang berpengaruh
penelitian dan makalah. Diperluas kerangka untuk berpikir tentang bisnis
dan manajemen DSS . Juga, studi kasusnya memberikan dasar yang kuat
deskriptif contoh sistem pendukung keputusan. Sejumlah disertasi MIT
lain berurusan dengan masalah yang berhubungan dengan menggunakan model
untuk mendukung keputusan.
Alter menyimpulkan dari penelitiannya
bahwa sistem pendukung keputusan dapat dikategorikan dalam hal operasi
generik yang dapat dilakukan oleh sistem tersebut. Operasi ini generik
memperpanjang sepanjang dimensi tunggal, mulai dari yang sangat
berorientasi pada data yang sangat berorientasi model. dikategorikan ke
dalam tujuh jenis berbeda dari DSS. Tujuh jenis termasuk:
· Berkas laci sistem yang menyediakan akses ke item data.
·
Analisis data sistem yang mendukung manipulasi data dengan alat
komputerisasi disesuaikan dengan tugas tertentu dan pengaturan atau
dengan alat yang lebih umum dan operator.
· Analisis sistem informasi yang menyediakan akses ke serangkaian keputusan yang berorientasi database dan model kecil.
· Akuntansi dan keuangan model yang menghitung konsekuensi dari tindakan yang mungkin.
· Representasi model yang memperkirakan konsekuensi dari tindakan atas dasar model simulasi.
·
Optimasi model yang menyediakan pedoman untuk tindakan dengan
menghasilkan solusi optimal yang konsisten dengan serangkaian kendala.
·
Saran model yang melakukan pengolahan logis mengarah ke suatu keputusan
yang disarankan khusus untuk tugas yang cukup terstruktur atau dipahami
dengan baik.
IV. Pengembangan Aplikasi DSS
Tindakan ini juga
memperluas bidang sistem pendukung keputusan di luar bisnis awal dan
manajemen domain aplikasi. Sistem ini beragam semua yang disebut
Decision Support Systems. Dari hari-hari awal, hal itu diakui bahwa DSS
dapat dirancang untuk mendukung pengambil keputusan di setiap tingkat
dalam sebuah organisasi. Juga, DSS dapat mendukung operasi pengambilan
keputusan, pengelolaan keuangan dan pengambilan keputusan strategis.
IV.1 Model-driven DSS
produksi
Scott-Morton perencanaan manajemen sistem pengambilan keputusan adalah
secara luas dibicarakan dulu model-driven DSS, namun Ferguson dan Jones
produksi aplikasi penjadwalan juga model-driven DSS. Banyak sistem
keputusan awal yang disebutkan dalam bagian 2, misalnya, Sprinter,
MEDIAC dan Brandaid, mungkin model-driven DSS.
Sebuah model-driven
DSS menekankan akses dan manipulasi model keuangan, optimasi dan / atau
simulasi. Model kuantitatif sederhana menyediakan tingkat yang paling
dasar fungsi. Model-driven DSS menggunakan data terbatas dan parameter
yang disediakan oleh para pembuat keputusan untuk membantu pembuat
keputusan dalam menganalisa situasi, namun secara umum yang besar basis
data yang tidak diperlukan untuk model-driven DSS
IV.2 Data-driven DSS
Secara
umum, data-driven DSS menekankan akses dan manipulasi dari serangkaian
waktu data internal perusahaan dan data eksternal kadang-kadang dan
real-time. Sistem file sederhana diakses oleh query dan alat-alat
pengambilan menyediakan tingkat yang paling dasar fungsi
IV.3 Komunikasi-driven DSS
Komunikasi-driven
DSS menggunakan jaringan dan teknologi komunikasi untuk memfasilitasi
keputusan yang relevan kolaborasi dan komunikasi. Dalam sistem ini,
teknologi komunikasi ini adalah arsitektur komponen yang dominan.
Peralatan yang digunakan meliputi groupware, konferensi video dan papan
buletin berbasis komputer
IV.4 Dokumen-driven DSS
Sebuah DSS
dokumen-didorong menggunakan teknologi komputer penyimpanan dan
pengolahan untuk menyediakan pengambilan dokumen dan analisis. Database
dokumen yang besar dapat meliputi dokumen discan, dokumen hypertext,
gambar, suara dan video. Contoh dokumen yang mungkin diakses oleh
dokumen-driven DSS adalah kebijakan dan prosedur, spesifikasi produk,
katalog, dan dokumen sejarah perusahaan, termasuk risalah rapat dan
korespondensi. Sebuah mesin pencari adalah alat pengambilan membantu
utama yang terkait dengan dokumen-driven DSS
IV.5 Pengetahuan-driven DSS
Pengetahuan-driven
DSS dapat menyarankan atau merekomendasikan tindakan kepada manajer.
Ini DSS adalah orang-sistem komputer dengan spesialisasi keahlian
pemecahan masalah.
V. Kesimpulan
Sejarawan menggunakan
dua pendekatan untuk menerapkan masa lalu untuk masa depan: penalaran
dengan analogi dan proyeksi tren. Dalam banyak sistem terkomputerisasi
pendukung keputusan seperti pesawat, datang dalam berbagai bentuk,
ukuran dan bentuk, teknologi canggih dan alat yang sangat diperlukan
dalam banyak organisasi. Pendukung keputusan sistem penelitian dan
pengembangan akan terus mengeksploitasi setiap perkembangan teknologi
baru dan akan mendapatkan keuntungan dari kemajuan dalam basis data yang
sangat besar, kecerdasan, buatan interaksi manusia-komputer, simulasi
dan optimasi, rekayasa perangkat lunak, telekomunikasi dan dari
penelitian dasar lebih lanjut tentang topik perilaku seperti pengambilan
keputusan organisasi, perencanaan, pengambilan teori perilaku dan
perilaku organisasi.
Tren menunjukkan bahwa data-driven DSS akan
menggunakan lebih cepat, akses real-time untuk lebih besar, database
terintegrasi yang lebih baik. Model-driven DSS akan lebih kompleks,
namun dapat dimengerti, dan sistem yang dibangun dengan menggunakan
simulasi dan menampilkan visual yang menyertainya akan semakin
realistis. Komunikasi-driven DSS akan memberikan lebih real-time video
mendukung komunikasi. Dokumen-driven DSS akan mengakses repositori besar
data terstruktur dan sistem akan hadir dalam format dokumen yang sesuai
bisa digunakan lagi. Akhirnya, berbasis pengetahuan DSS kemungkinan
akan lebih canggih dan lebih komprehensif. Saran dari DSS berbasis
pengetahuan akan lebih baik dan aplikasi yang akan mencakup bidang yang
lebih luas.
Sistem Pendukung Keputusan pelopor datang dari
berbagai latar belakang dan tantangan yang dihadapi bahwa mereka
berhasil mengatasi untuk menunjukkan nilai dari menggunakan komputer,
teknologi informasi dan perangkat lunak pendukung keputusan spesifik
untuk meningkatkan dan dalam beberapa situasi meningkatkan pengambilan
keputusan. Para pionir DSS menciptakan aliran tertentu dan berbeda dari
pengembangan teknologi dan penelitian yang menjadi dasar bagi banyak
kepentingan saat ini dalam membangun dan mempelajari sistem pendukung
keputusan terkomputerisasi.
Masa depan sistem pendukung keputusan
tentu akan berbeda dari inovasi oportunistik dan incremental terlihat
di masa lalu. Sistem pendukung keputusan sebagai disiplin akademis
cenderung mengikuti jalan yang sama untuk arsitektur komputer dan
rekayasa perangkat lunak dan menjadi lebih ketat dan lebih jelas
digambarkan. DSS konsultasi, pengajaran dan penelitian dapat saling
mendukung dan tugas masing-masing dapat membantu membangun ceruk apakah
dalam Kolese Informasi, Bisnis atau Teknik. Bagi mereka yang tertarik
dalam membangun dan mempelajari DSS
Sejarah Sistem Pendukung
Keputusan mencakup rentang yang relatif singkat dari tahun, dan
konsep-konsep dan teknologi yang masih berkembang. Hari ini masih
mungkin untuk merekonstruksi sejarah Sistem Pendukung Keputusan (DSS)
dari rekening retrospektif dari peserta utama serta dari bahan
dipublikasikan dan tidak dipublikasikan. Banyak inovator awal dan
pengembang awal adalah pensiun namun wawasan dan tindakan mereka dapat
ditangkap untuk memandu inovasi masa depan di bidang ini. Diharapkan
makalah ini mengarah ke akun email dan retrospektif yang dapat membantu
kita memahami "nyata" sejarah DSS. Internet dan Web telah dipercepat-up
perkembangan pendukung keputusan dan telah menyediakan sarana baru
menangkap dan mendokumentasikan perkembangan pengetahuan di daerah
penelitian. Keputusan pelopor dukungan termasuk peneliti akademis banyak
dari program-program di MIT, University of Arizona, University of
Hawaii, University of Minnesota dan Universitas Purdue. Para pionir DSS
menciptakan aliran tertentu dan berbeda dari pengembangan teknologi dan
penelitian yang berfungsi sebagai dasar untuk banyak pekerjaan hari ini
dalam DSS.
Sumber:
http://rina-itforbusiness.blogspot.com/2012/01/sejarah-singkat-sistem-pendukung.htmlMacam-macam Metode SPK
Macam - Macam Metode Sistem Penunjang Keputusan
Metode Sistem pakar
Sistem
pakar adalah suatu program komputer yang dirancang untuk mengambil
keputusan seperti keputusan yang diambil oleh seorang atau beberapa
orang pakar. Menurut Marimin (1992), sistem pakar adalah sistem
perangkat lunak komputer yang menggunakan ilmu, fakta, dan teknik
berpikir dalam pengambilan keputusan untuk menyelesaikan masalah-masalah
yang biasanya hanya dapat diselesaikan oleh tenaga ahli dalam bidang
yang bersangkutan. Dalam penyusunannya, sistem pakar mengkombinasikan
kaidah-kaidah penarikan kesimpulan (inference rules) dengan basis
pengetahuan tertentu yang diberikan oleh satu atau lebih pakar dalam
bidang tertentu. Kombinasi dari kedua hal tersebut disimpan dalam
komputer, yang selanjutnya digunakan dalam proses pengambilan keputusan
untuk penyelesaian masalah tertentu.
Modul Penyusun Sistem Pakar
Suatu sistem pakar disusun oleh tiga modul utama (Staugaard, 1987), yaitu :
1. Modul Penerimaan Pengetahuan Knowledge Acquisition Mode)
Sistem
berada pada modul ini, pada saat ia menerima pengetahuan dari pakar.
Proses mengumpulkan pengetahuan-pengetahuan yang akan digunakan untuk
pengembangan sistem, dilakukan dengan bantuan knowledge engineer. Peran
knowledge engineer adalah sebagai penghubung antara suatu sistem pakar
dengan pakarnya.
2. Modul Konsultasi(Consultation Mode)
Pada saat
sistem berada pada posisi memberikan jawaban atas permasalahan yang
diajukan oleh user, sistem pakar berada dalam modul konsultasi. Pada
modul ini, user berinteraksi dengan sistem dengan menjawab
pertanyaan-pertanyaan yang diajukan oleh sistem.
3. Modul Penjelasan(Explanation Mode)
Modul ini menjelaskan proses pengambilan keputusan oleh sistem (bagaimana suatu keputusan dapat diperoleh).
Struktur Sistem Pakar
Komponen utama pada struktur sistem pakar (Hu et al, 1987) meliputi:
1. Basis Pengetahuan (Knowledge Base)
Basis
pengetahuan merupakan inti dari suatu sistem pakar, yaitu berupa
representasi pengetahuan dari pakar. Basis pengetahuan tersusun atas
fakta dan kaidah. Fakta adalah informasi tentang objek, peristiwa, atau
situasi. Kaidah adalah cara untuk membangkitkan suatu fakta baru dari
fakta yang sudah diketahui. Menurut Gondran (1986) dalam Utami (2002),
basis pengetahuan merupakan representasi dari seorang pakar, yang
kemudian dapat dimasukkan kedalam bahasa pemrograman khusus untuk
kecerdasan buatan (misalnya PROLOG atau LISP) atau shell sistem pakar
(misalnya EXSYS, PC-PLUS, CRYSTAL, dsb.)
2. Mesin Inferensi (Inference Engine)
Mesin
inferensi berperan sebagai otak dari sistem pakar. Mesin inferensi
berfungsi untuk memandu proses penalaran terhadap suatu kondisi,
berdasarkan pada basis pengetahuan yang tersedia. Di dalam mesin
inferensi terjadi proses untuk memanipulasi dan mengarahkan kaidah,
model, dan fakta yang disimpan dalam basis pengetahuan dalam rangka
mencapai solusi atau kesimpulan. Dalam prosesnya, mesin inferensi
menggunakan strategi penalaran dan strategi pengendalian.
Strategi
penalaran terdiri dari strategi penalaran pasti (Exact Reasoning) dan
strategi penalaran tak pasti (Inexact Reasoning). Exact reasoning akan
dilakukan jika semua data yang dibutuhkan untuk menarik suatu kesimpulan
tersedia, sedangkan inexact reasoning dilakukan pada keadaan
sebaliknya.
Strategi pengendalian berfungsi sebagai panduan arah
dalam melakukan prose penalaran. Terdapat tiga tehnik pengendalian yang
sering digunakan, yaitu forward chaining, backward chaining, dan
gabungan dari kedua tehnik pengendalian tersebut.
3. Basis Data (Database)
Basis
data terdiri atas semua fakta yang diperlukan, dimana fakta-fakta
tersebut digunakan untuk memenuhi kondisi dari kaidah-kaidah dalam
sistem. Basis data menyimpan semua fakta, baik fakta awal pada saat
sistem mulai beroperasi, maupun fakta-fakta yang diperoleh pada saat
proses penarikan kesimpulan sedang dilaksanakan. Basis data digunakan
untuk menyimpan data hasil observasi dan data lain yang dibutuhkan
selama pemrosesan.
4. Antarmuka Pemakai (User Interface)
Fasilitas
ini digunakan sebagai perantara komunikasi antara pemakai dengan
sistem. Hubungan antar komponen penyusun struktur sistem pakar dapat
dilihat pada Gambar di bawah ini :
Teknik Representasi Pengetahuan
Representasi
pengetahuan adalah suatu teknik untuk merepresentasikan basis
pengetahuan yang diperoleh ke dalam suatu skema/diagram tertentu
sehingga dapat diketahui relasi/keterhubungan antara suatu data dengan
data yang lain. Teknik ini membantu knowledge engineer dalam memahami
struktur pengetahuan yang akan dibuat sistem pakarnya.
Terdapat beberapa teknik representasi pengetahuan yang biasa digunakan dalam pengembangan suatu sistem pakar, yaitu :
1. Rule-Based Knowledge
2. Pengetahuan direpresentasikan dalam suatu bentuk fakta (facts) dan aturan (rules).
Bentuk representasi ini terdiri atas premise dan kesimpulan
3. Frame-Based Knowledge
Pengetahuan direpresentasikan dalam suatu bentuk hirarki atau jaringan frame
4. Object-Based Knowledge Pengetahuan direpresentasikan sebagai jaringan dari
obyek-obyek. Obyek adalah elemen data yang terdiri dari data dan metoda (proses)
5. Case-Base Reasoning Pengetahuan direpresentasikan dalam bentuk kesimpulan
kasus (cases)
(Untuk mengetahui lebih jelasnya, Anda dapat membaca buku :
• Management Information System (J.A. O'Brien) McGraw Hill. Arizona.USA.
• Decision Support and Expert Systems; Management Support Systems (E. Turban)
Prentice Hall. New Jersey.USA.
• Buku-buku lain yang membahas tentang Sistem Pakar)
Sistem
pakar adalah sistem yang mempekerjakan pengetahuan manusia yang
ditangkap dalam komputer untuk memecahkan masalah yang biasanya
membutuhkan keahlian manusia. Adapun komponen-kompenen yang mungkin ada
dalam sebuah sistem pakar adalah:
1. Subsistem akuisisi pengetahuan
2. Basis pengetahuan
Basis pengetahuan berisi pengetahuan penting untuk pengertian, formulasi dan
pemecahan masalah. Basis pengetahuan memasukkan dua elemen (1) fakta (facts)
seperti situasi masalah dan teori dari area masalah dan (2) heuristic khusus atau
rule-rule yang menghubungkan penggunaan pengetahuan untuk pemecahan
masalah spesifik dalam sebuah domain khusus. Informasi dalam basis pengetahuan
tergabung dalam basis pengetahuan tergabung dalam sebuah program computer
oleh proses yang disebut dengan representasi pengetahuan.
3. Mesin inferensi
4. Blackboard (Wilayah kerja)
5. User interface
Sistem pakar berisi bahasa prosesor untuk komunikasi yang bersahabat,
berorientasi pada masalah antara pengguna dan komputer. Komunikasi ini dapat
secara baik dibawa oleh natural language, dan dalam beberapa kasus user interface
ditambahkan dengan menu-menu dan grafik.
6. Subsistem penjelasan
7. Sistem penyaringan pengetahuan
Sedangkan konsep dasar dalam sistem pakar menurut Turban, 1993 adalah:
1. Keahlian (Expertise)
2. Pakar (Expert)
3. Transfer keahlian
4. Inferensi
5. Rule
6. Kemampuan memberikan penjelasanHYPERLINK "
http://kmp.htm/" \t "right"
Akuisisi pengetahuan adalah akumulasi, transfer dan transformasi dari keahlian
pemecahan masalah dari beberapa sumber pengetahuan ke program komputer
untuk konstruksi atau perluasan basis pengetahuan. Sumber-sumber pengetahuan
potensial termasuk pakar manusia, textbook, database, laporan penelitian khusus,
dan gambar-gambar. Pengakuisisian pengetahuan dari pakar adalah tugas kompleks
yang sering membuat kemacetan dalam konstruksi sistem pakar sehingga
dibutuhkan seorang knowledge engineer untuk berinteraksi dengan satu atau lebih
pakar dalam membangun basis pengetahuan. Metode Regresi linier
Regresi linier adalah metode statistika yang digunakan untuk membentuk model
hubungan antara variabel terikat (dependen; respon; Y) dengan satu atau lebih
variabel bebas (independen, prediktor, X). Apabila banyaknya variabel bebas hanya
ada satu, disebut sebagai regresi linier sederhana, sedangkan apabila terdapat lebih
dari 1 variabel bebas, disebut sebagai regresi linier berganda.
Analisis regresi setidak-tidaknya memiliki 3 kegunaan, yaitu untuk tujuan deskripsi
dari fenomena data atau kasus yang sedang diteliti, untuk tujuan kontrol, serta
untuk tujuan prediksi. Regresi mampu mendeskripsikan fenomena data melalui
terbentuknya suatu model hubungan yang bersifatnya numerik. Regresi juga dapat
digunakan untuk melakukan pengendalian (kontrol) terhadap suatu kasus atau hal-
hal yang sedang diamati melalui penggunaan model regresi yang diperoleh. Selain
itu, model regresi juga dapat dimanfaatkan untuk melakukan prediksi untuk
variabel terikat. Namun yang perlu diingat, prediksi di dalam konsep regresi hanya
boleh dilakukan di dalam rentang data dari variabel-variabel bebas yang digunakan
untuk membentuk model regresi tersebut. Misal, suatu model regresi diperoleh
dengan mempergunakan data variabel bebas yang memiliki rentang antara 5 s.d.
25, maka prediksi hanya boleh dilakukan bila suatu nilai yang digunakan sebagai
input untuk variabel X berada di dalam rentang tersebut. Konsep ini disebut
sebagai interpolasi. Data untuk variabel independen X pada regresi linier bisa
merupakan data pengamatan yang tidak ditetapkan sebelumnya oleh peneliti
(obsevational data) maupun data yang telah ditetapkan (dikontrol) oleh peneliti
sebelumnya (experimental or fixed data). Perbedaannya adalah bahwa
dengan menggunakan fixed data, informasi yang diperoleh lebih kuat dalam
menjelaskan hubungan sebab akibat antara variabel X dan variabel Y. Sedangkan,
pada observational data, informasi yang diperoleh belum tentu merupakan
hubungan sebab-akibat. Untuk fixed data, peneliti sebelumnya telah memiliki
beberapa nilai variabel X yang ingin diteliti. Sedangkan, pada observational data,
variabel X yang diamati bisa berapa saja, tergantung keadaan di lapangan.
Biasanya, fixed data diperoleh dari percobaan laboratorium, dan observational data
diperoleh dengan menggunakan kuesioner. Di dalam suatu model regresi kita akan
menemukan koefisien-koefisien. Koefisien pada model regresi sebenarnya adalah
nilai duga parameter di dalam model regresi untuk kondisi yang sebenarnya (true
condition), sama halnya dengan statistik mean (rata-rata) pada konsep statistika
dasar.
Hanya saja, koefisien-koefisien untuk model regresi merupakan suatu
nilai rata-rata yang berpeluang terjadi pada variabel Y (variabel
terikat) bila suatu nilai X (variabel bebas) diberikan. Koefisien
regresi dapat dibedakan menjadi 2 macam, yaitu:
1. Intersep (intercept)
Intersep,
definisi secara metematis adalah suatu titik perpotongan antara suatu
garis dengan sumbu Y pada diagram/sumbu kartesius saat nilai X = 0.
Sedangkan definisi secara statistika adalah nilai rata-rata pada
variabel Y apabila nilai pada variabel X bernilai 0. Dengan kata lain,
apabila X tidak memberikan kontribusi, maka secara rata-rata, variabel Y
akan bernilai sebesar intersep. Perlu diingat, intersep hanyalah suatu
konstanta yang memungkinkan munculnya koefisien lain di dalam model
regresi. Intersep tidak selalu dapat atau perlu untuk diinterpretasikan.
Apabila data pengamatan pada variabel X tidak mencakup nilai 0 atau
mendekati 0, maka intersep tidak memiliki makna yang berarti, sehingga
tidak perlu diinterpretasikan.
Secara matematis, slope merupakan ukuran kemiringan dari suatu garis. Slope adalah
koefisien regresi untuk variabel X (variabel bebas). Dalam konsep statistika, slope
merupakan
suatu nilai yang menunjukkan seberapa besar kontribusi (sumbangan) yang
diberikan suatu variabel X terhadap variabel Y. Nilai slope dapat pula
diartikan sebagai ratarata pertambahan (atau pengurangan) yang terjadi
pada variabel Y untuk setiap peningkatan satu satuan variabel X.
Contoh model regresi:
Y = 9.4 + 0.7*X +
Angka 9.4 merupakan intersep, 0.7 merupakan slope, sedangkan merupakan error.
Error
bukanlah berarti sesuatu yang rusak, hancur atau kacau. Pengertian
error di dalam konsep statistika berbeda dengan pengertian error yang
selama ini dipakai di dalam kehidupan sehari-hari.
Metode B/C Ratio
Analisis
manfaat-biaya merupakan analisis yang digunakan untuk mengetahui
besarankeuntungan/kerugian serta kelayakan suatu proyek. Dalam
perhitungannya, analisis inimemperhitungkan biaya serta manfaat yang
akan diperoleh dari pelaksanaan suatu program.Dalam analisisbenefit
dancos t perhitungan manfaat serta biaya ini merupakan satu kesatuanyang
tidak dapat dipisahkan.
Analisis ini mempunyai banyak bidang
penerapan. Salah satu bidang penerapan yang umummenggunakan rasio ini
adalah dalam bidang investasi. Sesuai dengan dengan maknatekstualnya
yaitu benefit cost (manfaat-biaya) maka analisis ini mempunyai penekanan
dalamperhitungan tingkat keuntungan/kerugian suatu program atau suatu
rencana denganmempertimbangkan biaya yang akan dikeluarkan serta manfaat
yang akan dicapai. Penerapananalisis ini banyak digunakan oleh para
investor dalam upaya mengembangkan bisnisnya.Terkait dengan hal ini maka
analisis manfaat dan biaya dalam pengembangan investasi hanyadidasarkan
pada rasio tingkat keuntungan dan biaya yang akan dikeluarkan atau
dalam kata lainpenekanan yang digunakan adalah pada rasio finansial atau
keuangan.
Dibandingkan penerapannya dalam bidang investasi,
penerapan Benefit Cost Ratio (BCR) telahbanyak mengalami perkembangan.
Salah satu perkembangan analisis BCR antara lain yaitupenerapannya dalam
bidang pengembangan ekonomi daerah. Dalam bidang pengembanganekonomi
daerah, analisis ini umum digunakan pemerintah daerah untuk menentukan
kelayakanpengembangan suatu proyek.
Relatif berbeda dengan penerapan
BCR di bidang investasi, penerapan BCR dalam prosespemilihan suatu
proyek terkait upaya pengembangan ekonomi daerah relatif lebih sulit.
Hal inidikarenakan aplikasi BCR dalam sektor publik harus
mempertimbangkan beberapa aspek terkait
social benefit(social welfare
function) dan lingkungan serta tak kalah penting adalah factor
efisiensi. Faktor efisiensi mutlak menjadi perhatian menimbang
terbatasnya dana dan kemampuan pemerintah daerah sendiri. Secara terinci
aspek-aspek tersebut juga mempertimbangkan dampak penerapan suatu
program dalam masyarakat baik secara langsung (direct impact) maupun
tidak langsung (indirect impact), faktor eksternalitas, ketidakpastian
(uncertainty), risiko (risk) serta shadow price. Terkait perhitungan
risiko dan ketidakpastian, hal ini dapat diatasi dengan menggunakan
asuransi danmelakukan lindung nilai (hedging). Efisiensi ekonomi
merupakan kontribusi murni suatu program dalam peningkatan kesejahteraan
masyarakat. Sehingga yang menjadi perhatian utama dalam penerapan BCR
dalam suatu proyekpemerintah yang berkaitan dengan sektor publik adalah
redistribusi sumber daya.
Metode AHP
AHP
merupakan suatu model pendukung keputusan yang dikembangkan oleh
Thomas L. Saaty. Model pendukung keputusan ini akan menguraikan masalah
multi faktor atau multi kriteria yang kompleks menjadi suatu hirarki,
menurut Saaty (1993), hirarki didefinisikan sebagai suatu representasi
dari sebuah permasalahan yang
kompleks dalam suatu struktur multi
level dimana level pertama adalah tujuan, yang diikuti level faktor,
kriteria, sub kriteria, dan seterusnya ke bawah hingga level terakhir
dari alternatif. Dengan hirarki, suatu masalah yang kompleks dapat
diuraikan ke dalam kelompok-kelompoknya yang kemudian diatur menjadi
suatu bentuk
hirarki sehingga permasalahan akan tampak lebih terstruktur dan sistematis.
AHP sering digunakan sebagai metode pemecahan masalah dibanding dengan metode yang lain karena alasan-alasan sebagai berikut :
1. Struktur yang berhirarki, sebagai konsekuesi dari kriteria yang dipilih, sampai pada
subkriteria yang paling dalam.
2. Memperhitungkan validitas sampai dengan batas toleransi inkonsistensi berbagai
kriteria dan alternatif yang dipilih oleh pengambil keputusan.
3. Memperhitungkan daya tahan output analisis sensitivitas pengambilan keputusan.
Kelebihan dan Kelemahan AHP
Layaknya
sebuah metode analisis, AHP pun memiliki kelebihan dan kelemahan dalam
system analisisnya. Kelebihan-kelebihan analisis ini adalah :
Kesatuan (Unity)§
AHP membuat permasalahan yang luas dan tidak terstruktur menjadi suatu model yang fleksibel dan mudah dipahami.
Kompleksitas (Complexity)§
AHP memecahkan permasalahan yang kompleks melalui pendekatan sistem dan pengintegrasian secara deduktif.
Saling ketergantungan (Inter Dependence)§
AHP dapat digunakan pada elemen-elemen sistem yang saling bebas dan tidak memerlukan hubungan linier.
Struktur Hirarki (Hierarchy Structuring)§
AHP
mewakili pemikiran alamiah yang cenderung mengelompokkan elemen sistem
ke level-level yang berbeda dari masing-masing level berisi elemen yang
serupa.
Pengukuran (Measurement)§
AHP menyediakan skala pengukuran dan metode untuk mendapatkan prioritas.
Konsistensi (Consistency)§
AHP mempertimbangkan konsistensi logis dalam penilaian yang digunakan untuk menentukan prioritas.
Sintesis (Synthesis)§
AHP mengarah pada perkiraan keseluruhan mengenai seberapa diinginkannya masing-masing alternatif.
Trade Off§
AHP
mempertimbangkan prioritas relatif faktor-faktor pada sistem sehingga
orang mampu memilih altenatif terbaik berdasarkan tujuan mereka.
Penilaian dan Konsensus (Judgement and Consensus)§
AHP tidak mengharuskan adanya suatu konsensus, tapi menggabungkan hasil penilaian yang berbeda.
Pengulangan Proses (Process Repetition)§
AHP
mampu membuat orang menyaring definisi dari suatu permasalahan dan
mengembangkan penilaian serta pengertian mereka melalui proses
pengulangan.
Sedangkan kelemahan metode AHP adalah sebagai berikut:
Ketergantungan model AHP pada input utamanya. Input utama ini§
berupa
persepsi seorang ahli sehingga dalam hal ini melibatkan subyektifitas
sang ahli selain itu juga model menjadi tidak berarti jika ahli tersebut
memberikan penilaian yang keliru.
Metode AHP ini hanya metode matematis tanpa ada pengujian§
secara statistik sehingga tidak ada batas kepercayaan dari kebenaran model yang terbentuk
C. Tahapan AHP
Dalam metode AHP dilakukan langkah-langkah sebagai berikut
(Kadarsyah Suryadi dan Ali Ramdhani, 1998) :
1. Mendefinisikan masalah dan menentukan solusi yang diinginkan.Dalam tahap ini
kita berusaha menentukan masalah yang akan kita pecahkan secara jelas, detail dan
mudah dipahami. Dari
masalah yang ada kita coba tentukan solusi yang mungkin cocok
bagi masalah tersebut. Solusi dari masalah mungkin berjumlah
lebih dari satu. Solusi tersebut nantinya kita kembangkan lebih
lanjut dalam tahap berikutnya.
2. Membuat struktur hierarki yang diawali dengan tujuan utama. Setelah menyusun
tujuan utama sebagai level teratas akan disusun level hirarki yang berada di
bawahnya yaitu kriteria-kriteria yang cocok untuk mempertimbangkan atau
menilai alternatif yang kita berikan dan menentukan alternatif tersebut. Tiap
kriteria mempunyai intensitas yang berbeda-beda. Hirarki dilanjutkan dengan
subkriteria (jika mungkin diperlukan).
3. Membuat matrik perbandingan berpasangan yang
menggambarkan
kontribusi relatif atau pengaruh setiap elemen terhadap tujuan atau
kriteria yang setingkat di atasnya. Matriks yang digunakan bersifat
sederhana, memiliki kedudukan kuat untuk kerangka konsistensi,
mendapatkan informasi lain yang mungkin dibutuhkan dengan semua
perbandingan yang mungkin
dan mampu menganalisis kepekaan prioritas
secara keseluruhan untuk perubahan pertimbangan. Pendekatan dengan
matriks mencerminkan aspek ganda dalam prioritas yaitu mendominasi dan
didominasi. Perbandingan dilakukan berdasarkan judgment dari pengambil
keputusan dengan menilai tingkat kepentingan
suatu elemen
dibandingkan elemen lainnya. Untuk memulai proses perbandingan
berpasangan dipilih sebuah kriteria dari level paling atas hirarki
misalnya K dan kemudian dari level di bawahnya diambil elemen yang akan
dibandingkan misalnya
E1,E2,E3,E4,E5
Metode IRR
Metode ini
untuk membuat peringkat usulan investasi dengan menggunakan tingkat
pengembalian atas investasi yang dihitung dengan mencari tingkat
diskonto yang menyamakan nilai sekarang dari arus kas masuk proyek yang
diharapkan terhadap nilai sekarang biaya proyek atau sama dengan tingkat
diskonto yang membuat NPV sama dengan nol.
RUMUS!
Apabila
Ao adalah investasi pada periode 0 dan A1 sampai An adalah aliran
bersih dari periode 1 sampai n, maka metode IRR semata mata mencari
discount factor yang menyamakan A0 dengan A1 sampai An. Penerimaan atau
penolakan usulan investasi ini adalah dengan membandingkan IRR dengan
tingkat bunga yang disyaratkan (required rate of return). Apabila IRR
lebih besar dari pada tingkat bunga yang disyaratkan maka proyek
tersebut diterima, apabila lebih kecil diterima.
Kelemahan secara
mendasar menurut teori memang hampir tidak ada, namun dalam praktek
penghitungan untuk menentukan IRR tersebut masih memerlukan penghitungan
NPV
Internal Rate of Return (IRR)
Ukuran kedua yang sering
digunakan dalam analisis manfaat finansial adalah internal rate of
return (IRR) atau tingkat pengembaliandari investasi. IRR menunjukan
tingkat discount rate atau tingkat keuntungan dari investasi yang
menghasilkan NPV sama dengan nol.
Untuk mengitung IRR digunakan rumus sebagai berikut:
RUMUS
Kriteria
penilain digunakan tingkat bunga bank. Jadi, jika IRR ??tingkat bunga
bank, maka usaha yang direncanakan atau yang diusulan layak untuk
dilaksanakan, dan jika sebaliknya usaha yang direncanakan tidak layak
untuk dilaksanakan.
Internal Rate of Return (IRR)
Teknik
perhitungan dengan IRR banyak digunakan dalam suatu analisis investasi,
namun relatif sulit untuk ditentukan karena untuk mendapatkan nilai yang
akan dihitung diperlukan suatu 'trial and error' hingga pada akhirnya
diperoleh tingkat bunga yang akan menyebabkan NPV sama dengan nol. IRR
dapat didefinisikan sebagai tingkat bunga yang akan menyamakan present
value cash inflow dengan jumlah initial investment dari proyek yang
sedang dinilai. Dengan kata lain, IRR adalah tingkat bunga yang akan
menyebabkan NPV sama dengan nol, karena present value cash inflow pada
tingkat bunga tersebut akan sama dengan initial investment. Suatu usulan
proyek investasi akan ditetima jika IRR > cost of capital dan akan
ditolak jika IRR < cost of capital. Perhitungan IRR untuk pola cash
flow yang bersifat seragam (anuitas), relatif berbeda dengan yang
berpola tidak seragam. Menurut Arifin dan Fauzi (1999:13) bahwa: Adapun
langkah-langkah menghitung IRR untuk pola cash flow yang sama adalah
sebagai beiikut: a. Hitung besarnya payback period untuk proyek yang
sedang dievaluasi. b. Gunakan tabel discount factor, dan pada baris umur
proyek, cari angka yang sama atau mendekati dengan hasil payback period
pada langkah 1 di atas. IRR terletak pada persentase terdekat hasil
yang diperoleh. c. Untuk mendapatkan nilai IRR yang sesungguhnya dapat
ditempuh dengan menggunakan interpolasi. Sedangkan untuk proyek yang
memiliki pola cash inflow yang tidak seragam, dapat diselesaikan dengan
langkah-langkah berikut: a) Hitung rata-rata cash inflow per tahun b)
Bagi initial investment dengan rata-rata cash inflow untuk mengetahui
"estimasi" payback period dari proyek yang sedang dievaluasi. c) Gunakan
tabel discount factor untuk menghitung besarnya IRR, seperti langkah
ke-2 dalam menghitung IRR untuk pola cash flow yang berbentuk seragam
(anuitas). Hasil yang diperoleh akan merupakan "perkiraan IRR'. d)
Selanjutnya sesuaikan IRR yang diperoleh pada langkah ke-3 di atas,
yaitu diperbesar atau diperkecil, ke dalam pola cash flow yang
sesungguhnya. Apabila cash inflow yang sesungguhnya dalam tahun-tahun
pertama temyata lebih besar dari rata-rata yang diperoleh dalam langkah
ke 1 di atas, maka perbesarlah tingkat discount yang digunakan, dan
apabila sebaliknya maka perkecillah discount tersebut. e) Dari hasil
discount rate yang diperoleh pada langkah ke-4, kernudian hitunglah NPV
dari proyek tersebut. f) Apabila hasil yang diperoleh lebih besar dari
nol, maka naikkanlah discount rate yang digunakan, dan apabila
sebaliknya maka turunkanlah discount rate tersebut. g) Hitunglah kembali
NPV dengan menggunakan discount rate yang baru, sampai akhirnya
diperoleh discount rate yang secara berurutan menghasilkan NPV yang
positif dan negatif. Dengan jalan interpolasi akan ditemukan nilai IRR
yang sesungguhnya. Setelah IRR diketahui langkah selanjutnya adalah
membandingkan IRR dengan cost of capital. Apabila IRR lebih besar dari
pada cost of capital maka rencana investasi dapat diterima karena
menguntungkan dan sebaliknya apabila IRR lebih kecil dari pada cost of
capital maka rencana investasi ditolak karena merugikan. Metode PBP PBP,
adalah metode yang digunakan dengan cara menyusun satu demi satu piece
hingga layer tersebut solve. PBP ini sendiri sangat berbeda dengan
metoda lain yang mengharuskan harus membuat cross dan lain sebagainya.
Metoda yang satu ini bisa dibilang full intuitive (kecuali untuk layer
ke 2) karena tidak memerlukan algoritma untuk menyusun satu layer, cukup
dengan logika murni saja, dan inilah salah satu kelebihan dari metoda
PBP ini. Selain itu metoda ini sangat cocok untuk dipelajari bagi mereka
yang baru (sangat baru =.=) dalam cubing, ini berdasarkan fakta nyata
yang saya alami ketika mengajarkan cubing ke teman-teman saya, mereka
lebih mudeng dengan metoda ini daripada LBL yang merupakan metoda paling
umum yang dipelajari oleh para beginner. Baik langsung saja, saya akan
memberi beberapa contoh PBP Metode MPE Metode Perbandingan Eksponensial
(MPE), merupakan salah satu metode untuk menentukan urutan prioritas
alternatif keputusan dengan kriteria jamak , Teknik ini cocok untuk
penilaian dengan skala ordinal. Hasil MPE akan lebih kontras dari pada
hasil Bayes. Prosedur MPE • Formulasi perhitungan skor untuk setiap
alternatif dalam metoda perbandingan eksponensial adalah: m Total nilai
(TNi) =å (RK ij)TKK j j=1 Keterangan : TNi = Total nilai alternatif ke
-i RK ij = derajat kepentingan relatif kriteria ke-j pada pilihan
keputusan i TKK j = derajat kepentingan kritera keputusan ke-j; TKKj
> 0; bulat
n = jumlah pilihan keputusan
m = jumlah kriteria keputusan
• Penentuan tingkat kepentingan kriteria dilakukan dengan cara wawancara dengan
pakar atau melalui kesepakatan curah pendapat.
• Penentuan skor alternatif pada kriteria tertentu dilakukan dengan memberi nilai
setiap alternatif berdasarkan nilai kriterianya .
Keuntungan MPE
• Mengurangi bias yang mungkin terjadi dalam analisa
• Nilai skor yang menggambarkan urutan prioritas menjadi besar (fungsi
eksponensial) ini mengakibatkan urutan prioritas alternatif keputusan lebih nyata
Contoh Aplikasi MPE
• Penilaian terhadap tiga alternatif calon pemimpin divisi ICT (Pergiwa, Bratasena,
Kresna)
• Kriteria yang dipertimbangkan: Kecakapan, Kepemimpinan dan Kejujuran
• Penilaian alternatif pada setiap kriteria menggunakan skala penilaian 1-9.
Contoh Pemilihan pimpinan
Alternatif Kriteria Nilai
Alternatif Peringkat
Kecakapan Kepemimpinan Kejujuran
1. Pergiwa 4 4 3
2. Bratasena 4 5 2
3. Kresna 4 3 4
Tk. Kepentingan Kriteria 3 4 3
• Nilai (Pergiwa) = 4 **(3) + 4*
(4) + 3*(3) = ?
• Nilai alternatif 1,2, dan 3 adalah? sehingga didapat alternatif yang terurut dari yang
terbaik adalah alternatif?
Metode NPV
NPV
merupakan selisih antara pengeluaran dan pemasukan yang telah didiskon
dengan menggunakan social opportunity cost of capital sebagai diskon
faktor, atau dengan kata lain merupakan arus kas yang diperkirakan pada
masa yang akan datang yang didiskontokan pada saat ini.Untuk menghitung
NPV diperlukan data tentang perkiraan biaya investasi, biaya operasi,
dan pemeliharaan serta perkiraan manfaat/benefit dari proyek yang
direncanakan.
Rumus yang digunakan
Arus kas masuk dan keluar
yang didiskontokan pada saat ini (present value (PV)). yang dijumlahkan
selama masa hidup dari proyek tersebut dihitung dengan rumus:
dimana:
t - waktu arus kas
i – adalah suku bunga diskonto yang digunakan
Rt - arus kas bersih (the net cash flow) dalam waktu
Arti perhitungan NPV
Pada tabel berikut ditunjukkan arti dari perhitungan NPV terhadap keputusan investasi yang akan dilakukan.
Bila... Berarti... Maka...
NPV > 0 investasi yang dilakukan memberikan manfaat bagi perusahaan proyek bisa dijalankan
NPV < 0 investasi yang dilakukan akan mengakibatkan kerugian bagi perusahaan proyek ditolak
NPV
= 0 investasi yang dilakukan tidak mengakibatkan perusahaan untung
ataupun merugi Kalau proyek dilaksanakan atau tidak dilaksanakan tidak
berpengaruh pada keuangan perusahaan. Keputusan harus ditetapkan dengan
menggunakan kriteria lain misalnya dampak investasi terhadap positioning
perusahaan.
Sumbe
