BAB 2 LANDASAN TEORI

6

BAB 2

LANDASAN TEORI

2.1

Sistem Pendukung Keputusan

Sistem Pendukung Keputusan (SPK) / Decision Support Sistem (DSS) adalah sistem komputer yang saling berhubungan dan menjadi alat bantu bagi seorang manager dalam membuat keputusan menyelesaikan masalah (Dunham, 2003).

2.1.1

Pengertian Sistem Pendukung Keputusan SPK merupakan sistem informasi berbasis komputer interaktif yang dapat

memberikan alternatif dan solusi bagi pengambil dan pembuat keputusan. Jadi pada umumnya SPK merupakan pengembangan lebih lanjut dari Sistem Informasi Manajemen terkomputerisasi yang dirancang sedemikian rupa sehingga bersifat interaktif dengan pemakainya. Interaktif dengan tujuan untuk memudahkan integrasi antara berbagai komponen dalam proses pengambilan keputusan seperti prosedur, kebijakan, analisis, pengalaman dan wawasan manajer untuk mengambil keputusan yang lebih baik.

SPK dikhususkan untuk mendukung manajer memecahkan masalah semi terstruktur, lebih mementingkan efektivitas dibandingkan efisiensi, SPK menyediakan informasi untuk memecahkan masalah serta kemampuan komunikasi (Simarmata, 2005).

Universitas Sumatera Utara

7

2.1.2

Konsep Dasar Sistem Pendukung Keputusan

Konsep SPK pertama kali diperkenalkan pada awal tahun 1970-an oleh Scott Morton. Ia mendefenisikan SPK sebagai ”sistem berbasis komputer interaktif, yang membantu para pengambil keputusan untuk menggunakan data dan berbagai model untuk memecahkan masalah-masalah tidak terstruktur”. SPK dirancang untuk menunjang seluruh tahapan pembuatan keputusan yang dimulai dari tahap mengidentifikasi masalah, memilih data yang relevan, menentukan pendekatan yang digunakan dalam proses pembuatan keputusan, sampai pada kegiatan mengevaluasi pemilihan alternatif.

2.1.3

Fase-fase Proses Pengambilan Keputusan

Proses pendukung keputusan dimulai dengan fase inteligence , dimana kenyataan diuji dan masalahnya di identifikasi,

kemudian fase design , yaitu suatu model yang

menggambarkan suatu sistem yang mengacu pada peraturan – peraturan dan kriteria kriteria dikumpulkan untuk suatu evaluai dari pilihan-pilihan aksi yang di identifikasi. Berikutnya adalah fase choice yang mengandung suatu tujuan penyelesaian untuk model. Fase yang terakhir adalah implementation, yang melihat tingkat kesuksesan sistem dalam menyelesaikan masalah yang ada (Turban, 1998).


8

2.1.4

Karakteristik dan Kemampuan Sistem Pendukung Keputusan

Gambar 2.2 menunjukkan karakteristik dan kemampuan sebuah SPK (Turban, 1998).

Gambar 2.1 Karakteristik dan kemampuan SPK


9

Karakteristik dan kemampuan sebuah SPK sebagai berikut :

1. SPK keputusan menyediakan dukungan untuk pengambil keputusan utamanya pada keadaan-keadaan semistruktur dan tidak terstruktur dengan menggabungkan penilaian manusia dan informasi komputerisasi. 2. Menyediakan dukungan untuk tingkat manajeril mulai dari eksekutif sampai manajer. 3. Menyediakan dukungan untuk kelompok individu, problem-problem yang kurang terstruktur memerlukan keterlibatan beberapa individu dari departemen-departemen yang lain dalam organisasi. 4. SPK menyediakan dukungan kepada independen atau keputusan yang berlanjut. 5. SPK memberikandukungan kepada semua fase dalam proses pembuatan keputusan inteigence, design, choice dan implementation. 6. SPK mendukung banyak proses dan gaya pengambilan keputusan. 7. SPK adapative terhadap waktu, pembuat keputusan harus reaktif bisa menghadapi perubahan-perubahan

kondisi secara cepat dan mengubah sistem pendukung

keputusan harus fleksibelsehingga pengguna dapat menambah, menghapus , mengkombinasikan, mengubah dan mengatur kembali elemen elemen dasar. 8. SPK mudah digunakan. Pengguna merasa berada di rumah saat bekerja dengan system, seperti userfriendly, fleksibilitas, kemampuan menggunakan grafik yang tinggi dan bahasa untuk berinteraksi dengan mesin seperti dengan menggunakan bahasa inggris maka akan menaikkan efektifitas sistem pendukung keputusan. 9. SPK menaikkan efektivitas pembuatan keputusan baik dalam hal ketepatan waktu dan kualitas, bukan pada biaya pembuatan keputusan atau biaya pemakaian waktu komputer. 10. SPK dapat mengontrol tahapan-tahapan pembuatan keputusan seperti pada tahap inteligence, choice dan implementation dan sistem pendukung keputusan diarahkan untuk mendukung pada pembuat keputusan bukan mengantikan posisinya. 11. Memungkinkan pengguna akhir dapat membangun sistem sendiri yang sederhana. Sistem yang besar dapat dibangun dengan bantuan sistem informasi.


10

12. SPK menggunakan model-model standar atau buatan pengguna untuk menganalisa keadaan-kedaan keputusan. Kemampuan modeling memungkinkan bereksperimen dengan strategi yang berbeda-beda di bawah konfigurasi yang berbeda-beda pula. 13. SPK mendukung akses dari bermacam-macam sumber data, format, dan tipe, jangkauan dari sistem informasi geografi pada orientasi obyek.

2.1.5

Komponen Sistem Pendukung Keputusan

Untuk dapat menerapkan sistem pendukung keputusan , ada empat subsistem yang harus di sediakan (Turban, 1998), yaitu : 1. Subsistem manajemen data 2. Subsistem manajemen model 3. Subsistem manajemen pengetahuan 4. Subsistem manajemen antarmuka pengguna

2.1.5.1 Subsistem Manajemen Data Merupakan subsistem yang menyediakan data bagi sistem. Sumber data berasal dari data internal dan data eksternal . subsitem ini termasuk basis data, berisi data yang relevan untuk situasi dan diatur oleh perangkat lunak yang disebut database management system (DBMS).

2.1.5.2. Subsistem Manajemen Model Merupakan subsistem yang berfungsi sebagai pengelola berbagai model. Model harus bersifat fleksibel. Artinya, mapu membantu pengguna untuk memodifikasi atau menyempurnakan model, seiring dengan perkembangan pengetahuan. Perangkat lunak ini disebut dengan model base management sistem (MBMS).


11

2.1.5.3 Subsistem Manajemen Pengetahuan Sebagai pendukung sembarang subsistem yang lain atau sebagai suatu komponen yang bebas. Subsistem ini berisi data item yang diproses untuk menghasilkan pemahaman, pengalaman, kumpulan pelajaran dan keahlian. Diproses untuk menghasilkan pemahaman, pengalaman, kumpulan pelajaran dan keahlian.

2.1.5.4 Subsistem Manajemen Antarmuka Pengguna Merupakan fasilitas yang mampu mengintegrasikan sistem terpasang dengan pengguna secara interaktif. Melalui sistem dialog ini sistem diartikulasikan sehingga dapat berkomunikasi dengan sistem yang dirancang atau pengguna dapat berkomunikasi dengan sistem pendukung keputusan dan memerintah sistem pendukung keputusan melaui sistem ini.

2.2

Pohon Keputusan (Decision Tree)

Pohon keputusan merupakan salah satu metode klasifikasi yang sangat menarik yang melibatkan konstruksi pohon keputusan yang terdiri dari node keputusan yang di hubungkan dengan cabang-cabang dari simpul akar sampai ke node daun (akhir). Pada node keputusan attribut akan diuji, dan setiap hasil akan menghasilkan cabang. Setiap cabang akan diarahkan ke node lain atau ke node akhir untuk menghasilkan suatu keputusan (Larose, 2005).

Menurut

Maimon (2005), pohon keputusan adalah salah

satu metode

klasifikasi yang dinyatakan sebagai partisi rekursif. Pohon keputusan terdiri dari node yang membentuk pohon yang berakar, semua node memiliki satu masukan. Node yang keluar disebut node tes. Node yang lain disebut node keputusan atau sering disebut node daun. Setiap simpul internal membagi dua atau lebih sub-ruang sesuai dengan kategori attribut dan akan dipartisi sesuai dengan nilai kategori kasus. Kasus kasus tersebut membentuk pohon keputusan, yang menghasilkan problem solving (Kusrini, 2007).


12

Pohon keputusan adalah sebuah flowchart seperti struktur tree, dimana tiap internal node menunjukkan sebuah test pada sebuah atribut, setiap cabang menunjukkan hasil dari test, dan leaf node menunjukkan kelas (Sujana, 2010).

Pohon keputusan biasanya digunakan untuk mendapatkan informasi untuk tujuan pengambilan sebuah keputusan. Pohon keputusan dimulai dengan sebuah root node (titik awal) yang diapakai oleh user untuk mengambil tindakan. Dari node root ini, user memecahkan sesuai dengan algoritma decision tree.

Hasil akhirnya adalah sebuah pohon keputusan dengan setiap cabangnya menunjukkan kemungkinan skenario dari keputusan yang diambil serta hasilnya.

2.2.1 Konsep Pohon keputusan Mengubah data menjadi sebuah pohon keputusan (decision tree) dan aturan aturan keputusan (rule). DATA

DECISION TREE

RULE

Data dinyatakan dalam bentuk tabel dengan atribut dan record. Atribut menyatakan suatu parameter yang dibuat sebagai kriteria dalam pembentukan tree.

Konsep data dalam pohon keputusan yaitu : a. Data dinyatakan dalam bentuk tabel dengan atribut dan record. b. Atribut menyatakan suatu parameter yang dibuat sebagai kriteria dalam pembentukan tree. c. Atribut memiliki nilai-nilai yang dinamakan dengan instance.

2.2.2

Manfaat Metode Pohon keputusan

Pohon keputusan adalah salah satu metode klasifikasi yang paling populer karena mudah untuk diinterpretasi oleh manusia. Pohon keputusan adalah model prediksi menggunakan struktur pohon.


13

Konsep dari pohon keputusan adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan. Manfaat utama dari penggunaan pohon keputusan adalah kemampuannya untuk mem-break down proses pengambilan keputusan yang kompleks menjadi lebih simpel sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan.

Pohon Keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target. Pohon keputusan memadukan antara eksplorasi data dan pemodelan, sehingga sangat bagus sebagai langkah awal dalam proses pemodelan bahkan ketika dijadikan sebagai model akhir dari beberapa teknik lain. Sering terjadi tawar menawar antara keakuratan model dengan transparansi model. Dalam beberapa aplikasi, akurasi dari sebuah klasifikasi atau prediksi adalah satu-satunya hal yang ditonjolkan, misalnya sebuah perusahaan direct mail membuat sebuah model yang akurat untuk memprediksi anggota mana yang berpotensi untuk merespon permintaan, tanpa memperhatikan bagaimana atau mengapa model tersebut bekerja.

2.2.3

Kelebihan Pohon Keputusan

Kelebihan dari metode pohon keputusan adalah (Simarmata, 2005): a. Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat global, dapat diubah menjadi lebih simpel dan spesifik. b. Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena ketika menggunakan metode pohon keputusan maka sample diuji hanya berdasarkan kriteria atau kelas tertentu. c. Fleksibel untuk memilih fitur dari internal node yang berbeda, fitur yang terpilih akan membedakan suatu kriteria dibandingkan kriteria yang lain dalam node yang sama. Kefleksibelan metode pohon keputusan ini meningkatkan kualitas keputusan yang dihasilkan jika dibandingkan ketika menggunakan metode penghitungan satu tahap yang lebih konvensional.


14

d. Dalam analisis multivariat, dengan kriteria dan kelas yang jumlahnya sangat banyak, seorang penguji biasanya perlu untuk mengestimasikan baik itu distribusi dimensi tinggi ataupun parameter tertentu dari distribusi kelas tersebut. Metode pohon keputusan dapat

menghindari munculnya

permasalahan ini dengan menggunakan criteria yang jumlahnya lebih sedikit pada setiap node internal tanpa banyak mengurangi kualitas keputusan yang dihasilkan. 2.3

Algoritma C4.5

Menurut

Podgorelec

dalam

jurnal

Anyanwu,

Algoritma

C4.5

merupakan

pengembangan dari algoritma ID3 yang memiliki fungsi untuk menghasilkan pohon keputusan. Algoritma C4.5 tidak terbatas pada bilangan biner dan menghasilkan pohon keputusan dengan banyak variabel. Attribut dalam C4.5 secara default menghasilkan cabang untuk setiap cabang kategori atribut (Maimon, 2005). secara global untuk membangun pohon keputusan perlu langkah2 sebagai berikut (Kusrini, 2007) : i.

Pilih atribut sebagai akar

ii.

Buat cabang untuk setiap nilai- nilai yang ada

iii.

Bagi kasus-kasu yang ada ke dalam cabang

iv.

Ulangi proses untuk setiap cabang sampai semua kasus pada cabang memiliki kelas yang sama. Algoritma C4.5 menggunakan konsep informasi gain (G) dan entropy (S)

untuk memilih solusi yang optimal. Menurut sunjana (2010) informasi gain adalah suatu attribute selection measure yang digunakan untuk memilih tes attribute tiap node pada tree. Atribut yang memiliki gain tertinggi dipilih sebagai test atribut dari suatu node. Entropi merupakan kebutuhan bit untuk menyatakan suatu kelas. Semakin kecil nilai entropi maka semakin baik digunakan untuk mengekstraksikan suatu kelas.


BAB 2 LANDASAN TEORI

Recommend Documents