SISTEM PENUNJANG KEPUTUSAN - PEMODELAN DAN ANALISIS

3y ago
109 Views
3 Downloads
4.35 MB
136 Pages
Last View : 7d ago
Last Download : 4m ago
Upload by : Hayden Brunner
Transcription

SISTEM PENUNJANG KEPUTUSAN PEMODELAN DAN ANALISISPERTEMUAN KE-4

Metode-Metode Optimasidengan Alternatif Terbatas

TUJUAN Mahasiswa dapat memahami danmampu mengaplikasikan beberapametode untuk menyelesaikan masalahdengan alternatif-alternatif dalamjumlah yang relatif kecil.

POKOK BAHASAN Model SPKFokus MasalahMetode-metode Tabel keputusan Pohon Keputusan Multi Attribute Decision Making (MADM)

FOKUS MASALAH Turban (2005) mengkategorikan model sistempendukung keputusan dalam tujuh model, yaitu :1) Model optimasi untuk masalah-masalahdengan alternatif-alternatif dalam jumlahrelatif kecil.2) Model optimasi dengan algoritma.3) Model optimasi dengan formula analitik.4) Model simulasi.5) Model heuristik.6) Model prediktif.7) Model-model yang lainnya.

MODEL OPTIMASI1) Model optimasi untuk masalah-masalahdengan alternatif-alternatif dalam jumlahrelatif kecil. Model ini akan melakukan pencarianterhadap solusi terbaik dari sejumlahalternatif. Teknik-teknik untuk penyelesaian masalahini antara lain dengan menggunakan tabelkeputusan atau pohon keputusan.

Model Optimasi2) Model optimasi dengan algoritma. Modelini akan melakukan pencarian terhadapsolusi terbaik dari banyak alternatif. Proses pencarian dilakukan tahap demi tahap. Teknik-teknik untuk penyelesaian masalah iniantara lain dengan menggunakan linearprogramming atau model matematika yanglainnya, atau menggunakan model jaringan.

Model Optimasi2) Model optimasi dengan algoritma. (Lanjutan) Contoh Latihan Linear Programming : Suatuperusahaan akan memproduksi 2 jenis produk yaitulemari dan kursi. Untuk memproduksi 2 produk tersebutdi butuhkan 2 kegiatan yaitu proses perakitan danpengecatan. Perusahaan menyediakan waktu 56 jamuntuk proses perakitan dan 60 jam untuk prosespengecatan. Untuk produksi 1 unit lemari diperlukanwaktu 8 jam perakitan dan 5 jam pengecatan. Untukproduksi 1 unit kursi diperlukan 7 jam perakitan dan 12jam pengecatan. Jika masing masing produk adalah Rp.200 ribu untuk lemari dan 100 ribu untuk kursi. Tentukansolusi optimal agar mendapatkan untuk masimal.

Model Optimasi2) Model optimasi dengan algoritma. (Lanjutan) Jawaban :X : LemariY : KursiA. Membentuk fungsi tujuan dan fungsi kendala.- Fungsi Tujuan : Z 200x 100y- Fungsi Kendala : (I) 8x 7y 56(II) 5x 12y 60

Model Optimasi2) Model optimasi dengan algoritma. (Lanjutan)B. Menentukan Kordinat dari Fungsi Kendala.

Model Optimasi2) Model optimasi dengan algoritma. (Lanjutan)C. Menggambar GrafikTitik kordinat yang ada : A (0,8), B ?, C (7,0)

Model Optimasi2) Model optimasi dengan algoritma. (Lanjutan)- Mencari Nilai B dengan melakukan EliminasiMaka di dapat B (4,08 , 3,3)Solusi yang ada : A (0,8), B (4,08 , 3,3), C (7,0)

Model Optimasi2) Model optimasi dengan algoritma. (Lanjutan)- Menggambar Grafik

Model Optimasi2) Model optimasi dengan algoritma. (Lanjutan)- Mencari Maksimasi KeuntunganDengan demikian dapat disimpulkan bahwa nilaioptimum ada pada titik B (4,08, 3,3) senilai Rp. 1146.

Model Optimasi3. Model optimasi dengan formula analitik.Model ini akan melakukan pencarian terhadap solusihanya dengan satu langkah melalui rumus tertentu. Model seperti ini banyak dijumpai pada masalahmasalah inventory.4. Model simulasi. Model ini akan melakukan pencarian terhadap solusicukup baik atau solusi terbaik pada beberapaalternatif yang akan diuji dalam penelitian. Model ini lebih banyak digunakan untuk beberapatipe simulasi.

Model Optimasi5. Model heuristik. Model ini akan melakukan pencarian terhadap solusi yang cukup baikmelalui serangkaian aturan (rules). Model ini lebih banyak direpresentasikan dengan menggunakanpemrograman heuristik atau sistem pakar6. Model prediktif. Model ini akan melakukan prediksi untuk masa depan apabila diberikanskenario tertentu. Model ini lebih banyak direpresentasikan dengan menggunakan modelperamalan (forecasting) atau analisis Makov7. Model-model yang lainnya. Model ini akan menyelesaikan kasus what-if menggunakan formulatertentu. Model ini lebih banyak digunakan pada pemodelan keuangan ataukonsep antrian.

Fokus Masalah Modeloptimasi untuk masalah-masalahdengan alternatif-alternatif dalam jumlahrelatif kecil. Model ini akan melakukan pencarianterhadap solusi terbaik dari sejumlahalternatif. Teknik-teknik untuk penyelesaian masalahini antara lain dengan menggunakan tabelkeputusan, pohon keputusan, ataubeberapa metode pada MADM.

TABEL KEPUTUSAN Tabelkeputusanmerupakanmetodepengambilan keputusan yang cukup sederhana. Metode ini menggunakan bantuan tabel yangberisi hubungan antara beberapa atributyang mempengaruhi atribut tertentu. Umumnya, tabel keputusan ini digunakanuntuk penyelesaian masalah yang tidakmelibatkan banyak alternatif.

Tabel Keputusan Padatabel keputusan, nilai kebenaran suatukondisi diberikan berdasarkan nilai logika darisetiap 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).

Tabel Keputusan Contoh-1: Jurusan Teknik Informatika akan m di lingkungannya. Persyaratan untuk menjadi asisten di suatulaboratorium ditentukan oleh nilai beberapamatakuliah. Setiap laboratorium dimungkinkan memilikisyarat nilai yang berbeda.

Tabel KeputusanVariabelLogikaEkspresi LogikaE1Memiliki IPK 3,00E2Minimal tengah duduk di semester 3E3Nilai matakuliah algoritma pemrograman AE4Nilai matakuliah kecerdasan buatan AE5Nilai matakuliah basisdata AE6Nilai matakuliah grafika komputer AE7Nilai matakuliah jaringan komputer AE8Nilai matakuliah informatika kedokteran minimal B

Tabel 6E7E8LaboratoriumPemrograman &Informatika TeoriYYKomputasi & Sist. CerdasYSistem Informasi & RPLYYGrafika & MultimediaYYYYYSistem & Jaringan Komp.YInformatika KedokteranYInformatika KedokteranYInformatika KedokteranYInformatika Kedokteran

Tabel Keputusan Kombinasi untuk semua Ei (i 1,2,.,8) pada aturantersebut merupakan pengetahuan untuk menentukanpemilihan asisten laboratorium.Sebagai contoh untuk laboratorium Pemrograman &Informatika Teori dapat digunakan aturan pertama,yaitu : D E1 E 2 E 3Untuk laboratorium Informatika Kedokteran dapatdigunakan aturan ke-6, ke-7, ke-8, dan ke-9, yaitu :D E1 E 3 E 8 E1 E 4 E 8 E1 E 5 E 8 E1 E 6 E 8Dengan adalah operator AND; dan adalah operatorOR.

Tabel Keputusan Contoh-2 : Suatu institusi pendidikan tinggi akan memberikanpenilaian terhadap produktivitas staf pengajarnya dalamwaktu 1 tahun. Ada 5 kriteria yang akan diberikan, yaitu : tidakproduktif, kurang produktif, cukup produktif,produktif, dan sangat produktif. Atribut yang digunakan untuk memberikan penilaianadalah sebagai berikut. C1 jumlah karya ilmiah yang dihasilkan C2 jumlah diktat (bahan ajar) yang dihasilkan C3 jumlah buku referensi yang dihasilkan

Tabel KeputusanAtributKategoriC1C2C3Sangat Produktif 6 2 1Produktif5 atau 6 2TidakdipertimbangkanCukup Produktif3 atau 4 1TidakdipertimbangkanKurang Produktif1 atau 2TidakdipertimbangkanTidakdipertimbangkanTidak Produktif000

Tabel Keputusan Nilai ”Tidak dipertimbangkan” berartiberapapun nilainya diperbolehkan.Sedangkan nilai 0 berarti, tidak menghasilkan.Misalkan seorang staf bernama Edi, telahmenghasilkan karya ilmiah sebanyak 3 karya,diktat sebanyak 2 karya, dan tidakmenghasilkan buku referensi, maka Editermasuk dalam kategori ”Cukup Produktif”.

POHON KEPUTUSANPohon keputusan adalah salah satu metodepenyelesaian masalah keputusan dengan caramerepresentasikan pengetahuan dalam bentukpohon. Suatu pohon memiliki conditional node yangmenunjukkan kebenaran suatu ekspresi atau atribut. Conditional node tersebut memberikan beberapakemungkinan nilai, dapat berupa nilai boolean(Benar atau Salah), atau beberapa alternatif nilaiyang mungkin dimiliki oleh suatu atribut, misaluntuk atribut Tekanan Darah (Rendah, Normal,Tinggi).

Pohon Keputusan Basic Concept : Contoh : Untuk kasus pemilihan dosen produktif akan dibuatpohon keputusannya.

Pohon KeputusanAtributKategoriC1C2C3Sangat Produktif 6 2 1Produktif5 atau 6 2TidakdipertimbangkanCukup Produktif3 atau 4 1TidakdipertimbangkanKurang Produktif1 atau 2TidakdipertimbangkanTidakdipertimbangkanTidak Produktif000

Pohon KeputusanC1 65 atau 6 2C3C203 atau 41 atau 2KurangProduktifC2C2C2 2 10ProduktifCukupProduktifC3 10SangatProduktifTidakProduktif

MULTI-ATTRIBUTE DECISION MAKING (MADM) Secaraumum, model Multi-Attribute DecisionMaking (MADM) dapat didefinisikan sebagaiberikut (Zimermann, 1991) : Misalkan A {ai i 1,.,n} adalahhimpunan alternatif-alternatif keputusan danC {cj j 1,., m} adalah himpunantujuan yang diharapkan, maka akanditentukan alternatif x0 yang memilikiderajat harapan tertinggi terhadap tujuan–tujuan yang relevan cj.

Multi-Attribute Decision Making (MADM) Janko (2005) memberikan batasan tentang adanyabeberapa fitur umum yang akan digunakan dalamMADM, yaitu : Alternatif, adalah obyek-obyek yang berbedadan memiliki kesempatan yang sama untukdipilih oleh pengambil keputusan. Atribut,seringjugadisebutsebagaikarakteristik, komponen, atau kriteria keputusan.Meskipun pada kebanyakan kriteria bersifat satulevel, namun tidak menutup kemungkinanadanya sub kriteria yang berhubungan dengankriteria yang telah diberikan.

Multi-Attribute Decision Making (MADM) Konflik antar kriteria, beberapa kriteria biasanyamempunyai konflik antara satu dengan yang lainnya,misalnya kriteria keuntungan akan mengalami konflikdengan kriteria biaya.Bobot keputusan, bobot keputusan menunjukkankepentingan relatif dari setiap kriteria, W (w1, w2, .,wn). Pada MADM akan dicari bobot kepentingan darisetiap kriteria.Matriks keputusan, suatu matriks keputusan X yangberukuran m x n, berisi elemen-elemen xij, yangmerepresentasikan rating dari alternatif Ai (i 1,2,.,m)terhadap kriteria Cj (j 1,2,.,n).

Multi-Attribute Decision Making (MADM) Masalah MADM adalah mengevaluasi m alternatif Ai(i 1,2,.,m) terhadap sekumpulan atribut atau kriteriaCj (j 1,2,.,n), dimana setiap atribut saling tidakbergantung satu dengan yang lainnya.Kriteria atau atribut dapat dibagi menjadi dua kategori,yaitu : Kriteria keuntungan adalah kriteria yang nilainyaakan dimaksimumkan, misalnya: keuntungan, IPK(untuk kasus pemilihan mahasiswa berprestasi), dll. Kriteria biaya adalah kriteria yang nilainya akandiminimumkan, misalnya: harga produk yang akandibeli, biaya produksi, dll.

Multi-Attribute Decision Making (MADM) Pada MADM, matriks keputusan setiap alternatifterhadap setiap atribut, X, diberikan sebagai : x 11 x21 X x m1x 12x 22 x m2 x 1n x 2 n x mn dengan xij merupakan rating kinerja alternatif ke-iterhadap atribut ke-j. Nilai bobot yang menunjukkan tingkat kepentinganrelatif setiap atribut, diberikan sebagai, W :W {w1, w2, ., wn}

Multi-Attribute Decision Making (MADM) Ratingkinerja (X), dan nilai bobot (W)merupakan nilai utama yang merepresentasikanpreferensi absolut dari pengambil keputusan. Masalah MADM diakhiri dengan prosesperankingan untuk mendapatkan alternatifterbaik yang diperoleh berdasarkan nilaikeseluruhan preferensi yang diberikan (Yeh,2002). Pada MADM, umumnya akan dicari solusiideal. Pada solusi ideal akan n semua kriteria biaya.

Multi-Attribute Decision Making (An)

Multi-Attribute Decision Making (MADM) Adabeberapa metode yang dapatdigunakanuntukmenyelesaikanmasalah MADM, antara lain :a. Simple Additive Weighting (SAW)b. Weighted Product (WP)c. TOPSISd. Analytic Hierarchy Process (AHP)

SIMPLE ADDITIVE WEIGHTING (SAW)Metode Simple Additive Weighting (SAW)sering juga dikenal istilah metode penjumlahanterbobot. Konsep dasar metode SAW adalah mencaripenjumlahan terbobot dari rating kinerja padasetiap alternatif pada semua atribut (Fishburn,1967) (MacCrimmon, 1968). MetodeSAWmembutuhkanprosesnormalisasi matriks keputusan (X) ke suatuskala yang dapat diperbandingkan dengansemua rating alternatif yang ada.

Simple Additive Weighting (SAW) Formula untuk melakukan normalisasi tersebutadalah sebagai berikut : x ij Miax x ij rij M in x ij i x ijjika j adalah atribut keuntungan (benefit)jika j adalah atribut biaya (cost)dengan rij adalah rating kinerja ternormalisasidari alternatif Ai pada atribut Cj; i 1,2,.,mdan j 1,2,.,n.

Simple Additive Weighting (SAW) Nilaipreferensi untuk setiap alternatif(Vi) diberikan sebagai :nVi w j rijj 1 NilaiViyanglebihbesarmengindikasikan bahwa alternatif Ailebih terpilih.

Simple Additive Weighting (SAW) Contoh-1 : Suatu institusi perguruan tinggi akan memilihseorang karyawannya untuk dipromosikansebagai kepala unit sistem informasi. Ada empat kriteria yang digunakan untukmelakukan penilaian, yaitu : C1 tes pengetahuan (wawasan) sisteminformasi C2 praktek instalasi jaringan C3 tes kepribadian C4 tes pengetahuan agama

Simple Additive Weighting (SAW) Pengambilkeputusan memberikan bobot untuk setiapkriteria sebagai berikut : C1 35%; C2 25%;C3 25%; dan C4 15%. Ada enam orang karyawan yang menjadi kandidat(alternatif) untuk dipromosikan sebagai kepala unit,yaitu : A1 Indra, A2 Roni, A3 Putri, A4 Dani, A5 Ratna, dan A6 Mira.

Simple Additive Weighting (SAW) Tabelnilai alternatif di setiap kriteria 80

Simple Additive Weighting (SAW) Normalisasi:7070r11 0,82max 70;50;85;82;75;62 855050r21 0,59max 70;50;85;82;75;62 85r12 5050 0,67max 50;60;55;70;75;50 756060r22 0,80max 50;60;55;70;75;50 75dst

Simple Additive Weighting (SAW) Hasilnormalisasi : 0,82 0,59 1R 0,96 0,88 0,730,94 0,71 0,96 0,82 0,94 0,88 0,761 110,87 0,67 0,88 0,94 0,670,800,730,93

Simple Additive Weighting (SAW) Proses perankingan dengan menggunakanbobot yang telah diberikan oleh pengambilkeputusan : w [0,35 0,25 0,25 0,15] Hasil yang diperoleh adalah sebagai berikut :V1 (0,35)(0,82) (0,25)(0,67) (0,25)(0,94) (0,15)(0,71) 0,796V 2 (0,35)(0,59) (0,25)(0,80) (0,25)(0,96) (0,15)(0,82) 0,770V 3 (0,35)(1,00) (0,25)(0,73) (0,25)(0,94) (0,15)(0,88) 0,900V 4 (0,35)(0,96) (0,25)(0,93) (0,25)(0,76) (0,15)(1,00) 0,909V 5 (0,35)(0,88) (0,25)(1,00) (0,25)(1,00) (0,15)(0,87) 0,939V 6 (0,35)(0,73) (0,25)(0,67) (0,25)(0,88) (0,15)(0,94) 0,784

Simple Additive Weighting (SAW) Nilai terbesar ada pada V5 sehinggaalternatif A5 adalah alternatif yangterpilih sebagai alternatif terbaik. Dengan kata lain, Ratna akan terpilihsebagai kepala unit sistem informasi.

Simple Additive Weighting (SAW) Contoh-2 : Sebuah perusahaan makanan ringan XYZakan menginvestasikan sisa usahanya dalamsatu tahun. Beberapa alternatif investasi telah akandiidentifikasi. Pemilihan alternatif terbaikditujukan selain untuk keperluan investasi,juga dalam rangka meningkatkan kinerjaperusahaan ke depan.

Simple Additive Weighting (SAW) Beberapa kriteria digunakan sebagaibahan pertimbangan untuk mengambilkeputusan, yaitu : C1 Harga, yaitu seberapa besarharga barang tersebut. C2 Nilai investasi 10 tahun kedepan, yaitu seberapa besar nilaiinvestasi barang dalam jangka waktu10 tahun ke depan.

Simple Additive Weighting (SAW) C3 Daya dukung terhadap produktivitasperusahaan, yaitu seberapa besar perananbarang dalam mendukung naiknya tingkatproduktivitas perusahaan. Daya dukung diberinilai : 1 kurang mendukung, 2 cukupmendukung; dan 3 sangat mendukung.C4 Prioritas kebutuhan, merupakan tingkatkepentingan (ke-mendesak-an) barang untukdimiliki perusahaan. Prioritas diberi nilai : 1 sangat berprioritas, 2 berprioritas; dan 3 cukup berprioritas.

Simple Additive Weighting (SAW)C5 Ketersediaanataukemudahan,merupakan ketersediaan barang di pasaran.Ketersediaan diberi nilai : 1 sulit diperoleh, 2 cukup mudah diperoleh; dan 3 sangatmudah diperoleh.Dari pertama dan keempat kriteria tersebut,kriteria pertama dan keempat merupakan kriteriabiaya, sedangkan kriteria kedua, ketiga, dankelima merupakan kriteria keuntungan.Pengambil keputusan memberikan bobot untuksetiap kriteria sebagai berikut : C1 25%; C2 15%; C3 30%; C4 25%; dan C5 5%.

Simple Additive Weighting (SAW) Ada empat alternatif yang diberikan,yaitu : A1 Membelimobilboxuntukdistribusi barang ke gudang; A2 Membeli tanah untuk membangungudang baru; A3 Maintenancesarana teknologiinformasi; A4 Pengembangan produk baru.

Simple Additive Weighting (SAW) Nilai setiap alternatif pada setiap kriteria :KriteriaAlternatifC1(juta C3 C4 C5

Simple Additive Weighting (SAW) Normalisasi :min 150;500;200;350 150r11 11501501515r12 0,075max 15;200;10;100 20022r23 0,667max 2;2;3;3 3min{2;3;1;1} 1r44 111 dst

Simple Additive Weighting (SAW) Hasil normalisasi :0,08 0,67 0,501 1 0,30 10,670,330,67 R 0,75 0,05111 110,67 0,43 0,50

Simple Additive Weighting (SAW) Proses perankingan dengan menggunakan bobot yangtelah diberikan oleh pengambil keputusan :w [0,25 0,15 0,30 0,25 0,05]Hasil yang diperoleh adalah sebagai berikut :V1 (0,25)(1) (0,15)(0,08) (0,3)(0,67) (0,25)(0,5) (0,05)(1) 0,638V 2 (0,25)(0,3) (0,15)(1) (0,3)(0,67) (0,25)(0,33) (0,05)(0,67) 0,542V 3 (0,25)(0,75) (0,15)(0,05) (0,3)(1) (0,25)(1) (0,05)(1) 0,795V 4 (0,25)(0,43) (0,15)(0,5) (0,3)(1) (0,25)(1) (0,05)(0,67) 0,766 Nilai terbesar ada pada V3 sehingga alternatif A3 adalahalternatif yang terpilih sebagai alternatif terbaik. Dengankata lain, maintenance sarana teknologi informasi akanterpilih sebagai solusi untuk investasi sisa usaha

WEIGHTED PRODUCT (WP) MetodeWeighted Product (WP)menggunakanperkalianuntukmenghubungkan rating atribut, dimanarating setiap atribut harus dipangkatkandulu dengan bobot atribut yangbersangkutan. Proses ini sama halnya dengan prosesnormalisasi.

Weighted Product (WP) Preferensi untuk alternatif Ai diberikan sebagaiberikut :nSi x ijwjj 1dengan i 1,2,.,m; dimana wj 1. wj adalah pangkat bernilai positif untuk atributkeuntungan, dan bernilai negatif untuk atributbiaya.

Weighted Product (WP) Contoh : Suatuperusahaan di Daerah IstimewaYogyakarta (DIY) ingin membangun sebuahgudang yang akan digunakan sebagai tempatuntuk menyimpan sementara hasil produksinya. Ada 3 lokasi yang akan menjadi alternatif,yaitu : A1 Ngemplak, A2 Kalasan, A3 Kota Gedhe.

Weighted Product (WP) Ada 5 kriteria yang dijadikan acuan dalampengambilan keputusan, yaitu : C1 jarak dengan pasar terdekat (km), C2 kepadatan penduduk di sekitar lokasi(orang/km2); C3 jarak dari pabrik (km); C4 jarak dengan gudang yang sudah ada(km); C5 harga tanah untuk lokasi (x1000Rp/m2).

Weighted Product (WP) Tingkat kepentingan setiap kriteria, juga dinilaidengan 1 sampai 5, yaitu : 1 Sangat rendah, 2 Rendah, 3 Cukup, 4 Tinggi, 5 Sangat Tinggi. Pengambilkeputusan memberikan bobotpreferensi sebagai:W (5, 3, 4, 4, 2)

Weighted Product (WP) Nilai setiap alternatif di setiap kriteria 5015002040450A30,9020503535800

Weighted Product (WP) Kategori setiap kriteria : Kriteria C2 (kepadatan penduduk di sekitarlokasi) dan C4 (jarak dengan gudang yangsudah ada) adalah kriteria keuntungan; Kriteria C1 (jarak dengan pasar terdekat), C3(jarak dari pabrik), dan C5 (harga tanah untuklokasi) adalah kriteria biaya. Sebelumnya dilakukan perbaikan bobot terlebihdahulu seperti sehingga w 1

FOKUS MASALAH Turban (2005) mengkategorikan model sistem pendukung keputusan dalam tujuh model, yaitu : 1) Model optimasi untuk masalah-masalah dengan alternatif-alternatif dalam jumlah relatif kecil. 2) Model optimasi dengan algoritma. 3) Model optimasi dengan formula analitik. 4) Model simulasi. 5) Model heuristik. 6) Model prediktif. 7) Model-model yang lainnya.

Related Documents:

SISTEM PENUNJANG KEPUTUSAN KELOMPOK System penunjang keputusan kelompok atau group decision support system (GDSS) ialah kombinasi dari Komputer, komunikasi, dan teknologi keputusan dan yang digunakan untuk menemukan, merumuskan, dan memecahkan masalah dalam pertemuan kelompok. Tujuan GDSS adalah untuk pertukaran ide, opini, dan preferensi dalam .

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.

sistem organ, kelainan dan penyakit. Sistem – sistem pada manusia dan hewan 1. Sistem pencernaan 2. Sistem ekskresi 3. Sistem pernapasan 4. Sistem peredaran darah 5. Sistem saraf dan indera 6. Sistem gerak 7. Sistem imun 8. Sistem reproduksi 9. Keterkaitan antar sistem organ dan homeostasis 10. Kelain

langkah implementasi 1 2 4 3 12. Proses Pengambilan Keputusan/ Proses Pemodelan 13. Fase Pemikiran (Intelligence Phase) Mengamati lingkungan luar Menganalisa tujuan organisasi Mengumpulkan data Mengidentifikasi masalah Mengkategorikan masalah Programmed dan non-programmed

Penelitian tentang Sistem Penunjang Keputusan Pemenang Tender Proyek Menggunakan Metode . Analityc Herarchy Process (AHP) Pada Dinas Pekerjaan Umum Kabupaten Aceh Selatan. Dilakukan oleh Teuku Mirwan Sahputra (2011) [6]. Hasil Penelitian adalah Sistem penunjang keputusan ini membantu melakukan

Sistem Penunjang Keputusan, Pertemuan Ke-9 Noviyanto, ST Halaman 5 RINGKASAN DATA WAREHOUSE (GUDANG DATA) Gudang data adalah basis data yang menyimpan data yang sekarang dan terdahulu yang mungkin diminati oleh para pembuat keputusan di seluruh perusahaan. Data dari banyaknya transaksi Gudang data menggabungkan basis data operasional yang berbeda.

Definisi Sistem Penunjang Keputusan (SPK/DSS) Merupakan alat manajemen yang terdiri dari komponen basis data, basis model dan user interface yang berbasis komputer yang dapat digunakan untuk menyelesaikan masalah dan membantu tugas-tugas pengambilan keputusan. DSS mendukung pengambilan keputusan kompleks dengan penekanan pada efektifitas (Turban,

Sistem Penunjang Keputusan, Pertemuan Ke-3 Noviyanto, ST Halaman 3 8. DSS mudah untuk digunakan. User harus merasa nyaman dengan sistem ini. User-friendliness, fleksibelitas, dukungan grafis terbaik, dan antarmuka bahasa yang sesuai dengan bahasa manusia dapat meningkatkan efektivitas DSS. Kemudahan penggunaan ini diiimplikasikan pada