Sistem Pendukung Keputusan

DSS(Decission Support System)

Keputusan merupakan cara memutuskan suatu masalah yang spesifik untuk menemukan solusi terbaik diantara solusi-solusi permasalahan yang baik. Ada 3 faktor penting!  pendukung keputusan final tepat, akurat, dan cermat. Pada proses pengambilan keputusan bervariasi bergantung  keadaan, jenis masalah yang ingin dipecahkan dan karakteristik masalah.Beberapa orang secara alami cenderung menghabiskan lebih banyak waktu meneliti untuk menemukan jawaban terbaik ketika dihadapkan dengan keputusan.

Ketika seorang memutuskan sebuah keputusan dibutuhkan data sumber yang akurat yang dapat dipertanggungjawabkan nilai kebenaranya. Siapa yang  berhubungan langsung dengan pengambilan keputusan ? Dapatkah seorang mengambil suatu keputusan tanpa faktor-faktor pendukung untuk memutuskan suatu keputusan? Bagaimana cara mendapatkan data-data yang akurat untuk pendukung keputusan? Berapa lama waktu seorang pimpinan memberikan suatu keputusan?  Bagaimana cara mengolah data untuk  pendukung keputusan menjadi sebuah informasi yang berhaga? 

Suatu keputusan berhubungan langsung dengan hal-hal yang menejerial suatu contoh CEO  perusahaan, Manager Marketing, kepala HRD “human research development” .Seorang pimpinan menggunakan kapasitasnya untuk, menentukan langkah meliputi evaluasi hasil, target dan omset, prediksi waktu akan datang sehingga, setiap kebijakan yang akan diambil harus mempunyai bukti data sumber yang akurat.

Semakin banyak "faktor pendukung keputusan", maka semakin akurat keputusan yang diambil. Teknologi komputasi dapat dijadikan sebagai alat bantu untuk, mengolah data-data pendukung keputusan multi kriteria, dengan analisa data secara mendalam. Membangun  sistem  pendukung keputusan dengan teknologi komputer dapat membantu pengambilan keputusan para pengambil kebijakan.

4 Tujuan membangun Sistem pendukung keputusan dalam menentukan sebuah keputusan.

• Mendukung “support” pembuatan  keputusan
• Meningkatkan Efektifitas pengambilan keputusan
• Dapat digunakan memecahkan masalah multi kriteria
• Meningkatkan nilai akurasi data hasil keputusan

3 manfaat dari Sistem pendukung keputusan

• Memecahkan masalah dengan permodelan matematis multi kriteria
• Menghasilkan data dalam bentuk grafik dan diagram
• Kecepatan watu proses untuk memberikan solusi masalah

Membangun Sistem pendukung keputusan berbasis komputer membutuhkan, pengetahuan metode algoritma untuk membuat permodelan analisa data secara mendalam.

 6 Metode Algoritma Pendukung Keputusan yang populer

1. Data Mining 
2. Metode AHP(Analitic Herarcy Proses)
3. Metode ANP(Analitic Network Proses)
4. Metode Servsequal (Service Quality)
   
5. Metode Regresi linier
6. Metode Topsis
7. Metode Profil Maching

Selain menggunakan metode algoritma membangun sistem pendukung keputusan dapat dilakukan dengan menggunakan sistem cerdas

Sistem

sistem adalah suatu cara atau metode yang disusun secara sitematis baik melalui temuan, fakta-fakta yang diolah secara komputer maupun secara manual atau bahkan data-data diolah dengan menggunakan permodelan matematis dan statistik dengan alat bantu perhitungan mesin komputer.Sistem merupakan alat bantu mengidentifikasi dan merepresentasikan fakta-fakta sebagai data pendukung untuk menunjang keputusan akir yang akan diterapkan. Dengan adanya sebuah sistem maka diharapkan mampu mempercepat hasil proses analisa dengan tingkat akurasi data presisi tinggi sebagai faktor pendukung kebijakan dapat dilaksanakan.  

Metode Clustering Dalam Data Mining

Metode Pengelompokan Data

Metode Clustering data mining merupakan suatu teknik penggalian data dengan cara menyusun data kedalam kelompok-kelompok data atau clusters. Metode algoritma clustering dalam data mining dapat digunakan untuk menemukan cluster-cluster data secara alami yang berasal dari data yang digali atau diteliti menggunakan rumus dari data mining. Masih ingatkah anda pada pelajaran SD tentang pelajaran matematika teori himpunan ? 

8 Metode Algoritma Clustering Data Mining

1. Algoritma K-means
2. Algoritma C-means
3. Algoritma PSO Praticle Swarm Optimization 
4. Algoritma hierarchical Clustering
5. Algoritma Partitional Clustering
6. Algoritma single Linkage
7. Algoritma Complete Linkage
8. Algoritma Average Linkage 

Metode clustering data mining menggunakan data input untuk menghasilkan pengetahuan. Penerapan metode Clustering menghasilkan pengetahuan berupa penentuan beberapa cluster catatan data yang memiliki kemiripan atribut.

"metode clustering" dalam kondisi nyata digunakan untuk metode optimasi dengan cara menggunakan permodelan kelompok data sebagai contoh metode clustering  dapat diterapkan sebagai solusi mengetahui perilaku konsumen dalam hal membeli mobil

Cluster 

cluster merupakan kumpulan object data yang mempunyai kemiripan similar antara satu sama lainya bisa dikatakan metode clustering data mining mengadopsi dari rumus teori himpunan untuk dijadikan dasar menentukan sebuah cluster pada Data Mining.

K-Means Algoritma Data Mining

K-Means

Algoritma kmeans Clustering data mining ditemukan oleh J.MacQuenn.Metode Algoritma K-means digunakan untuk memecahkan masalah dalam pengelompokan (clustering) data. Algoritma K-means disusun dalam bentuk Cluster untuk menghasilkan suatu pengetahuan informasi yang terdapat pada setiap kelompok data yang digali.

pengetahuan Apa yang diperoleh dari Penerapan Algoritma  K-means tersebut ?

Siapa yang membutuhkan hasil Algoritma K-means yang telah diperoleh ?

FUNGSI DESKRIPSI DATA MINING

Arti Fungsi Deskripsi Data Mining

Mengenal fungsi deskripsi pada Data Mining,  Apa fungsi deskripsi data mining itu?. Definisi fungsi deskripsi data mining adalah suatu model teori pembelajaran mesin yang digunakan sebagai penggali pengetahuan karakteristik pola data sebagai proses tranformasi data menjadi suatu bentuk ringkasan informasi data secara rinci. Lalu apa tujuan dari metode deskripsi data mining ini ?. jadi, Tujuan fungsi deskripsi digunakan sebagai salah satu bentuk teknik pembelajaran mesin sehingga, mesin mampu menyajikan  penjelasan  hasil analisa dalam bentuk ringkasan informasi secara rinci dan mudah dimengerti manusia.

Fungsi deskriptif Data Mining("image edit from search engine journal)

Lantas,  apa manfaat metode analisis deskripsif data mining tersebut?. Sebagai manfaat dari teknik analisis  pola data ini dimungkinkan bahwa, fungsi deskripsi data mining mampu menghasilkan data-data informatif sebagai media penerangan suatu keadaan karakteristik data dan perbandigan. Data infomasi deskriptif dari penerapan fungsi deskripsi disajikan dalam bilangan angka numerik, dalam bidang ekonomi bisnis hasil ini disebut dengan hasilpenelitian kuantitatif dalam bentuk data statistika. Pertanyaan terakir, bagaimana cara melakukan proses pembelajaran mesin deskriptif data ini ?. Ada beberapa teknik  menghasilkan rangkuman “summary” data pada penerapan fungsi deskripsif ini. Sedikitnya ada 4 teknik mendapatkan ringkasan data.

Implementasi Statistika Matematika Komputasi

Statistika "Statistics"

Statistik merupakan disiplin ilmu matematika yang dipergunakan untuk menggali, meneliti dan mengolah suatu data secara sistematis sehingga dapat memberikan sebuah nilai informasi yang lebih bermakna dan bersifat spesifik

Contoh Statistik

contoh sederhana penerapan statistik, tidak ada salahnya kita membawa memori otak kita tentang mata pelajaran matematika pada saat duduk di bangku kelas lima (5) SD, masih ingat contoh soal cerita matematika dasar ini:

Galileo adalah seorang murid kelas 5 SD, pada saat ujian kenaikan kelas nilai ujian lima mata pelajaran masing-masing mendapatkan nilai 

Mata Pelajaran	Nilai Akir
Bahasa Indonesia	90
Matematika	100
Ilmu Pengetahuan Alam (IPA)	85
Ilmu Pengetahuan Sosial (IPS)	90
Bahasa Mandarin	70

Dinamic Array VS Static Array

Array

Array merupakan larik data yang mempunyai tipe data sama penulisan array diawalai dengan “[” dan diakiri dengan “]”. Array terdiri dari Index array . Fungsi dari array sering digunakan untuk mengerjakan perhitungan rumus matematik beberapa diantaranya : perkalian matrik, penjumlahan matrik, vektor, invers matrik, jika kita melihat dalam bidang komputasi Array dapat digunakan untuk Algoritma Sorting data seperti (“Buble sort, Insertion sort, Quick Sort, Heap Sort”).

Contoh penulisan Array 

DataUmurBayi : array of Integer;

matrikR : Array of Array Double;

ContohArray2D : Array of Array of Double;

SAMPLE_DATA : Array [0..GRID_COL1-1] of Double = (2, 5, 2 ,5 ,2 ,5 ,2, 2);

Teknik Optimasi Program Statement IF ELSE VS CASE

Optimasi CASE VS IF THEN

Ketika awal belajar bahasa pemrograman pasti tidak terlepas dari belajar kondisi atau Statement IF THEN contoh klasik yang sering digunakan adalah.

Contoh 1 : Menentukan kriteria nilai kelulusan Mata kuliah

IF value > 35 THEN deskripsi= "nilai bagus" ELSE DESKRIPSI ="nilai jelek"

CASE value OF 36..40 deskripsi ="nilai bagus" ELSE DESKRIPSI =" nilai jelek"

Contoh diatas merupakan teknik percabangan jika maka, dengan menggunakan teknik yang berbeda satu menggukan IF ELSE dan yang satu lagi menggunakan "CASE". Kira kira dimana letak perbedaannya jika dilihat dengan kasat mata tidak ada pengaruh yang signifikan antara penulisan baris kode program dengan menggunakan if else maupun case sehingga tidak membutuhkan optimasi kode program.

Sistem Informasi Pendeteksi Resiko Kebangrutan Perusahaan

Resiko Kebangrutan Perusahaan

Setiap bisnis mempunyai resiko kebangrutan perusahaan, semua pelaku usaha menghendaki supaya bisnisnya  tetap pada posisi puncak. Bagaimana cara menghindari resiko kebangkrutan? bagaimana cara mendeteksi potensi resiko kebangkrutan perusahaan? metode apakah yang digunakan untuk mendeteksi resiko kebangrutan?. 

Metode Altman Z-score

Altman Z-score adalah rumus prediksi kebangkrutan yang dipublikasikan oleh Edward I.Altman pada tahun 1986. Z-scrore dapat digunakan sebagai pendeteksian resiko kebangrutan perusahaan memanfaatkan rumus  persamaan linear matematika :

Z-Score = 1.2T₁ + 1.4T₂ + 3.3T₃ + 0.6T₄ + 0.999T₅      

 Disini arti (T) merupakan koifisien tiap-tiap parameter yang akan diukur

T1 : Working Capital / Modal Kerja

T2 : Retained Earnings / Laba ditahan

T3 : Earnings Before Interest and Taxes / Laba Kotor

T4 : Market Value of Equity / Total Nilai Hutang Piutang

T5 : Sales / penjualan

Metode Altman Z-score  sudah dilakukan pernah diuji untuk mengetahui potensi kebangrutan dibeberapa perusahaan oleh Edward I.Altman