Macam – macam Metode DSS

Metode sistem pendukung keputusan atau disebut juga sebagai DSS (Decision Support System) sangatlah beragam, beberapa metode yang sering digunakan antara lain, yaitu:

  1. Metode Sistem Pakar
  2. Metode Regresi Linier
  3. Metode Logika Fuzzy
  4. Metode B/C Ratio
  5. Metode AHP
  6. Metode IRR
  7. Metode NPV
  8. Metode FMADM, dan lain sebagainya.

Mari kita bahas satu persatu…

 

1. Metode Sistem Pakar

Sistem Pakar (expert system) adalah sistem informasi yang berisi dengan pengetahuan dari pakar sehingga dapat digunakan untuk konsultasi. Pengetahuan dari pakar di dalam sistem ini digunakan sebagi dasar oleh Sistem Pakar untuk menjawab pertanyaan (konsultasi).

sistem pakar merupakan sistem yang mengadopsi pengetahuan manusia ke komputer dirancang untuk memodelkan kemampuan menyelesaikan masalah seperti seorang pakar/ahli.

 

Ciri-Ciri Sistem Pakar
Sistem pakar yang baik harus memenuhi ciri-ciri sebagai berikut :
• Memiliki informasi yang handal.
• Mudah dimodifikasi.
• Dapat digunakan dalam berbagai jenis komputer.
• Memiliki kemampuan untuk belajar beradaptasi.

 

 

2.Metode Regresi Linier

Regresi Linear Sederhana adalah Metode Statistik yang berfungsi untuk menguji sejauh mana hubungan sebab akibat antara Variabel Faktor Penyebab (X) terhadap Variabel Akibatnya. Faktor Penyebab pada umumnya dilambangkan dengan X atau disebut juga dengan Predictor sedangkan Variabel Akibat dilambangkan dengan Y atau disebut juga dengan Response. Regresi Linear Sederhana atau sering disingkat dengan SLR (Simple Linear Regression) juga merupakan salah satu Metode Statistik yang dipergunakan dalam produksi untuk melakukan peramalan ataupun prediksi tentang karakteristik kualitas maupun Kuantitas.

 

Contoh Penggunaan Analisis Regresi Linear Sederhana dalam Produksi antara lain :

  1. Hubungan antara Lamanya Kerusakan Mesin dengan Kualitas Produk yang dihasilkan
  2. Hubungan Jumlah Pekerja dengan Output yang diproduksi
  3. Hubungan antara suhu ruangan dengan Cacat Produksi yang dihasilkan.

 

Model Persamaan Regresi Linear Sederhana adalah seperti berikut ini :

Y = a + bX

Dimana :
Y = Variabel Response atau Variabel Akibat (Dependent)
X = Variabel Predictor atau Variabel Faktor Penyebab (Independent)
a = konstanta
b = koefisien regresi (kemiringan); besaran Response yang ditimbulkan oleh Predictor.

 

Nilai-nilai a dan b dapat dihitung dengan menggunakan Rumus dibawah ini :

a =   (Σy) (Σx²) – (Σx) (Σxy)
               n(Σx²) – (Σx)²

b =   n(Σxy) – (Σx) (Σy)
            n(Σx²) – (Σx)²

 

Berikut ini adalah Langkah-langkah dalam melakukan Analisis Regresi Linear Sederhana :

  1. Tentukan Tujuan dari melakukan Analisis Regresi Linear Sederhana
  2. Identifikasikan Variabel Faktor Penyebab (Predictor) dan Variabel Akibat (Response)
  3. Lakukan Pengumpulan Data
  4. Hitung  X², Y², XY dan total dari masing-masingnya
  5. Hitung a dan b berdasarkan rumus diatas.
  6. Buatkan Model Persamaan Regresi Linear Sederhana.
  7. Lakukan Prediksi atau Peramalan terhadap Variabel Faktor Penyebab atau Variabel Akibat.

 

 

3.Metode Logika Fuzzy

Logika Fuzzy merupakan  teknik/ metode yang dipakai untuk mengatasi hal yang tidak pasti pada masalah – masalah yang mempunyai banyak jawaban. Pada dasarnya Fuzzy logic merupakan logika bernilai banyak/ multivalued logic yang mampu mendefinisikan nilai diantara keadaan yang konvensional seperti benar atau salah, ya atau tidak, putih atau hitam dan lain-lain. Penalaran Logika Fuzzy menyediakan cara untuk memahami kinerja system dengan cara menilai input dan output system dari hasil pengamatan. Logika Fuzzy menyediakan cara untuk menggambarkan kesimpulan pasti dari informasi yang samar-samar, ambigu dan tidak tepat. Kelebihan logika fuzzy ada pada kemampuan penalaran secara bahasa. Sehingga, dalam perancangannya tidak memerlukan persamaan metematis yang kompleks dari objek yang akan dikendalikan. Fuzzy logic Pertama kali dikembangkan oleh Lotfi A. Zadeh tahun 1965.

 

Alasan digunakan logika Fuzzy:

  • Konsep logika Fuzzy mudah dimengerti.
  • Logika Fuzzy fleksibel.
  • Logika Fuzzy mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks.
  • Logika Fuzzy dapat bekerja dengan teknik-teknik kendali secara konvensional.
  • Logika Fuzzy memiliki toleransi terhadap data-data yang tepat.
  • Logika Fuzzy didasarkan pada bahasa alami.

Logika Fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.

 

Logika Fuzzy dengan menggunakan Matlab

MATLAB adalah sistem perangkat lunak interaktif dengan elemen dasar basis data array. Hal ini memunginkan seorang pengguna (user) dapat memecahkan masalah yang berhubungan dengan komputasi dan matematika serta perhitungan teknik, khususnya yang melibatkan matriks dan vektor dengan waktu yang lebih singkat darik waktu yang dibutuhkan untuk menulis program dalam bahasa C atau FORTRAN.MATLAB dikeluarkan oleh perusahaan Mathwork Inc. Agar dapat menggunakan fungsi fungsi logika fuzzy yang ada pada MATLAB, maka harus diinstalkan terlebih dahulu TOOLBOX fuzzy. Fuzzy logic toolbox memberikan fasilitas Grapihcal User Interface (GUI) untuk memperindah dalam membangun suatu sistem fuzzy.

 

Kelebihan Logika Fuzzy

  1. Konsep logika fuzzy mudah dimengerti. Konsep matematis yang mendasari penalaran fuzzy sangat sederhana dan mudah dimengerti.
  2. Logika Fuzzy sangat fleksibel.
  3. Logika fuzzy memiliki toleransi terhadap data-data yang tidak tepat.
  4. Logika Fuzzy mampu memodelkan fungsi-fungsi non linearyang sangat kompleks.
  5. Logika fuzzy dapat membangun dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui proses pelatihan.
  6. Logika Fuzzy dapat bekerjasama dengan teknik-teknik kendali secara konvensional.
  7. Logika fuzzy didasarkan pada bahasa alami.

 

 

4.Metode B/C Ratio

B/C Ratio (Benefit Cost Ratio) adalah ukuran perbandingan antara pendapatan (Benefit = B) dengan Total Biaya produksi (Cost = C).  Dalam batasan besaran nilai B/C dapat diketahui apakah suatu usaha menguntungkan atau tidak menguntungkan.

 

Rumus:

B/C ratio    =  Jumlah Pendapatan (B)  :  Total Biaya Produksi (TC)

Jika B/C ratio  >  1  , usaha layak dilaksanakan

Jika B/C ratio  <  1  , usaha tidak layak atau merugi

 

 

5.Metode AHP

AHP merupakan suatu metode pendukung keputusan yang dikembangkan oleh seorang professor matematika University of Pittsburgh kelahiran Irak, Thomas L. Saaty. AHP merupakan metode untuk membuat urutan alternatif keputusan dan pemilihan alternatif terbaik pada saat pengambil keputusan dengan beberapa tujuan atau kriteria untuk mengambil keputusan tertentu. Hal yang paling utama dalam AHP adalah hirarki fungsional dengan input utamanya persepsi manusia. Dengan hirarki, suatu masalah yang kompleks dan tidak terstruktur dapat dipecahkan ke dalam kelompoknya, kemudian kelompok-kelompok tersebut diatur menjadi suatu bentuk hirarki.

 

Kelebihan AHP

  1. Kesatuan (Unity), AHP dapat menjadikan sebuah permasalahan yang luas dan tidak terstruktur menjadi sebuah model yang fleksibel dan tergolong mudah dipahami.
  2. Kompleksitas (Complexity), AHP dapat memecahkan suatu permasalahan yang tergolong kompleks melalui sebuah pendekatan sistem dan pengintegrasian secara deduktif.
  3. Saling ketergantungan (Inter Dependence), AHP dapat diimplementasikan pada elemen-elemen sistem yang tidak saling berhubungan dan tidak memerlukan hubungan linier.
  4. Struktur Hirarki (Hierarchy Structuring), AHP dapat mewakili pemikiran alamiah yang cenderung mengelompokkan elemen sistem ke dalam level-level yang berbeda dimana masing-masing level berisikan elemen yang serupa.
  5. Pengukuran (Measurement), AHP menyediakan sebuah skala pengukuran dan metode untuk mendapatkan nilai prioritas masing-masing elemen kriteria.
  6. Konsistensi (Consistency), AHP mempertimbangkan suatu nilai konsistensi yang logis dalam penilaian yang digunakan untuk menentukan suatu prioritas.
  7. Sintesis (Synthesis), AHP mengarah pada perkiraan keseluruhan dalam hirarki untuk mengetahui seberapa diinginkannya masing-masing alternatif yang ada.
  8. Trade Off, AHP mempertimbangkan prioritas relatif masing-masing faktor yang terdapat pada sistem sehingga orang mampu memilih altenatif terbaik berdasarkan tujuan sesuai dengan yang diharapkan.
  9. Penilaian dan Konsensus (Judgement and Consensus), AHP tidak mengharuskan adanya suatu konsensus, tapi menggabungkan hasil dari sebuah penilaian yang berbeda.
  10. Pengulangan Proses (Process Repetition), AHP mampu membuat orang menyaring definisi dari suatu permasalahan dan mengembangkan penilaian serta pengertian mereka melalui proses pengulangan.

Kekurangan AHP

  1. Metode AHP memiliki ketergantungan pada input utamanya. Input utama yang dimaksud adalah berupa persepsi atau penafsiran seorang ahli sehingga dalam hal ini melibatkan subyektifitas sang ahli selain itu juga model menjadi tidak berarti jika ahli tersebut memberikan penilaian yang salah.
  2. Metode AHP ini hanya metode matematis. Tanpa ada pengujian secara statistik berdasarkan data historis permasalahan yang telah terjadi sebelumnya, sehingga tidak ada batas kepercayaan dan informasi pendukung yang kuat dari kebenaran model yang terbentuk.

6.Metode IRR

Internal Rate of Return (IRR) adalah metode peerhitungan investasi dengan menghitung tingkat bunga yang menyamakan nilai sekarang investasi dengan nilai sekarang dari penerimaan-penerimaan kas bersih dimasa datang.

 

Berupa tingkat bunga pada saat NPV=0

Satuannya %/tahun

[pe2-image src=”https://lh3.googleusercontent.com/-98NymSZyrr4/WFzequCQ9PI/AAAAAAAAAGo/mt4Oz1ANiiwfRJ2GawCZdFy61tz6VPa1wCCo/s144-c-o/1.png” href=”https://picasaweb.google.com/108305775770383233092/6367208794974874913#6367208798688441586″ caption=”” type=”image” alt=”1.png” ]

Tingkat bunga (i) pada saat itu disebut IRR

[pe2-image src=”https://lh3.googleusercontent.com/-eC002Iv-arA/WFzequr6wJI/AAAAAAAAAGo/cQPbhhbqJ_0DlXBI8y10pBNsaN93w47ZACCo/s144-c-o/2.png” href=”https://picasaweb.google.com/108305775770383233092/6367208794974874913#6367208798863147154″ caption=”” type=”image” alt=”2.png” ]

Pada saat itu terjadi juga :

[pe2-image src=”https://lh3.googleusercontent.com/–8M0_Gwh_R4/WFzeqtki8zI/AAAAAAAAAGo/MNiaHU7_bHYj6xxxbSqHIeMajtuCsLHZACCo/s144-c-o/3.png” href=”https://picasaweb.google.com/108305775770383233092/6367208794974874913#6367208798563791666″ caption=”” type=”image” alt=”3.png” ]

 

7.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.  Jadi perhitungan NPV mengandalkan pada teknik arus kas yang didiskontokan.

 

Kriteria Pengambilan Keputusan yang Baik

Untuk menentukan metode penilaian investasi (capital budgeting) yang baik, terdapat 3 pertanyaan yang perlu dijawab :

  1. Apakah metode tersebut memperhitungkan nilai waktu dari uang (time value of money)?
  2. Apakah metode tersebut memperhitungkan tingkat resiko?
  3. Apakah metode tersebut bisa memberi informasi tentang penambahan nilai perusahaan?

 

Nilai Sekarang Net (Net Present Value = NPV)

Merupakan selisih antara nilai pasar proyek dan harga perolehannya (cost)

NPV =PV Cash Inflow – Initial Cost

NPV = Nilai sekarang dari arus kas masuk – biaya investasi

Berapa nilai yang dihasilkan dari investasi tersebut?

Langkah pertama adalah memperkirakan arus kas mendatang yang diharapkan.

Langkah kedua adalah memperkirakan hasil (return) yang diinginkan dari proyek pada tingkat resikonya.

Langkah ketiga adalah menghitung nilai sekarang dari arus kas masuk dan dikurangi dengan nilai investasi awal (harga perolehan).

2 Comments

Leave us a Comment

logged inYou must be to post a comment.